वैद्यकीय प्रतिमा: प्रतिमा पुनर्निर्माणाचे सर्वंकष मार्गदर्शन

आधुनिक आरोग्यसेवेत वैद्यकीय प्रतिमा महत्त्वाची भूमिका बजावते, ज्यामुळे डॉक्टरांना अंतर्गत रचना पाहता येतात आणि बिना शस्त्रक्रियेने रोगांचे निदान करता येते. कॉम्प्युटेड टोमोग्राफी (CT), मॅग्नेटिक रेझोनन्स इमेजिंग (MRI), पॉझिट्रॉन एमिशन टोमोग्राफी (PET), आणि सिंगल-फोटॉन एमिशन कॉम्प्युटेड टोमोग्राफी (SPECT) यांसारख्या इमेजिंग पद्धतींद्वारे मिळवलेला कच्चा डेटा थेट प्रतिमा म्हणून वाचता येत नाही. प्रतिमा पुनर्निर्माण ही या कच्च्या डेटाला अर्थपूर्ण दृश्य स्वरूपात रूपांतरित करण्याची प्रक्रिया आहे.

प्रतिमा पुनर्निर्माण आवश्यक का आहे?

वैद्यकीय इमेजिंग पद्धती सामान्यतः अप्रत्यक्षपणे सिग्नल मोजतात. उदाहरणार्थ, CT मध्ये, एक्स-रे शरीरातून जात असताना क्षीण होतात आणि डिटेक्टर बाहेर पडणाऱ्या रेडिएशनचे प्रमाण मोजतात. MRI मध्ये, उत्तेजित केंद्रकांनी उत्सर्जित केलेले रेडिओ फ्रिक्वेन्सी सिग्नल शोधले जातात. ही मापे प्रतिमा नसून, इमेज केल्या जाणाऱ्या वस्तूचे प्रक्षेपण किंवा नमुने आहेत. क्रॉस-सेक्शनल किंवा त्रिमितीय प्रतिमा तयार करण्यासाठी प्रतिमा पुनर्निर्माण अल्गोरिदमचा उपयोग करून या प्रक्षेपणांना गणितीयदृष्ट्या उलट केले जाते.

प्रतिमा पुनर्निर्माण न करता, आपल्याकडे फक्त कच्चा प्रक्षेपण डेटा उपलब्ध असेल, जो मुळात अर्थहीन आहे. प्रतिमा पुनर्निर्माण आपल्याला शारीरिक रचना पाहण्याची, असामान्यता ओळखण्याची आणि वैद्यकीय हस्तक्षेपांना मार्गदर्शन करण्याची परवानगी देते.

प्रतिमा पुनर्निर्माणाचे मूलभूत सिद्धांत

प्रतिमा पुनर्निर्माणाच्या मूलभूत तत्त्वामध्ये व्यस्त समस्या सोडवणे समाविष्ट आहे. मापांच्या (प्रक्षेपणांच्या) आधारावर, त्या मापांना कारणीभूत असलेल्या मूळ वस्तूचा अंदाज लावणे हे ध्येय असते. हे कार्य अनेकदा आव्हानात्मक असते कारण समस्या अनेकदा चुकीच्या पद्धतीने मांडलेली असते, म्हणजेच अनेक उपाय असू शकतात किंवा मापांमधील लहान बदलांमुळे पुनर्निर्मित प्रतिमेत मोठे बदल होऊ शकतात.

गणितीय प्रतिनिधित्व

गणितीयदृष्ट्या, प्रतिमा पुनर्निर्माण खालील समीकरण सोडवून दर्शविले जाऊ शकते:

g = Hf + n

येथे:

• g म्हणजे मोजलेला प्रक्षेपण डेटा (CT मध्ये सिनोग्राम).
• H ही सिस्टम मॅट्रिक्स आहे, जी फॉरवर्ड प्रोजेक्शन प्रक्रियेचे वर्णन करते (वस्तू डिटेक्टरवर कशी प्रक्षेपित केली जाते).
• f म्हणजे इमेज केली जाणारी वस्तू (पुनर्निर्मित करण्याची प्रतिमा).
• n म्हणजे मापनातील आवाज.

g आणि H तसेच n च्या सांख्यिकीय गुणधर्मांचे ज्ञान दिले असता, प्रतिमा पुनर्निर्माणाचे ध्येय f चा अंदाज लावणे आहे.

