💻 computer science

OOD-SEG: Exploiting out-of-distribution detection techniques for learning image segmentation from sparse multi-class positive-only annotations

تقترح هذه الورقة البحثية OOD-SEG، وهو إطار عمل جديد للتعلم من العينات الموجبة غير المصنفة (positive-unlabeled learning) يستفيد من تقنيات كشف البيانات خارج التوزيع (out-of-distribution detection) لإجراء تقسيم متعدد الفئات للصور باستخدام تعليقات توضيحية موجبة متفرقة فقط، مع إلغاء الحاجة إلى تسمية الخلفية ومعالجة تحدي المخرجات الزائفة أثناء النشر.

المؤلفون الأصليون: Junwen Wang, Zhonghao Wang, Oscar MacCormac, Jonathan Shapey, Tom Vercauteren

نُشر 2026-04-03

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Junwen Wang, Zhonghao Wang, Oscar MacCormac, Jonathan Shapey, Tom Vercauteren

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة البحث "OOD-SEG" باستخدام لغة بسيطة وتشبيهات إبداعية.

الصورة الكبيرة: مشكلة "الطاهي المفرط في الثقة"

تخيل أنك تقوم بتدريب طاهٍ للتعرف على مكونات محددة في مطبخ ضخم وفوضوي (صورة طبية).

الهدف: يحتاج الطاهي إلى العثور على كل من الجزر (الفئة أ)، والبطاطس (الفئة ب)، والبصل (الفئة ج).
المشكلة: ليس لديك سوى الوقت للإشارة إلى عدد قليل من الجزر والبطاطس والبصل. ليس لديك وقت للإشارة إلى كل خضروات المطبخ، وبالتأكيد ليس لديك وقت للإشارة إلى الأوساخ، أو الملاعق، أو القطة الجالسة على المنضدة (الأشياء "الخلفية" أو "غير المعروفة").
الطريقة القديمة: في الماضي، إذا رأى الطاهي شيئًا لم تقم بتسميته، فسيقوم بمجرد التخمين. إذا رأى ملعقة، فقد يقول بثقة: "هذه بالتأكيد حبة بطاطس!" لأنه تدرب على إيجاد البطاطس ولم يكن يعرف غيرها. هذا أمر خطير في الجراحة؛ فإذا اعتقد الروبوت أن أداة جراحية هي ورم، فقد يقطع الشيء الخطأ.

تقدم هذه الورقة طريقة جديدة لتدريب الطاهي بحيث يمكنه قول: "أنا لا أعرف ما هذا"، بدلاً من تقديم تخمين خطير.

الفكرة الجوهرية: التعلم "الإيجابي فقط" (Positive-Only Learning)

يطلق المؤلفون على طريقتهم اسم التعلم الإيجابي فقط.

فكر في الأمر كتعليم طفل التعرف على الكلاب.

التدريب التقليدي: تُريه كلبًا وتقول له "كلب". ثم تُريه قطة وتقول له "ليست كلبًا". ثم تُريه طائرًا وتقول له "ليس كلبًا". أنت بحاجة إلى الكثير من الأمثلة لـ "ليست كلبًا".
نهج هذه الورقة: أنت تُريه فقط صورًا للكلاب وتقول له "كلب". أنت لا تُريه قططًا أو طيورًا.
التحدي: إذا أظهرت للطفل الكلاب فقط، فقد يعتقد أن كل شيء هو كلب.
الحل: تستخدم الورقة خدعة تسمى كشف التوزيع الخارج عن النطاق (OOD Detection). بدلًا من تعليم الطفل كيف يبدو الـ "ليس كلب"، نحن نعلمه كيف يتعرف على "شكل الكلب". إذا كان الشيء لا يتناسب مع "شكل الكب" على الإطلاق، سيرفع الطفل يده ويقول: "مهلاً، هذا لا يشبه الكلب!"

