AiCE (بازسازی تصویر مبتنی بر فناوری یادگیری عمیق) قدرت CT با وضوح فوق العاده بالا را به تصویربرداری رایج می‌افزاید

کِرستِن بودِکر (دکترای تخصصی و عضو بورد آمریکایی رادیولوژی)         

مدیر ارشد فیزیک پزشکی شرکت Canon Medical Systems     

• مقدمه

پیشرفته‌ترین فناوری در زمینه هوش مصنوعی (AI) زیر شاخه‌ای از فناوری یادگیری ماشین است که به عنوان یادگیری عمیق شناخته می‌شود. یادگیری عمیق از شبکه‌های عصبی مصنوعی چندلایه برای تولید نتایجی بهره می‌برد که در دنیای هوش مصنوعی غوغا به پا کرده است و در کارهایی مانند تشخیص اشیا، حتی از انسان  نیز بهتر عمل می‌کند.

در واقع، یادگیری عمیق درها را به روی مجموعه‌ای از برنامه‌ها باز کرده است که مشکلات پیچیده زندگی روزمره ما از جمله، سیستم‌های ناوبری در ماشین‌ها، برنامه‌های ترجمه زبان تقریباً فوری در تلفن‌ها، تشخیص خودکار عکس‌ها و برچسب‌گذاری شبکه‌های اجتماعی و مسایل خیلی بیشتر را حل می‌کنند. برخلاف الگوریتم‌های مرسوم که توسط قوانین از پیش برنامه‌ریزی‌شده برای انجام یک کار پیچیده محدود می‌شوند؛ یادگیری عمیق زمانی به کار می‌آید که یک شبکه عصبی از فرآیند آموزشی فشرده خود یاد بگیرد و ساختار منطقی خود را توسعه دهد.

Canon Medical مفتخر است کهAiCE (موتور پردازش تصویر هوشمند و پیشرفته با وضوح فوق‌العاده) را بر اساس الگوریتم یادگیری عمیق برای سی‌تی اسکن معرفی کرده است که دارای یک شبکه عصبی یادگیری عمیق است که می‌تواند نویز را از سیگنال تشخیص داده و نویز را حذف کند و کیفیت تصویر فوق‌العاده بالایی ایجاد نماید.

هدف از بازسازی تصویر در سی‌تی اسکن، تسهیل تشخیص بیمار از طریق تبدیل داده‌های خام به تصویری با بالاترین کیفیت ممکن است. پیش از DLR (یک الگوریتم بازسازی تصویر که قابلیت تشخیص استثنایی جزئیات باکنتراست کم را ایجاد می‌کرد؛ قدرت تفکیک فضایی را حفظ می‌کرد و به طور قابل توجهی، نویز و آرتیفکت را بدون نیاز به افزایش دز  یا ممانعت از گردشکار‌،کاهش می‌داد)، ابزاری وجود داشت که مغفول ماند. حتی بهترین الگوریتم‌های بازگشتی بازسازی تصویر مبتنی بر مدل (MBIR) نیز می‌توانند از ضعیف بودن بافت تصویر به علت نویز ناشی از دز پایین و بازسازی تصاویر مواردی که در یک معاینه بالینی پرمشغله غیرممکن است؛ به گونه‌ای نامطلوب متاثر شوند.

عرضه Aquilion Precision توسط شرکت Canon Medical با وضوح تصویر فوق‌العاده بالا و قدرت تفکیک  150μm× 150μm×200μm ، نیاز به توسعه نسل بعدی فناوری بازسازی تصویر (یک الگوریتم سریع و کم نویز که بتواند سطح فوق‌العاده‌ای از جزئیات را حفظ کند) را بیش از پیش برانگیخت. نتیجه این امر AiCE است؛ یک DLR کاملاً یکپارچه که نه تنها قدرت تفکیک فضایی خارق‌العاده Aquilion Precision را حفظ می‌کند؛ بلکه به طور همزمان، ویژگی‌های نویز و کنتراست پایین را نیز بهبود می‌بخشد. با استفاده از AiCE، بین دز حالت‌های تصویربرداری Aquilion Precision با وضوح فوق‌العاده بالا (Ultra-High Resolution) و دز حالات تصویربرداری با وضوح معمولی، تفاوت چندانی وجود ندارد.  AiCE و Aquilion Precision با یکدیگر، قدرت فناوری یادگیری عمیق و اسکن با وضوح فوق‌العاده بالا در دزهای استاندارد پرتو را به کاربردهای روزمره بالینی می‌آورند و آینده حوزه تصویربرداری سی‌تی اسکن را در اختیار شما قرار می‌دهند.

