روش جدید SGPnP، تصاویر ناقص و آسیب‌دیده MRI را با دقت بسیار بالا بازسازی می‌کند

روش‌های پلاگ اند پلی (Plug-and-Play یا به‌اختصار PnP) با برقراری یک چرخه رفت‌وبرگشتی میان تطبیق با داده‌های واقعی و یک سیستم نویززدای هوشمند، تصاویر را از دل اندازه‌گیری‌های ناقص یا آسیب‌دیده بازسازی می‌کنند. بخش انطباق داده‌ها بررسی می‌کند که تصویر نهایی با آنچه اسکنر یا دوربین ثبت کرده همخوانی داشته باشد؛ در سوی دیگر، مدل نویززدا دانش پیشین تصویر را تأمین کرده و جایگزین عملگرهای پیچیده در روش‌های بهینه‌سازی سنتی می‌شود. این معماری کاربردی، امکان بازسازی اسکن‌های MRI، رفع تاری تصاویر، افزایش وضوح و ترمیم بخش‌های حذف‌شده را بدون نیاز به فرمول‌بندی‌های دستی و پیچیده فراهم می‌آورد.

نتایج پژوهشی تازه توسط محققان دانشگاه ویسکانسین مدیسن (UW-Madison)، دانشگاه واشنگتن در سنت لوئیس و آزمایشگاه ملی لوس آلاموس نشان می‌دهد که روش‌های متداول PnP با کاهش داده‌های برداشتی یا تشدید خرابی تصاویر، دچار افت محسوس دقت می‌شوند. در پاسخ به این چالش، پژوهشگران روشی موسوم به SGPnP (کوتاه‌شده Stochastic Generative Plug-and-Play) را توسعه داده‌اند که یک مدل نفوذی پیش‌آموزش‌دیده بر پایه امتیاز را با تزریق نویز گاوسی جدید در هر گام ترکیب می‌کند. این الگوریتم ضمن حفظ چارچوب بهینه‌سازی PnP، از نظر کیفیت خروجی توانایی رقابت با ابزارهای تخصصی نفوذی را دارد. پژوهشگران هم‌چنین کد منبع این پروژه را به‌صورت آزاد در دسترس عموم قرار داده‌اند.

نقاط کور روش‌های سنتی در برابر تخریب‌های شدید

مدل‌های نویززدای استاندارد در روش‌های PnP معمولاً صرفاً برای حذف نویزهای ملایم گاوسی آموزش دیده‌اند. این در حالی است که در مسائل دشوار بازسازی، تصاویر میانی ماهیتی کاملاً متفاوت پیدا می‌کنند: ماسک‌های بزرگ باعث ایجاد حفره‌های تکه‌ای در تصویر می‌شوند، نمونه‌برداری ناکافی در اسکن‌های MRI خطاهای تداخلی پدید می‌آورد و رفع تاری نیز بازمانده‌های ساختاری بر جای می‌گذارد. این تغییر توزیع آماری سبب می‌شود ورودی‌هایی در اختیار مدل نویززدا قرار گیرد که تفاوت چشمگیری با داده‌های زمان آموزش آن دارند.

علاوه بر این، سیستم‌های نویززدا که برای نویزهای ناچیز تنظیم شده‌اند، توانمندی مولد لازم برای پیش‌بینی و ساخت بخش‌های بزرگ مفقودشده را ندارند. روش‌های نویزدهی مجدد مانند SNORE با افزودن مقداری نویز پیش از شروع نویززدایی، تلاش می‌کنند این ناهمخوانی توزیع داده‌ها را کاهش دهند، اما این مدل‌ها در کارهای پیچیده‌ای که داده‌های بسیار کمی دارند بهبود محدودی ایجاد می‌کنند. در سوی دیگر، مدل‌های نفوذی مبتنی بر امتیاز بازه بسیار گسترده‌تری از سطوح تخریب را پوشش می‌دهند و ساختارهای هندسی و بصری تصویر را در مقیاس‌های گوناگون فرا می‌گیرند.