सामान्य प्रतिमा पुनर्निर्माण तंत्र

अनेक वर्षांमध्ये अनेक प्रतिमा पुनर्निर्माण तंत्र विकसित केले गेले आहेत, प्रत्येकाचे स्वतःचे फायदे आणि तोटे आहेत. त्यापैकी काही सामान्य पद्धती येथे आहेत:

1. फिल्टर केलेले बॅक प्रोजेक्शन (FBP)

फिल्टर केलेले बॅक प्रोजेक्शन (FBP) हा मोठ्या प्रमाणावर वापरला जाणारा अल्गोरिदम आहे, विशेषतः CT इमेजिंगमध्ये, कारण तो कमी वेळेत अचूक गणना करतो. यात दोन मुख्य टप्पे असतात: प्रक्षेपण डेटा फिल्टर करणे आणि फिल्टर केलेला डेटा इमेज ग्रिडवर परत प्रक्षेपित करणे.

फिल्टरिंग: बॅक-प्रोजेक्शन प्रक्रियेत अस्पष्टता भरून काढण्यासाठी प्रक्षेपण डेटा फ्रिक्वेन्सी डोमेनमध्ये फिल्टर केला जातो. राम-लॅक फिल्टर हे सामान्य फिल्टर आहे.

बॅक-प्रोजेक्शन: फिल्टर केलेले प्रक्षेपण नंतर इमेज ग्रिडवर परत प्रक्षेपित केले जातात, प्रत्येक प्रोजेक्शन अँगलमधील योगदान एकत्र केले जाते. पुनर्निर्मित प्रतिमेतील प्रत्येक पिक्सेलची तीव्रता ही त्या पिक्सेलमधून जाणाऱ्या फिल्टर केलेल्या प्रक्षेपण मूल्यांची बेरीज असते.

फायदे:

• कमी वेळेत अचूक गणना करतो, ज्यामुळे रिअल-टाइम पुनर्निर्माण शक्य होते.
• अंमलबजावणी करणे तुलनेने सोपे आहे.

तोटे:

• आवाज आणि कलाकृतींसाठी संवेदनशील.
• विशेषत: मर्यादित प्रक्षेपण डेटा असल्यास, स्ट्रीकिंग कलाकृती तयार होऊ शकतात.
• आदर्श अधिग्रहण भूमिती गृहीत धरते.

उदाहरण: प्रमाणित क्लिनिकल CT स्कॅनरमध्ये, FBP चा उपयोग जलद गतीने प्रतिमा पुनर्निर्माण करण्यासाठी केला जातो, ज्यामुळे रिअल-टाइम व्हिज्युअलायझेशन आणि निदान शक्य होते. उदाहरणार्थ, FBP वापरून काही सेकंदात ओटीपोटाच्या CT स्कॅनचे पुनर्निर्माण केले जाऊ शकते, ज्यामुळे डॉक्टरांना अपेंडिसाइटिस किंवा इतर गंभीर परिस्थितींचे त्वरित मूल्यांकन करता येते.

2. इटरेटिव्ह रिकंस्ट्रक्शन अल्गोरिदम

इटरेटिव्ह रिकंस्ट्रक्शन अल्गोरिदम FBP पेक्षा अनेक फायदे देतात, विशेषतः आवाज कमी करणे आणि कलाकृती कमी करण्याच्या दृष्टीने. हे अल्गोरिदम प्रतिमेच्या सुरुवातीच्या अंदाजापासून सुरू होतात आणि नंतर मोजलेल्या प्रक्षेपण डेटाशी जुळणारे समाधान मिळेपर्यंत हळूहळू अंदाजात सुधारणा करतात.

प्रक्रिया:

1. फॉरवर्ड प्रोजेक्शन: प्रतिमेचा सध्याचा अंदाज मोजलेला प्रक्षेपण डेटाचे अनुकरण करण्यासाठी फॉरवर्ड-प्रोजेक्ट केला जातो.
2. तुलना: सिम्युलेटेड प्रक्षेपण डेटाची वास्तविक मोजलेल्या प्रक्षेपण डेटाशी तुलना केली जाते.
3. सुधारणा: सिम्युलेटेड आणि मोजलेल्या डेटामधील फरकानुसार इमेज अंदाजात सुधारणा केली जाते.
4. इटरेटिव्ह: स्थिर समाधान मिळेपर्यंत 1-3 टप्पे पुन्हा केले जातात.