• Aquilion Precision و AiCE DLR

Aquilion Precision برای تجسم آناتومی و آسیب‌شناسی در تصویربرداری رایج با سطح نمایش جزئیات دو برابر وضوح سیستم‌های معمولی طراحی شده است. اولین قدم مهم در دست‌یابی به چنین درجه‌ای از جزئیات Aquilion Precision ، اختراع آشکارساز 160 ردیفی 0,25mm بود. آشکارساز دقیق این دستگاه با تکنیک‌های برش اختصاصی ساخته شده است که عناصر آشکارساز مجزا و از نظر اپتیکی، ایزوله را ایجاد می‌کند و امکان ایجاد سپتوم‌های بسیار نازک را فراهم می‌آورد که نتیجتاً، سبب افزایش قابل توجه ناحیه حساس به نور در هر جزء با حداقل تداخل بین آنها می‌شود. این پیشرفت، همراه با نوآوری در بازدهی سوسوزن، مدار آشکارساز و سایر اجزای DAS، منجر به تولید موثرترین آشکارساز در طول تاریخچه شرکت Canon Medical Systems شده است.

دومین مرحله کلیدی در ایجاد قدرت تفکیک بسیار بالا در دستگاه Aquilion Precision، یک سیستم تیوب جدید بود که دارای نقطه کانونی کوچکتر (به اندازه‌ 0,4mm×0,5mm) و چرخش آند با فرکانس 10000 دور در دقیقه، برای دفع مؤثر گرما بود. سومین و آخرین مرحله حیاتی برای تبدیل CT معمولی به یک سیستم با قدرت تفکیک فوق‌العاده بالا، AiCE DLR است؛ یعنی، یک الگوریتم بازسازی تصویر سریع که شامل داده‌های خام و اجزای حوزه تصویر برای کاهش آرتیفکت و بهبود نسبت سیگنال به نویز می‌باشد. AiCE DLR دارای یک شبکه عصبی چندلایه بسیار آموزش دیده برای کاهش میزان نویز در تصاویر با وضوح بالا، ضمن حفظ جزئیات تصویر در Aquilion Precision است. ترکیب Aquilion Precision با AiCE DLR امکان اسکن با قدرت تفکیک فوق‌العاده بالا را در دزهای استاندارد CT بالینی برای اولین بار فراهم می‌کند.

• کارآیی گردش‌کار: دست‌یابی به سرعت مورد نیاز در یک محیط بالینی شلوغ

در طول توسعه مهندسی، الگوریتم AiCE DLR برای تولید تصاویری با نسبت سیگنال به نویز (SNR) بالا از طریق یک فرآیند آموزشی قوی، آموزش داده می‌شود. AICE با آموزش روی مجموعه داده‌های با کیفیت بالا که با جریان بالای تیوب به دست می‌آید و با برخورداری از تمام مزایای پیشرفته MBIR از جمله، سیستم‌های پیچیده، مدل‌های نویز و همچنین، تعداد بسیار زیادی از محاسبات بازگشتی که در شرایط معمول بالینی ممکن نیست؛ می‌آموزد که سیگنال را از نویز متمایز کند. از آنجایی که این فرآیند زمان‌بر آموزشی، پیش از ترک محصول از کارخانه تکمیل می‌شود؛ AiCE DLR کاملاً آموزش دیده می‌شود و می‌تواند به سرعت در شرایط بالینی کار کند و یک تصویر شکم با قدرت تفکیک فوق‌العاده 1024×1024 را با اسلایس‌های 0,25 میلیمتری، به سرعت بازسازی کند. این بازسازی سریع که به گونه‌ای طراحی شده است که تمام مدل سازی‌های پیچیده به کار رفته در MBIR را به روشی کارآمد در نظر بگیرد؛ به پزشک اجازه می‌دهد تا از مزایای یادگیری عمیق استفاده کرده و با سرعتی بیش از پنج برابر سرعت بازسازی تصویر به روش MBIR کار ‌کند.

