CoRe: Joint Optimization with Contrastive Learning for Medical Image Registration

إليك ملخص تقني مفصل لورقة البحث بعنوان "CoRe: التحسين المشترك مع التعلم التبايني لتسجيل الصور الطبية".

1. تعريف المشكلة

يهدف تسجيل الصور الطبية إلى إنشاء ارتباطات تشريحية كثيفة بين الصور التي تم الحصول عليها في أوقات مختلفة، أو من موضوعات مختلفة، أو عبر وسائط (modalities) مختلفة. تواجه هذه العملية تحديين رئيسيين:

• تباين المظهر (Appearance Variability): تسبب الاختلافات في بروتوكولات الاستحواذ، وأجهزة الماسح الضوئي، والوسائط، اختلافات في الكثافة، مما يجعل المقارنات المباشرة بين البكسلات غير موثوقة.
• التشوهات غير الخطية (Nonlinear Deformations): تخضع الهياكل التشريحية لتشوهات معقدة وغير منتظمة نتيجة للتغيرات الطولية، أو التباين بين الأفراد، أو الأمراض، أو الجراحة.

غالبًا ما تعاني الطرق الحالية من صعوبة في الموازنة بين المتانة تجاه تغيرات المظهر والقدرة على نمذجة التشوهات المعقدة. تعتمد الطرق التقليدية على ميزات مصممة يدويًا أو المعلومات المتبادلة (Mutual Information) (وهي حساسة للضوضاء)، بينما تتطلب مناهج التعلم العميق غالبًا تسميات توضيحية (ground-truth) مكلفة أو مراحل تدريب مسبق منفصلة لا تواءم بشكل كامل تعلم الميزات مع مهمة التسجيل النهائية.

2. المنهجية: إطار عمل CoRe

يقترح المؤلفون إطار عمل CoRe (التعلم التبايني لتسجيل الصور الطبية - Contrastive learning for medical image Registration)، وهو إطار هجين مبتكر يدمج التعلم التبايني ذاتي الإشراف مباشرة في خط معالجة تسجيل الصور القابل للتشوه عبر التحسين المشترك.

البنية الأساسية

يتكون إطار العمل من ثلاثة مكونات رئيسية:

1. مستخرج الميزات ($G$): شبكة عصبية تلافيفية (CNN) تستخرج تمثيلات الميزات من الصور الثابتة ($I_f$) والمتحركة ($I_m$).
2. رأس الإسقاط ($P$): كتلة تلافيفية تقوم بإسقاط الميزات في فضاء التضمين (embedding space).
3. وحدة التحسين القابلة للتفاضل ($H$): وحدة تستنتج حقل الإزاحة ($u$) عن طريق حساب الارتباطات الميزية عبر نافذة بحث مجزأة، مع تقليل هدف مشترك يجمع بين النعومة وعدم تشابه الميزات.

استراتيجية التحسين المشترك

على عكس المناهج السابقة التي تقوم بتدريب مستخلصات الميزات بشكل منفصل أو تجميدها أثناء عملية التسجيل، يقوم CoRe بتحسين مستخلص الميزات $G$ في آن واحد باستخدام هدفين:

1. خسارة التسجيل ($L_{reg}$):

   • يستخدم مخطط تدريب ذاتي باستخدام التسميات الزائفة (pseudo-labels).
   • يقوم خط المعالجة بتوليد حقول الإزاحة، والتي يتم تحسينها عبر تحسين مثالي تكراري (الاتساق الأمامي-الخلفي والتحريف المزدوج - forward-backward consistency and double warping) لإنشاء تسميات زائفة دقيقة.
   • تقلل الخسارة من متوسط مربع الخطأ (MSE) بين حقل الإزاحة المتوقع والتسميات الزائفة المحسنة.

2. خسارة التباين المتكافئة (Equivariance Contrastive Loss - $L_c$):

   • الهدف: فرض أن تظل تضمينات الميزات لنفس الموقع التشريحي متسقة رغم التشوهات الهندسية.
   • الآلية: يطبق النموذج تحويلات هندسية أفينية عشوائية ($T_g$) على الصور المدخلة. ويفرض التكافؤ (equivariance) من خلال ضمان أن تمثيل الميزات للصورة المحولة $G(T_g(I))$ يتسق مع التمثيل المتميز للصورة الأصلية المحولة $T_g(G(I))$.
   • التنفيذ: يستخدم خسارة InfoNCE لزيادة التشابه بين الأزواج الإيجابية (الميزات من نفس الموقع التشريحي تحت رؤى هندسية مختلفة) وتقليل التشابه مع الأزواج السلبية.
   • التمييز الرئيسي: يركز البحث تحديدًا على التكافؤ الهندسي بدلاً من عدم التغير في الكثافة (intensity invariance)، بحجة أن المتانة الهندسية أكثر أهمية من متانة الكثافة لبيانات الأشعة المقطعية (CT) أحادية الوسيط.