सामान्य इटरेटिव्ह रिकंस्ट्रक्शन अल्गोरिदममध्ये हे समाविष्ट आहेत:

• अल्जेब्रिक रिकंस्ट्रक्शन टेक्निक (ART): एक साधा इटरेटिव्ह अल्गोरिदम जो प्रत्येक प्रोजेक्शन रेसाठी सिम्युलेटेड आणि मोजलेल्या डेटामधील फरकानुसार इमेज अंदाजात सुधारणा करतो.
• मॅक्सिमम लाइक्लीहूड एक्सपेक्टेशन मॅक्सिमायझेशन (MLEM): एक सांख्यिकीय इटरेटिव्ह अल्गोरिदम जो मोजलेल्या डेटानुसार प्रतिमेची शक्यता वाढवतो. MLEM हे PET आणि SPECT इमेजिंगसाठी योग्य आहे, जिथे डेटा अनेकदा गोंगाटयुक्त असतो आणि आकडेवारी स्पष्टपणे परिभाषित केलेली असते.
• ऑर्डर्ड सबसेट्स एक्सपेक्टेशन मॅक्सिमायझेशन (OSEM): MLEM चा एक प्रकार जो अल्गोरिदमच्या अभिसरणाला गती देण्यासाठी प्रक्षेपण डेटाचे सबसेट वापरतो. OSEM चा उपयोग क्लिनिकल PET आणि SPECT इमेजिंगमध्ये मोठ्या प्रमाणावर केला जातो.

फायदे:

• FBP च्या तुलनेत सुधारित इमेज गुणवत्ता, विशेषत: कमी रेडिएशन डोसमध्ये.
• कमी आवाज आणि कलाकृती.
• इमेज केल्या जाणाऱ्या वस्तूविषयी पूर्वीची माहिती समाविष्ट करण्याची क्षमता.
• इमेजिंग फिजिक्सचे अधिक अचूक मॉडेलिंग.

तोटे:

• अचूक गणनेची आवश्यकता असते, ज्यामुळे महत्त्वपूर्ण प्रोसेसिंग पॉवर आणि वेळेची आवश्यकता असते.
• सुरुवातीच्या परिस्थिती आणि नियमितीकरण पॅरामीटर्ससाठी संवेदनशील असू शकते.

उदाहरण: कार्डियाक PET इमेजिंगमध्ये, OSEM सारखे इटरेटिव्ह रिकंस्ट्रक्शन अल्गोरिदम कमी आवाजासह उच्च-गुणवत्तेच्या प्रतिमा तयार करण्यासाठी आवश्यक आहेत, ज्यामुळे मायोकार्डियल परफ्यूजनचे अचूक मूल्यांकन करता येते. कोरोनरी आर्टरी डिसीज शोधण्यासाठी ताण चाचणी घेतलेल्या रुग्णांसाठी हे विशेषतः महत्त्वाचे आहे.

3. मॉडेल-आधारित इटरेटिव्ह रिकंस्ट्रक्शन (MBIR)

MBIR इमेजिंग सिस्टम, इमेज केल्या जाणाऱ्या वस्तू आणि आवाजाचे तपशीलवार भौतिक आणि सांख्यिकीय मॉडेल समाविष्ट करून इटरेटिव्ह रिकंस्ट्रक्शनला एक पाऊल पुढे नेते. हे अधिक अचूक आणि मजबूत इमेज रिकंस्ट्रक्शनला अनुमती देते, विशेषत: इमेजिंगच्या कठीण परिस्थितीत.

मुख्य वैशिष्ट्ये:

• सिस्टम मॉडेलिंग: इमेजिंग भूमिती, डिटेक्टर प्रतिसाद आणि एक्स-रे बीम वैशिष्ट्ये (CT मध्ये) यांचे अचूक मॉडेलिंग.
• ऑब्जेक्ट मॉडेलिंग: इमेज केल्या जाणाऱ्या वस्तूविषयी पूर्वीची माहिती समाविष्ट करणे, जसे की शारीरिक ॲटलास किंवा सांख्यिकीय आकार मॉडेल.
• नॉइज मॉडेलिंग: मापनातील आवाजाच्या सांख्यिकीय गुणधर्मांचे वैशिष्ट्यीकरण.