مانند الگوریتم‌های بازگشتی بازسازی تصویر Canon Medical، AiCE نیز به طور کامل، در سیستم مدولاسیون mA ^SUREExposure ادغام شده است. این سیستم به طور خودکار، پروفایل mA برای هر بیمار را بر اساس مزایای مرتبط و توانایی‌های کاهش دز AiCE تنظیم می‌کند. AiCE DLR به سه طریق تنظیمات پیش‌فرض Mild،Standard  و Strong موجود است که استفاده از آن را ساده و آسان می‌کند.

• قابلیت تشخیص کنتراست کم: قدرت تفکیک فضایی فوق‌العاده بالا بدون افزایش دز

AiCE DLR قادر است به طور چشم‌گیری، میزان نویز را در یک تصویر کاهش دهد و قابلیت تشخیص کنتراست کم را بهبود بخشد. هنگامی که حالت قدرت تفکیک فوق‌العاده Aquilion Precision استفاده می‌شود؛ داده‌ها را با عرض اسمی 0.25 میلیمتری برای هر اسلایس جمع‌آوری می‌کند و به ماتریس 1024×1024 بازسازی می‌کند. AiCE DLR می‌تواند به همان قابلیت تشخیص کنتراست کم تصاویر با وضوح معمولی بازسازی‌شده با AIDR  دست یابد.  این ترکیب از فناوری‌ها، مزایای تصویربرداری با قدرت تفکیک فوق‌العاده بالا را بدون نگرانی از کاهش قابلیت تشخیص کنتراست کم یا افزایش دز جذبی بیمار، به روی پزشک می‌گشاید.

به قابلیت مشاهده ضایعه‌ها در تصاویر بازسازی‌شده با وضوح فوق‌العاده بالا با استفاده از AICE در دز 12,4mGy در مقایسه با تصاویر بازسازی‌شده با وضوح معمولی و با استفاده از AIDR 3D در دز  11,8mGy (در شکل 1) توجه کنید. شکل 2 قدرت تفکیک معمول تصویر فانتوم AiCE را با قدرت تفکیک فوق‌العاده بالای تصویر Aquilion Precison در دز مشابه، مقایسه می‌کند.

علاوه بر این، AiCE DLR میزان بافت‌های نویزی و از نظر بصری غیرجذاب ناشی از دز پایین را با الگوریتم‌های بازگشتی بازسازی تصویر کاهش می‌دهد و در نتیجه، ظاهری شبیه‌تر به تصاویر حاصل از filtered back-projection با نویز کم (همان طور که در شکل 3 نشان داده شده است) دارد.

شکل 1) بهبود مشاهده‌پذیری ضایعه‌های کبدی در تصاویر UHR CT با دز مشابه. تصویر حاصل از AIDR 3D در دز  11,8mGy شکل (A) درمقایسه با تصویر حاصل از AiCE در دز  12,4 mGy شکل (B).

شکل 2) تصویر ماژولLCD Catphan®  با حالت قدرت تفکیک معمولی به دست آمده از AIDR-3D  (A) و تصویر حالت قدرت تفکیک فوق‌العاده بالا به دست آمده از AiCE (B).

شکل 3) بهبود خواص نویز در تصاویر شکم با قدرت تفکیک فوق‌العاده بالا با استفاده از AiCE، تصویر حاصل از MBIR (شکل A) و تصویر حاصل از AiCE (شکل B).

• قدرت تفکیک فضایی

از آنجایی که AiCE روی تصاویر با بالاترین کیفیت با استفاده از بازسازی MBIR آموزش دیده است، AiCE DLR یاد می گیرد که لبه ها و جزئیات تصویر را حفظ کند که به ویژه، برای اسکن با قدرت تفکیک فوق العاده بالا مهم است.  Aquilion Precisionیک آشکارساز 160 ردیفی 0,25mm دارد و با طراحی جدید تیوب اشعه ایکس که دارای اندازه‌ کانونی کاهش یافته (به اندازه 0,4mm×0,5mm) است؛ جفت می‌شود و منجر به ارائه قدرت تفکیک فضایی دو برابر سیستم‌های معمولی می‌گردد.