بالمصطلحات الطبية: يتعلم الذكاء الاصطناعي "شكل" الأعضاء التي يعرفها. إذا رأى أداة جراحية، أو وعاءً دمويًا، أو نوعًا جديدًا من الأنسجة لم يره من قبل، فإنه يصنف ذلك على أنه "غير معروف" بدلاً من إجباره على الدخول في فئة مثل "الكبد" أو "الكلية".

كيف يعمل الأمر: تشبيه "حارس الأمن"

بنى الباحثون نظامًا يتكون من جزأين رئيسيين:

الخبير (نموذج التجزئة - Segmentation Model): هذا هو الجزء الذي ينظر إلى الصورة ويحاول تسمية الأعضاء المعروفة (مثل الكبد أو الكلى) بناءً على الملاحظات القليلة التي قدمها الأطباء. إنه بارع جدًا في إيجاد ما يعرفه.
حارس الأمن (كاشف OOD): هذا هو الجزء الجديد. يقف بجانب الخبير. مهمته ليست التسمية؛ مهمته هي التحقق من الثقة.
- إذا قال الخبير: "هذا كبد"، وتحقق حارس الأمن من البيانات وقال: "نعم، هذا يبدو تمامًا مثل الأكباد التي درسناها"، يتم اعتماد التسمية.
- إذا قال الخبير: "هذا كبد"، ولكن حارس الأمن نظر إلى البيانات وقال: "انتظر، هذا يبدو غريبًا. إنه لا يتطابق مع نمط 'الكبد' الخاص بنا على الإطلاق"، يقوم حارس الأمن بإلغاء قرار الخبير. ويحدد تلك المنطقة كـ "غير معروف/خلفية".

اختبرت الورقة "حراس أمن" مختلفين (طرق رياضية مثل ODIN و Mahalanobis و GODIN) لمعرفة أيهم الأفضل في كشف الأشياء المزيفة. ووجدوا أن طريقة ODIN كانت الحارس الأكثر موثوقية.

"خدعة التقييم السحرية"

عادةً، لاختبار ما إذا كان النظام يمكنه رصد "غير المعروفات"، تحتاج إلى مجموعة بيانات منفصلة مليئة بالأشياء "غير المعروفة" (مثل مجموعة بيانات للقطط لاختبار كاشف الكلاب). لكن في الجراحة، الحصول على مجموعة بيانات للأنسجة "غير المعروفة" أمر صعب ومكلف.

ابتكر المؤلفون خدعة التحقق المتقاطع (Cross-Validation) الذكية:

تخيل أن لديك حقيبة بها 10 أنواع مختلفة من الفاكهة (10 أنواع من الأعضاء).
لاختبار النظام، قم بإخفاء نوع واحد من الفاكهة (مثل التفاح) عن التدريب.
قم بتدريب النظام على الأنواع التسعة الأخرى.
ثم، أظهر للنظام تفاحة.
إذا قال النظام: "أنا لا أعرف ما هذا"، فقد اجتاز الاختبار!
إذا قال: "هذا موز"، فقد فشل.

من خلال القيام بذلك مرارًا وتكرارًا مع فواكه مختلفة، استطاعوا اختبار قدرة النظام على رصد "غير المعروفات" دون الحاجة إلى مجموعة بيانات غامضة ومنفصلة.

لماذا يهم هذا الأمر (ما الفائدة؟)

يوفر الوقت: لا يحتاج الأطباء لقضاء ساعات في تسمية كل بكسل في الصورة. هم فقط يحددون الأجزاء المهمة، والذكاء الاصطناعي يملأ الباقي ويعرف متى يتوقف عن التخمين.
الأمان أولاً: في عملية جراحية حقيقية، إذا رأت الكاميرا أداً جديدًا أو خللاً غريبًا، فلن يقوم الذكاء الاصطناعي بتسميته بالخطأ على أنه ورم. سيقوم بوضع علامة عليه ليراه الطبيب البشري. هذا يمنع "الهلوسة" حيث يقوم الذكاء الاصطناعي بتأليف أشياء من خياله.
يعمل على كاميرات مختلفة: اختبروا هذا على كل من الكاميرات الملونة القياسية (RGB) وكاميرات "الرؤية الفائقة" (Hyperspectral) التي ترى ألوانًا لا يستطيع البشر رؤيتها. وقد نجح الأمر بشكل جيد في كليهما.