फायदे:

• FBP आणि सोप्या इटरेटिव्ह अल्गोरिदमच्या तुलनेत उत्कृष्ट इमेज गुणवत्ता.
• डोस कमी करण्याची लक्षणीय क्षमता.
• सुधारित निदान अचूकता.

तोटे:

• खूप अचूक गणनेची आवश्यकता असते.
• इमेजिंग सिस्टम आणि ऑब्जेक्टचे अचूक मॉडेल आवश्यक आहेत.
• जटिल अंमलबजावणी.

उदाहरण: कमी-डोस CT फुफ्फुसाच्या कर्करोगाच्या स्क्रीनिंगमध्ये, MBIR निदान इमेज गुणवत्ता राखताना रुग्णांना रेडिएशनचा डोस लक्षणीयरीत्या कमी करू शकते. वारंवार स्क्रीनिंग तपासणी घेत असलेल्या लोकसंख्येमध्ये रेडिएशन-प्रेरित कर्करोगाचा धोका कमी करण्यासाठी हे महत्त्वाचे आहे.

4. डीप लर्निंग-आधारित रिकंस्ट्रक्शन

डीप लर्निंग हे अलिकडच्या वर्षांत इमेज रिकंस्ट्रक्शनसाठी एक शक्तिशाली साधन म्हणून उदयास आले आहे. डीप लर्निंग मॉडेल, जसे की कन्व्होल्यूशन न्यूरल नेटवर्क्स (CNNs), प्रोजेक्शन डेटापासून इमेजपर्यंतचे व्यस्त मॅपिंग शिकण्यासाठी प्रशिक्षित केले जाऊ शकतात, ज्यामुळे काही प्रकरणांमध्ये पारंपारिक इटरेटिव्ह रिकंस्ट्रक्शन अल्गोरिदमची आवश्यकता प्रभावीपणे टाळता येते.

पद्धती:

• डायरेक्ट रिकंस्ट्रक्शन: प्रोजेक्शन डेटावरून थेट इमेज तयार करण्यासाठी CNN ला प्रशिक्षण देणे.
• इटरेटिव्ह रिफाइनमेंट: पारंपारिक रिकंस्ट्रक्शन अल्गोरिदम (उदा. FBP किंवा इटरेटिव्ह रिकंस्ट्रक्शन) चा आउटपुट सुधारण्यासाठी CNN वापरणे.
• आर्टिफॅक्ट रिडक्शन: पुनर्निर्मित इमेजमधून कलाकृती काढण्यासाठी CNN ला प्रशिक्षण देणे.

फायदे:

• खूप जलद पुनर्निर्माण वेळेची क्षमता.
• प्रोजेक्शन डेटा आणि इमेजमधील गुंतागुंतीचे संबंध शिकण्याची क्षमता.
• आवाज आणि कलाकृतींसाठी मजबूत (जर योग्यरित्या प्रशिक्षित केले असेल तर).

तोटे:

• प्रशिक्षणासाठी मोठ्या प्रमाणात डेटा आवश्यक आहे.
• इमेजिंग पॅरामीटर्समधील बदलांसाठी संवेदनशील असू शकते.
• डीप लर्निंग मॉडेलच्या "ब्लॅक बॉक्स" स्वरूपामुळे त्यांचे वर्तन समजून घेणे कठीण होऊ शकते.
• वेगवेगळ्या रुग्ण लोकसंख्येसाठी आणि स्कॅनर प्रकारांसाठी सामान्यीकरण काळजीपूर्वक तपासले जाणे आवश्यक आहे.

उदाहरण: MRI मध्ये, डीप लर्निंगचा उपयोग कमी नमुने घेतलेल्या डेटावरून इमेज रिकंस्ट्रक्शनला गती देण्यासाठी केला जाऊ शकतो, ज्यामुळे स्कॅनचा वेळ कमी होतो आणि रुग्णांना आराम मिळतो. ज्या रुग्णांना जास्त वेळ स्थिर राहण्यास त्रास होतो त्यांच्यासाठी हे विशेषतः उपयुक्त आहे.