از آنجایی که AICE مزایای قدرت تفکیک فضایی MBIR را در خود دارد؛ وضوح کنتراست بالا را در مقایسه با تکنیک‌های بازگشتی بازسازی تصویر ترکیبی مانند AIDR 3D بهبود می‌بخشد  این بهبود قدرت تفکیک فضایی در توابع انتقال مدولاسیون (MTF) در شکل 4 نشان داده شده است. این بهبود قدرت تفکیک فضایی، تجسم جزئیات ظریف، مانند عروق و آسیب‌شناسی نشان داده شده در شکل 5 را با استفاده از فانتوم line pair تسهیل می‌کند.

شکل 4)  MTF مربوط به تصویر حاصل از AiCE را نسبت به تصویر حاصل از AIDR 3D بهبود می‌بخشد که نشان‌دهنده بهبود قدرت تفکیک کنتراست بالا با استفاده از AiCE است.

شکل 5)  فانتوم line pair که قدرت تفکیک کنتراست بالا را برای AiCE نشان می‌دهد. تصویر حاصل از AIDR 3D (شکل A) و تصویر حاصل از AiCE (شکل B).

• نگاه به آینده با Precision CT و AiCE DLR

اسکن با قدرت تفکیک فوق العاده بالا همراه با DLR به گسترش نقش CT در تشخیص طیف گسترده‌ای از علائم بالینی می‌انجامد. معاینات کاربردی و بالینی مانند تصویربرداری از ریه، استخوان گیجگاهی (تمپورال)، عروق، ساختار استنت، کاهش آرتیفکت و همچنین، تجسم تومورها و ساختارهای کوچک، همگی قابلیت بهره‌مندی از قدرت تفکیک بالای AiCE DLR را دارند. علاوه بر این، انتظار می‌رود که رشته رو به رشد رادیونومیک، رشته‌ای از مطالعات پزشکی که هدف آن، استخراج مقادیر زیادی از ویژگی‌های کمّی، مانند شکل، اندازه و بافت، از تصاویر پزشکی با استفاده از الگوریتم‌های مشخصه‌یابی داده است؛ به طور بالقوه، از قدرت تفکیک فوق‌العاده بالای Precision  و AiCe  منتفع شود که خود منجر به پیشرفت در پشتیبانی از تصمیمات بالینی، دقت پزشکی، سلامت جمعیت، ارزیابی پیش-آگاهانه و کسب پاسخ درمانی پیش‌بینی‌شده می‌شود.

• AiCE DLR  چگونه کار می‌کند؟

شکل 6) نمای کلی بازسازی تصویر با استفاده از یادگیری عمیق  AiCE DLR. AiCE با تصاویر هدف MBIR با کیفیت بالا و پیشرفته آموزش داده شده است و یاد می‌گیرد که داده‌های ورودی با کیفیت پایین را به تصاویری با نویز کم که واضح و شفاف هستند؛ تبدیل کند. در کلینیک، AiCE DLR در حوزه خام و تصویر عمل می‌کند تا به طور موثر، تصاویر را بازسازی کند.

• مروری بر یادگیری عمیق

یادگیری عمیق، جدیدترین فناوری در هوش مصنوعی، با موفقیت در کارهایی مانند تشخیص تصویر، تقسیم‌بندی و طبقه‌بندی استفاده شده است. یک شبکه عصبی کانوولوشنی عمیق (DCNN) متشکل از لایه‌هایی از نورون‌ها، با استفاده از یادگیری عمیق در انجام یک کار پیچیده آموزش داده می‌شود. یک نورون که در شکل 8 نشان داده شده است؛ گرهی است که در آن یک عملیات ریاضی انجام می‌شود و خروجی آن با نورون های دیگر مرتبط است و یک شبکه را تشکیل می‌دهد. شبکه عصبی نام خود را از الگوی نورون-سیناپس موجود در زیست‌شناسی گرفته است و از نحوه نتیجه‌گیری انسان‌ها ‌بر اساس یادگیری از مثال‌ها مشابهت‌سازی شده است. این توانایی یادگیری از طریق یک شبکه عصبی عمیق، به الگوریتم یادگیری عمیق آزادی می‌دهد تا راه بهینه را برای انجام وظیفه مورد نظر پیدا کند. DCNNها عملکرد خارق‌العاده‌ای را در طبقه‌بندی تصاویر نشان داده‌اند و در سال 2012 با برنده شدن در چالشImageNet  (توانایی طبقه‌بندی ماهرانه هزار نوع شی از میان بیش از یک میلیون تصویر)، به صحنه هوش مصنوعی راه پیدا کردند. ساختار اصلی DCNN در شکل 7 نشان داده شده است.

