Contactless estimation of continuum displacement and mechanical compressibility from image series using a deep learning based framework
تقدم هذه الورقة إطار عمل فعال للتعلم العميق من طرف إلى طرف يتفوق على الطرق التكرارية التقليدية من خلال التقدير المباشر لإزاحة المتصلة وانضغاطية المادة من سلاسل الصور، مستفيداً من السمات المعرفية عالية الرتبة للحفاظ على دقة عالية حتى في ظل وجود انحرافات في التعيين المحلي.
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
تخيل أنك تشاهد مقطع فيديو لوعاء من "الجيلي" وهو يتذبذب، أو قطعة من الفاكهة الطرية وهي تُعصر. بمجرد النظر إلى الفيديو، هل يمكنك معرفة مدى "ليونة" أو "مرونة" ذلك الجسم بدقة؟
عادةً، لقياس كيفية سلوك مادة ما، ستحتاج إلى وخزها بمستشعرات أو استخدام آلات باهظة الثمن ومعقدة. تصف هذه الورقة البحثية طريقة جديدة للقيام بذلك باستخدام صور الكاميرا والذكاء الاصطناعي فقط.
إليك تفصيل لكيفية قيامهم بذلك، باستخدام بعض التشبيهات من الحياة اليومية.
١. المشكلة: معضلة "الوكز"
في العلوم والطب، غالبًا ما نريد معرفة الخصائص الميكانيكية لشيء دقيق — مثل خلية حية أو عضو بشري. إذا حاولت غرس مسبار فيزيائي داخل خلية لمعرفة مدى صلابتها، فقد تقتلها.
لقد حاول العلماء استخدام الرياضيات لـ "تخمين" هذه الخصائص من الصور، لكن الرياضيات متطلبة للغاية. الأمر يشبه محاولة حساب المنحدر الدقيق لجبل من خلال النظر إلى صورة ضبابية؛ إذا كانت الصورة غير دقيقة ولو قليلاً، فإن حساباتك ستخرج عن السيطال تماماً.
٢. الطريقة القديمة: نهج "الرياضيات الهشة"
تستخدم الطريقة التقليدية مجموعة من المعادلات الفيزيائية (تسمى معادلات لاميه-نافييه). فكر في هذا كأنه ميزان عالي الدقة. إذا وضعت حبة رمل عليه، فسيعمل بشكل مثالي. ولكن إذا كان هناك حتى قدر ضئيل من الرياح أو ذرة غبار (والذي يمثل في التصوير "الضجيج" أو الضبابية)، سيعطيك الميزان قراءة خاطئة تماماً.
وجد الباحثون أنهم عندما استخدموا هذه المعادلات التقليدية على صور التقطتها الكاميرا، كانت النتائج سيئة لأن صور الكاميرا ليست "مثالية" أبداً.
٣. الطريقة الجديدة: "العين الخبيرة" (التعلم العميق)
بدلاً من الاعتماد على معادلات جامدة وهشة، قام الباحثون بتدريب ذكاء اصطناعي (شبكة عصبية عميقة) ليصبح مراقباً خبيراً.
تخيل أنك تدرب شخصاً على تمييز أنواع مختلفة من العجين. أنت لا تعلمه التركيب الجزيئي الكيميائي للجلوتين؛ بدلاً من ذلك، تريه آلاف الفيديوهات لعجين يتم عجنه. في النهاية، لن يحتاج إلى مختبر؛ بل يمكنه فقط النظر إلى الطريقة التي يتموج بها العجين ويقول: "هذا عجين مخمر، إنه مطاطي"، أو "هذا عجين بسكويت، إنه متفتت".
يفعل الذكاء الاصطناعي الشيء نفسه تماماً. فهو ينظر إلى "الإزاحة" (مقدار تحرك البكسلات من النقطة أ إلى النقطة ب) ويتعلم التعرف على "طابع" أو "روح" المادة.
٤. السر المكنون: "الدوامات المجدفية"
الجزء الأكثر إثارة للاهتمام في الورقة البحثية هو كيف يعرف الذكاء الاصطناعي ما الذي ينظر إليه. استخدم الباحثون أداة تسمى Grad-CAM، وهي تشبه الأشعة السينية لدماغ الذكاء الاصطناعي. فهي توضح لنا الأجزاء التي ينظر إليها الذكاء الاصطناعي بالفعل عندما يتخذ قراراً.
اكتشفوا أن الذكاء الاصطناعي لم يكن ينظر فقط إلى الحركة البسيطة. بل كان يبحث عن الدوامات (vortices) — وهي أنما تدوير صغيرة في الحركة، تشبه الدوامات الصغيرة التي تراها في النهر أو الطريقة التي يلتف بها الحليب عند صبه في القهوة.
عندما تكون المادة "غير قابلة للانضغاط" (بمعنى أنها لا تتقلص في الحجم عند عصرها، مثل الماء)، فإنها تخلق هذه الأنماط الدوارة المحددة. لقد أصبح الذكاء الاصطناعي بارعاً في رصد هذه "الدوامات المجدفية"، مما سمح له بتحديد خصائص المادة حتى عندما كانت الصورة ضبابية أو "مشوشة".
ملخص: لماذا يهم هذا؟
من خلال الانتقال من "الرياضيات الجامدة" إلى "التعرف على الأنماط"، ابتكر الباحثون نظاماً يتميز بـ:
- عدم التلامس: لا يتعين عليك لمس الجسم.
- السرعة: يمكنه معالجة البيانات بشكل أسرع بكثير من المحاكاة التقليدية.
- القوة والمتانة: لا يضطرب إذا لم تكن الصورة مثالية.
في المستقبل، قد يعني هذا قدرة الأطباء على تقييم صلابة الورم بمجرد النظر إلى فيديو الموجات فوق الصوتية، أو قدرة المهندسين على اختبار مواد جديدة بمجرد تصويرها وهي تتحرك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.