इमेज रिकंस्ट्रक्शन गुणवत्तेवर परिणाम करणारे घटक

पुनर्निर्मित इमेजच्या गुणवत्तेवर अनेक घटक परिणाम करू शकतात, ज्यात हे समाविष्ट आहे:

• डेटा ॲक्विझिशन: ॲक्वायर केलेल्या प्रोजेक्शन डेटाची गुणवत्ता महत्त्वपूर्ण आहे. प्रोजेक्शनची संख्या, डिटेक्टर रिझोल्यूशन आणि सिग्नल-टू-नॉइज रेशो यांसारख्या घटकांचा इमेज गुणवत्तेवर परिणाम होऊ शकतो.
• रिकंस्ट्रक्शन अल्गोरिदम: रिकंस्ट्रक्शन अल्गोरिदमची निवड इमेज गुणवत्तेवर लक्षणीय परिणाम करू शकते. FBP जलद आहे परंतु आवाज आणि कलाकृतींसाठी संवेदनशील आहे, तर इटरेटिव्ह अल्गोरिदम अधिक मजबूत आहेत परंतु अचूक गणनेची आवश्यकता असते.
• इमेज पोस्ट-प्रोसेसिंग: इमेज गुणवत्ता वाढवण्यासाठी आणि आवाज कमी करण्यासाठी फिल्टरिंग आणि स्मूथिंगसारख्या पोस्ट-प्रोसेसिंग तंत्रांचा उपयोग केला जाऊ शकतो. तथापि, ही तंत्रे कलाकृती सादर करू शकतात किंवा इमेज अस्पष्ट करू शकतात.
• कॅलिब्रेशन: अचूक इमेज रिकंस्ट्रक्शनसाठी इमेजिंग सिस्टमचे अचूक कॅलिब्रेशन आवश्यक आहे. यामध्ये डिटेक्टर भूमिती, एक्स-रे बीम (CT मध्ये) आणि चुंबकीय क्षेत्र (MRI मध्ये) कॅलिब्रेट करणे समाविष्ट आहे.

इमेज रिकंस्ट्रक्शनचे ॲप्लिकेशन्स

इमेज रिकंस्ट्रक्शन हे वैद्यकीय इमेजिंग ॲप्लिकेशन्सच्या विस्तृत श्रेणीसाठी आवश्यक आहे, ज्यात हे समाविष्ट आहे:

• निदान इमेजिंग: रोग आणि जखमांचे निदान करण्यासाठी इमेज तयार करण्यासाठी इमेज रिकंस्ट्रक्शनचा उपयोग केला जातो.
• उपचार नियोजन: रेडिएशन थेरपी आणि शस्त्रक्रियेची योजना करण्यासाठी रुग्णाच्या ॲनाटॉमीचे 3D मॉडेल तयार करण्यासाठी इमेज रिकंस्ट्रक्शनचा उपयोग केला जातो.
• इमेज-मार्गदर्शित हस्तक्षेप: बायोप्सी आणि कॅथेटर प्लेसमेंटसारख्या कमीतकमी आक्रमक प्रक्रिया मार्गदर्शन करण्यासाठी इमेज रिकंस्ट्रक्शनचा उपयोग केला जातो.
• संशोधन: संशोधन सेटिंग्जमध्ये मानवी शरीराची रचना आणि कार्य अभ्यासण्यासाठी इमेज रिकंस्ट्रक्शनचा उपयोग केला जातो.

इमेज रिकंस्ट्रक्शनमधील आव्हाने

इमेज रिकंस्ट्रक्शन तंत्रज्ञानात लक्षणीय प्रगती असूनही, अनेक आव्हाने अजूनही आहेत:

• अचूक गणनेची किंमत: इटरेटिव्ह रिकंस्ट्रक्शन अल्गोरिदम आणि MBIR अचूक गणनेसाठी महाग असू शकतात, ज्यामुळे महत्त्वपूर्ण प्रोसेसिंग पॉवर आणि वेळेची आवश्यकता असते.
• डेटा आवश्यकता: डीप लर्निंग-आधारित रिकंस्ट्रक्शन पद्धतींना प्रशिक्षणासाठी मोठ्या प्रमाणात डेटा आवश्यक असतो, जो नेहमी उपलब्ध नसू शकतो.
• कलाकृती: पुनर्निर्मित इमेजमध्ये कलाकृती अजूनही येऊ शकतात, विशेषत: कठीण इमेजिंग परिस्थितीत, जसे की धातूचे इम्प्लांट किंवा रुग्णाची हालचाल.
• डोस कमी करणे: निदान इमेज गुणवत्ता राखताना CT इमेजिंगमध्ये रेडिएशनचा डोस कमी करणे हे एक महत्त्वपूर्ण आव्हान आहे.
• प्रमाणीकरण आणि प्रमाणीकरण: इमेज रिकंस्ट्रक्शन अल्गोरिदमसाठी प्रमाणित प्रोटोकॉल आणि प्रमाणीकरण पद्धतींच्या अभावामुळे वेगवेगळ्या अभ्यास आणि क्लिनिकल साइट्समधील निकालांची तुलना करणे कठीण होऊ शकते.