الملخص

تتعلق هذه الورقة بتعليم الذكاء الاصطناعي الطبي أن يكون متواضعًا. بدلًا من تخمين ماهية كل بكسل، يتعلم الذكاء الاصطناعي أن يقول: "أنا أعرف كيف يبدو الكلى، وأعرف كيف يبدو الكبد. ولكن إذا رأيت شيئًا لا يتناسب مع أي منهما، فسأعترف بأنني لا أعرف."

هذا يجعل الروبوتات الجراحية أكثر أمانًا، وأسرع في التدريب، وأكثر موثوقية في العالم الحقيقي.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "OOD-SEG: استغلال تقنيات اكتشاف التوزيع الخارج عن النطاق (OOD) لتعلم تقسيم الصور من التعليقات التوضيحية المتفرقة متعددة الفئات والإيجابية فقط."

1. بيان المشكلة

تتناول الورقة تحديين حاسمين في تقسيم الصور الطبية والجراحية باستخدام الشبكات العصبية العميقة:

ندرة التعليقات التوضيحية الكثيفة: إن الحصول على تسميات الحقيقة الأرضية (Ground Truth) على مستوى البكسل للصور الطبية أمر يستغرق وقتاً طويلاً، ومكلف، ويتطلب خبرة طبية عالية المستوى. وبناءً على ذلك، تحتوي العديد من مجموعات البيانات فقط على تعليقات توضيحية متفرقة وإيجابية فقط (أي يتم تعليق مناطق الاهتمام المحددة مع ترك بقية الأجزاء دون تسمية).
نقص اكتشاف التوزيع الخارج عن النطاق (OOD): تفترض نماذج التقسيم القياسية أن جميع بيانات التدريب والاختبار تأتي من نفس التوزيع (داخل النطاق - ID). وفي البيئات السريرية الحرجة للسلامة، غالباً ما تفشل النماذج في اكتشاف البكسلات التي تنتمي إلى فئات غير مرئية (مثل الأدوات الجراحية الجديدة، أو أنواع الأنسجة غير المتوقعة) أو الخلفية، مما يؤدي إلى تنبؤات زائفة ومفرطة في الثقة.

التحدي الجوهري: غالباً ما تعامل طرق التعلم الضعيف (WSL) الحالية البكسلات غير المعلمة كخلفية (فئة سلبية)، مما يؤدي إلى إدخال ضجيج في التسميات إذا كانت تلك البكسلات تنتمي فعلياً إلى فئات إيجابية غير معلمة. علاوة على ذلك، هناك نقص في البروتوكولات والمعايير المرجعية لتقييم اكتشاف OOD تحديداً في مهام التقسيم الطبي متعدد الفئات.

2. المنهجية: إطار عمل OOD-SEG

يقترح المؤلفون إطار العمل OOD-SEG، الذي يعيد صياغة تقسيم الصور متعدد الفئات المتفرقة والإيجابية فقط كمسألة تعلم إيجابي-غير معلم (PU learning)، مستفيداً من أدوات اكتشاف OOD.