شکل 7) تصویری از یک شبکه عصبی ساده متشکل از لایه‌هایی از نورون‌ها که برای انجام یک کار با هم کار می‌کنند.

شکل 8) ساختار یک نورون پایه. یک نورون با یادگیری فاکتورهای وزنی (w) ویژگی مرتبط خود را تنظیم می‌کند. تابع فعال‌سازی (سیگما) قدرت پاسخ نورون را اندازه‌گیری می‌کند.

• آموزش  AiCE DLR

کلید موفقیت یک DCNN در آموزش آن نهفته است؛ فرآیندی که طی آن، DLR یاد می‌گیرد که چگونه عملکرد خود را با موفقیت انجام دهد. شبکه باید تصویر خروجی خود را با یک تصویر مرجع استاندارد مقایسه کند تا عملکرد آن را بسنجد و یاد بگیرد؛ یعنی وزن نورون‌های خود را تنظیم کند.  برای انجام این کار، DCNN از یک تابع زیان (loss) ریاضی برای تعیین میزان خطا، بین خروجی و مجموعه داده‌های مرجع استفاده می‌کند. در مورد AiCE، تصاویر مرجع بالینی استاندارد با جریان بالای تیوب به دست می‌آیند و با MBIR بازسازی می‌شوند که مدل‌سازی اپتیک سیستم، فیزیک سیستم، ویژگی‌های آماری اسکنر و آناتومی انسان را در نظر می‌گیرد و از تعداد بیشتری از محاسبات تکراری که در یک  رشته بالینی غیر قابل استفاده هستند؛ استفاده می‌کند.

با استفاده از تخمین خطا بین خروجی DCNN و مقدار استاندارد، DCNN خطا را از طریق شبکه برآورد کرده و به منظور کاهش اختلاف، وزن‌های نورون را تنظیم می‌کند. این فرآیند ورودی رو به جلو (input-forward) و انتشار رو به عقب خطا (error-backpropagation)، به طور مکرر تکرار می‌شود تا زمانی که شبکه بهینه شود. به منظور اطمینان از نتایج بهینه، میلیون‌ها جفت تصویر در آموزش AiCE DLR استفاده می‌شود.

به منظور اطمینان از معتبر بودن AiCE DLR در شرایطی با دز پایین، آموزش AiCE شامل مجموعه داده‌های با کیفیت پایین می‌شود که برای آموزش AICE مورد استفاده قرار می‌گیرد که تا به AiCE بیآموزد که چگونه تصاویر با کیفیت بالا را از تصاویر با کیفیت پایین تولید کند و در عین حال، سیگنال و قدرت تفکیک فضایی را در طیف بالینی حفظ نماید. این الگوریتم با مجموعه داده‌های اعتبارسنجی مستقل آزمایش شد تا از کاربرد گسترده الگوریتم اطمینان حاصل شود و از پدیده‌ای در یادگیری ماشینی به نام overfitting اجتناب شود. این پدیده زمانی اتفاق می‌افتد که الگوریتم به منظور معتبر بودن در برابر ورودی‌های جدید، بیش از اندازه‌، با داده‌های آموزشی، به طور ظریف تنظیم شده باشد. هزاران تصویر فانتوم و بیمار توسط فیزیکدانان پزشکی و رادیولوژیست‌ها در توسعه الگوریتم بازسازی AiCE DLR مورد بررسی قرار گرفته‌اند.

• درون AiCE DLR

AiCE DLR توانایی‌های طبقه‌بندی فوق‌العاده یک DCNN را برای تمایز نویز از سیگنال در تصاویر CT و افزایش سیگنال، ضمن سرکوب نویز برای تولید تصویری با کیفیت بالا برای تفسیر پزشک اعمال می‌کند.  یک نمای کلی از فرآیند AiCE DLR در شکل 6 نشان داده شده است. فرآیند بازسازی تصویر AiCE در حوزه داده خام آغاز می‌شود که در آن AICE داده‌های خام را تجزیه و تحلیل کرده و با اطلاعات دقیق مدل اسکنر، اصلاحیه‌ای را ایجاد می‌کند. این اصلاحیه در حوزه نگاشت تصویر، خروجی SNR را بهبود می‌بخشد و آرتیفکت‌هایی مانند رگه‌ها (streaks) را کاهش می‌دهد. سپس، این داده‌های خام در ابتدا بازسازی می‌شوند تا یک تصویر اولیه که به عنوان "لایه ورودی" شناخته می‌شود؛ برای DCNN ایجاد شود.