इमेज रिकंस्ट्रक्शनमधील भविष्यातील ट्रेंड

इमेज रिकंस्ट्रक्शनचे क्षेत्र सतत विकसित होत आहे, इमेज गुणवत्ता सुधारणे, रेडिएशन डोस कमी करणे आणि पुनर्निर्माण वेळ कमी करण्यावर सतत संशोधन चालू आहे. काही प्रमुख भविष्यातील ट्रेंडमध्ये हे समाविष्ट आहे:

• प्रगत इटरेटिव्ह रिकंस्ट्रक्शन अल्गोरिदम: इमेजिंग सिस्टम आणि ऑब्जेक्टचे अधिक तपशीलवार मॉडेल समाविष्ट करू शकणाऱ्या अधिक अत्याधुनिक इटरेटिव्ह रिकंस्ट्रक्शन अल्गोरिदमचा विकास.
• डीप लर्निंग-आधारित रिकंस्ट्रक्शन: डीप लर्निंग-आधारित रिकंस्ट्रक्शन पद्धतींचा सतत विकास, त्यांच्या मजबूतपणा, सामान्यीकरण आणि अर्थ लावण्याची क्षमता सुधारण्यावर लक्ष केंद्रित करणे.
• कॉम्pressed सेन्सिंग: इमेज रिकंस्ट्रक्शनसाठी आवश्यक डेटाचे प्रमाण कमी करण्यासाठी कॉम्pressed सेन्सिंग तंत्रांचा उपयोग करणे, ज्यामुळे जलद स्कॅन वेळ आणि कमी रेडिएशन डोस मिळतो.
• कृत्रिम बुद्धिमत्ता (AI) एकत्रीकरण: कार्यक्षमतेत आणि अचूकतेत सुधारणा करण्यासाठी डेटा ॲक्विझिशनपासून इमेज रिकंस्ट्रक्शन ते निदानापर्यंत संपूर्ण इमेजिंग वर्कफ्लोमध्ये AI एकत्रित करणे.
• क्लाउड-आधारित रिकंस्ट्रक्शन: अचूक गणनेची आवश्यकता असलेली इमेज रिकंस्ट्रक्शन कार्ये करण्यासाठी क्लाउड कंप्यूटिंग संसाधनांचा उपयोग करणे, ज्यामुळे प्रगत रिकंस्ट्रक्शन अल्गोरिदम लहान दवाखाने आणि रुग्णालयांसाठी अधिक सुलभ होतात.

निष्कर्ष

इमेज रिकंस्ट्रक्शन हे वैद्यकीय इमेजिंगचे एक महत्त्वपूर्ण घटक आहे, ज्यामुळे डॉक्टरांना अंतर्गत रचना पाहता येतात आणि बिना शस्त्रक्रियेने रोगांचे निदान करता येते. FBP त्याच्या गतीमुळे मोठ्या प्रमाणावर वापरला जाणारा अल्गोरिदम असला तरी, इटरेटिव्ह रिकंस्ट्रक्शन अल्गोरिदम, MBIR आणि डीप लर्निंग-आधारित पद्धती इमेज गुणवत्ता सुधारण्याची, रेडिएशन डोस कमी करण्याची आणि पुनर्निर्माण वेळ कमी करण्याच्या क्षमतेमुळे अधिकाधिक महत्त्वाच्या ठरत आहेत.

तंत्रज्ञान जसजसे पुढे जाईल, तसतसे आपण अधिक अत्याधुनिक इमेज रिकंस्ट्रक्शन अल्गोरिदम उदयास येण्याची अपेक्षा करू शकतो, ज्यामुळे वैद्यकीय इमेजिंगची क्षमता आणखी वाढेल आणि जागतिक स्तरावर रुग्णांची काळजी सुधारेल.