أ. صياغة المشكلة

التعلم الإيجابي فقط: يتم تدريب النموذج فقط على البكسلات المعلمة التي تنتمي إلى فئات محددة (فئات ID). لا يتم وضع أي افتراضات حول البكسلات غير المعلمة؛ فهي لا تُعامل كخلفية.
منظور تعلم PU: تُعامل البكسلات غير المعلمة كمزيج من العينات الإيجابية (foreground غير مرئية) والسلبية (خلفية/OOD).
آلية اكتشاف OOD: يضع إطار العمل حدود قرار متميزة لكل فئة إيجابية. البكسلات التي تقع خارج هذه الحدود يتم تمييزها كـ OOD (خلفية أو فئات غير مرئية) بدلاً من إجبارها على الانتماء إلى فئة معروفة.

ب. البنية والتدريب

العمود الفقري (Backbone): بنية U-Net قياسية مع مشفر EfficientNet-B4.
استراتيجية التدريب: يتم تدريب الشبكة باستخدام خسارة الإنتروبيا المتقاطعة (Cross-Entropy Loss) المحسوبة فقط على البكسلات المتفرقة والإيجابية فقط. يحتوي طبقة المخرجات على $C$ من القنوات (حيث $C$ هو عدد الفئات المعلمة)، مما يعني أن النموذج لا يتنبأ صراحة بفئة "الخلفية" أثناء التدريب.
الاستدلال والدرجات (Scoring):
- أثناء الاستدلال، يتم حساب دالة تسجيل لكل بكسل $S_c$ لكل فئة.
- يتم تطبيق عتبة ثقة $\tau$ . إذا كان $\max(S_c) > \tau$ ، يتم تخصيص البكسل للفئة ذات الدرجة الأعلى. إذا كان $\max(S_c) \leq \tau$ ، يتم تصنيف البكسل كـ OOD (0).
- طرق التسجيل التي تم تقييمها:
  1. الأساس (Baseline): مخرج Softmax القياسي.
  2. ODIN: يستخدم قياس درجة الحرارة ( $T=10$ ) على الـ logits لتحسين المعايرة.
  3. ماهلانوبيس (Mahalanobis): يحسب مسافة ماهالانوبيس السالبة بين ميزات البكسل والتوزيعات الغاوسية المشروطة بالفئة.
  4. GODIN (النسخة المعممة من ODIN): تعديل مبتكر لـ ODIN مخصص للتقسيم حيث يتم تنفيذ قياس درجة الحرارة ودوال التشابه عبر طبقات تلافيفية (Convolutional layers) (نواة 3x3) لالتقاط السياق المكاني، بدلاً من مجرد طبقات خطية لكل بكسل.

ج. استراتيجية التقييم: التحقق المتقاطع ثنائي المستوى

لمعالجة نقص مجموعات بيانات OOD الخارجية، يقترح المؤلفون استراتيجية تحقق متقاطع ثنائي المستوى جديدة ضمن مجموعة بيانات واحدة:

تقسيمات الموضوعات (Subject Partitions - SP): تضمن عدم وجود تداخل في بيانات المرضى بين الطيات (Folds).
تقسيات الفئات (Class Partitions - CP): في كل طية، يتم استبعاد مجموعة فرعية من الفئات المعلمة من التدريب.
الآلية: تعمل الفئات المستبعدة كـ حقيقة أرضية لـ OOD أثناء الاختبار. هذا يحاكي سيناريو يواجه فيه النموذج فئات لم يراها من قبل، مما يسمح بتقييم صارم لقدرات اكتشاف OOD دون الحاجة لمجموعة بيانات منفصلة.
المقاييس:
- المستقلة عن العتبة: AUROC و AUPR، ويتم حسابهما من خلال معاملة الفئات المستبعدة كفئة سلبية/OOD والفئات المعلمة كفئة إيجابية.
- المعتمدة على العتبة: معدل الإيجاب الحقيقي (TPR) لفئات ID ومعدل الإيجاب الكاذب (FPR) لفئات OOD.