هنگامی که تصویر ورودی به DCNN وارد می شود؛ توسط چندین لایه شبکه به نام "لایه های پنهان"، تجزیه و تحلیل می‌شود. لایه‌های پنهان یک DCNN حاوی لایه‌های کانوولوشنی است که در آن، نورون‌های جزء به عنوان انتخابگرهای ویژگی روی تکه‌های کوچک داده عمل می‌کنند.  در یک الگوریتم اکتشافی سنتی، ویژگی‌های بارز تصویر، مانند لبه منحنی، از قبل، توسط برنامه‌نویس، انتخاب شده و با داده‌های تصویر "درهم پیچیده" (convolved) می‌شوند؛ یعنی فیلتر می‌شوند. در طول فرآیند یادگیری عمیق، هر نورون در یک لایه کانوولوشنی می‌آموزد که بر اساس داده‌های آموزشی، به دنبال چه ویژگی‌هایی باشد.DCNN مربوط به AiCE دارای هزاران نورون است که به طور کامل، از فضای ویژگی، نمونه‌برداری می‌کنند. شبکه ویژگی‌های تصویر و سطح اهمیت آنها را با تنظیم پارامترهایی که به عنوان وزن و بایاس شناخته می‌شوند؛ یاد می‌گیرد که توسط هر نورون در لایه کانوولوشنی استفاده می‌شود.

خروجی لایه کانوولوشن به یک "لایه فعال‌سازی" وارد می‌شود. در زیست‌شناسی، یک نورون تنها زمانی فعال می‌شود که ورودی به آن از یک آستانه فراتر رود. به طور مشابه، لایه فعال‌سازی در یک DCNN هدف مشابهی را دنبال می‌کند؛ زیرا، بر اساس قدرت یک پاسخ عصبی به داده‌های ورودی، لایه فعال‌سازی تعیین می‌کند که کدام پاسخ‌های عصبی به لایه بعدی در DCNN منتقل می‌شوند. پس از عبور از تمام لایه‌های پنهان شبکه عصبی AiCE، سیگنال و نویز از هم جدا شده و تصویر سیگنالی که به "لایه خروجی" معروف است؛ برای کاربر تولید می‌شود.

یکی از عوامل موفقیت DCNN در طراحی ساختار شبکه آن نهفته است که بر کیفیت تصویر و سرعت بازسازی تأثیر می‌گذارد. برای دست‌یابی به بهترین بازدهی محاسباتی و بهبود کیفیت تصویر خروجی، عوامل ساختار شبکه مانند تعداد لایه‌های شبکه، تعداد نورون‌ها در هر لایه، اندازه‌های هسته کانوولوشن و غیره، در الگوریتم AiCE به‌طور کامل بهینه‌سازی شده‌اند. فناوری‌های مدیریت حافظه و استراتژی‌های شتاب‌گیری زیبا، با دقت طراحی شده و در سیستم ادغام گشته‌اند تا به طور کامل، از قابلیت‌های سخت‌افزاری استفاده کنند و سرعت بازسازی را به حداکثر برسانند.

• آینده را در اختیار خود قرار دهید

AiCE DLR یکپارچه، موثر و با کاربری آسان، قدرت یادگیری عمیق را به دنیای CT با قدرت تفکیک فوق‌العاده بالا می‌آورد. ویژگی‌های حوزه داده خام AiCE DLR همراه با توانایی شبکه عصبی کانوولوشنی عمیق برای تمایز سیگنال از نویز، منجر به مزایای فراوانی در مقایسه با سایر اشکال بازسازی تصویر، از جمله بهبود در نویز، تشخیص‌پذیری کنتراست پایین و حفظ قدرت تفکیک فضایی می‌شود. ترکیب Aquilion Precision و AiCE DLR فرصت‌های جدیدی را برای پیشرفت در تشخیص بیمار، کاربردهای بالینی و همچنین، رادیونومیک فراهم می‌کند و آینده سی‌تی اسکن را نشان می‌دهد.

منابع

• Boedeker K., Aquilion Precision Ultra-High Resolution CT: Quantifying diagnostic image quality, Canon Medical Systems Corporation, 2017.