3. المساهمات الرئيسية

إطار عمل مبتكر: أول عمل يصيغ تقسيم الصور الطبية متعدد الفئات مع تعليقات توضيحية متفرقة وإيجابية فقط كمسألة تعلم PU لكل بكسل يتم حلها عبر تقنيات اكتشاف OOD.
بروتوكول التقييم: بروتوكول تحقق متقاطع ثنائي المستوى (تقسيم الموضوع + الفئة) الذي يلغي الحاجة إلى مجموعات بيانات OOD خارجية، مما يتيح تقييماً منهجياً لأداء الخلفية/OOD.
التكيف المنهجي: تقديم GODIN المكيّف للتقسيم باستخدام الطبقات التلافيفية للتعامل مع السياق المكاني، وإثبات أنه يمكن إعادة توظيف أدوات تصنيف OOD القياسية (ODIN، Mahalanobis) بفعالية لعمليات التقسيم.
الأداء: يحقق إطار العمل أداءً رائدًا (State-of-the-art) في اكتشاف OOD دون المساس بدقة التصنيف للفئات المعروفة (ID).

4. النتائج التجريبية

تم التحقق من صحة إطار العمل على ثلاث مجموعات بيانات:

Heiporspectral: تصوير طيفي فائق (HSI) لأعضاء الخنازير (20 فئة).
ODSI-DB: تصوير طيفي فائق (HSI) لأنسجة الأسنان البشرية (9 فئات).
DSAD: صور جراحية ليزرية (Laparoscopic) بنظام RGB (11 فئة).

النتائج الرئيسية:

الأفضل أداءً: حققت طريقة ODIN (باستخدام قياس درجة الحرارة) باستمرار أفضل درجات AUROC و AUPR عبر جميع مجموعات البيانات. وهذا يسلط الض الضوء على أهمية درجات الثقة جيدة المعايرة لاكتشاف OOD.
اكتشاف OOD: نجح إطار العمل في تحديد بكسلات OOD (الفئات المستبعدة) بدقة عالية (على سبيل المثال، AUROC يصل إلى 0.96 في Heiporspectral باستخدام ODIN)، متفوقاً بشكل كبير على النموذج الأساسي.
الحفاظ على ID: لم يؤدِ تطبيق عتبة OOD ( $\tau_m$ ) إلى تدهور دقة التصنيف للفئات المعروفة (ID) مقارنة بالنموذج الأساسي بدون عتبة ( $\tau=0$ ).
التحليل النوعي: أكدت التصورات المرئية أن النموذج يثبط التنبؤات بفعالية في المناطق غير المعلمة والفئات المستبعدة، بينما غالباً ما تجبر النماذج الأساسية هذه البكسلات على الانتماء لفئات معروفة خاطئة.

5. الأهمية والأثر

السلامة السريرية: من خلال تمكين الاكتشاف الموثوق للأنسجة المجهولة أو الشاذة دون الحاجة إلى تعليقات توضيحية كثيفة للخلفية، يعزز OOD-SEG سلامة ومتانة أنظمة المساعدة الجراحية المؤتمتة.
كفاءة التوسيم (Annotation Efficiency): يثبت جدوى تدريب نماذج تقسيم قوية باستخدام تعليقات إيجابية فقط ومتفرقة، مما يقلل بشكل كبير من العبء على الخبراء السريريين.
المعيارية (Benchmarking): يوفر بروتوكول التقييم المقترح معياراً قابلاً للتوسع والتكرار للبحوث المستقبلية في تقسيم الصور الطبية، وتحديداً لتعلم PU واكتشاف OOD، مما يزيل الاعتماد على مجموعات بيانات OOD الخارجية التي يصعب الحصول عليها.

القيود: لا يستخدم إطار العمل الحالي البيانات غير المعلمة أثناء التدريب (فقط التعليقات الإيجابية)، كما أنه لا يستخدم الاضطرابات العدائية (Adversarial perturbations) (بسبب التكلفة الحسابية والفوائد الطفيفة الملحوظة). يهدف العمل المستقبلي إلى معالجة المقايضة بين دقة ID وحساسية اكتشاف OOD.