دالة الخسارة الإجمالية:
$$L = L_{reg} + \alpha \cdot L_c$$
حيث توازن $\alpha$ بين أهداف التسجيل والتباين.

3. المساهمات الرئيسية

• التحسين المشترك الموحد: يعد CoRe أول نظام يدمج التعلم التبايني ذاتي الإشراف مباشرة في خط معالجة التسجيل، مما يلغي الحاجة إلى مراحل تدريب مسبق منفصلة أو بيانات متعددة الوسائط مقترنة.
• قيود التكافؤ: يضمن إدخال قيود التكافؤ الهندسي أن الميزات المتعلمة قوية تجاه التشوهات الهندسية، وهو مطلب حاسم لتسجيل دقيق.
  * إثبات التآزر: يوضح المؤلفون أن التحسين المتزامن لأهداف التباين والتسجيل يحقق نتائج متفوقة مقارنة بالتدريب باستخدام أي من الهدفين بمفردهما، مما يثبت أن تعلم التمثيل ومهام التسجيل علاقة تآزرية.
• أداء يضاهي أحدث المعايير (State-of-the-Art): يحقق الأسلوب أداءً رفيع المستوى في كل من مجموعات البيانات داخل المريض (الصدرية) وبين المرضى (البطنية) دون الحاجة إلى تسميات تقسيم يدوية للتدريب.

4. النتائج التجريبية

تم تقييم الطريقة على مجموعتي بيانات:

• AbdomenCT: تسجيل بين المرضى (30 مسحًا، 13 هيكلًا تشريحيًا).
• RadChestCT: تسجيل طولي داخل المريض (3ين زوجًا، 22 هيكلًا تشريحيًا).

النتائج الكمية:

• معامل تشابه Dice (DSC): حقق CoRe أعلى درجات DSC في كلتا المجموعتين.
  • AbdomenCT: 52.1% (مقابل 51.1% لـ RegCyc و 49.2% لـ SAMConvex).
  • RadChestCT: 89.4% (مقابل 88.5% لـ DEEDs و 88.1% لـ SAMConvex).
• الدلالة الإحصائية: تم تأكيد التحسينات عبر اختبارات Wilcoxon signed-rank ($p < 0.0001$).
• النعومة: ظل الانحراف المعياري لمحدد لوغاريتم اليعقوبي (SDLogJ)، وهو مقياس لمعقولية حقل التشوه، منخفضًا ومماثلاً للطرق الهجينة الأخرى، مما يشير إلى تحويلات منطقية فيزيائيًا.
• دراسات الاستئصال (Ablation Studies):
  • تفوق التحسين المشترك على التدريب المنفصل لخسائر التباين والتسجيل.
  • التكافؤ الهندسي مقابل عدم تغير الكثافة: من المثير للاهتمام أن إضافة تعزيزات الكثافة غير الخطية (الشائعة في التعلم التبايني) لم يحسن الأداء في مجموعات بيانات CT أحادية الوسيط بل أدى أحيانًا إلى تدهوره. يفترض المؤلفون أن كثافات الأشعة المقطعية القياسية تحد من فائدة تعزيزات الكثافة، بينما يعد التكافؤ الهندسي هو العامل المهيمن على المتانة.

5. الأهمية والخاتمة

يمثل إطار عمل CoRe تقدمًا كبيرًا في تسجيل الصور الطبية من خلال سد الفجوة بين تعلم التمثيل ذاتي الإشراف والتسجيل القائم على التحسين الكلاسيكي.

• الكفاءة: يزيل الاعتماد على البيانات التدريبية المقترنة يدويًا المكلفة أو مراحل التدريب المسبق المنفصلة.
• المتانة: من خلال تدريب مستخلص الميزات صراحةً ليكون متكافئًا مع التشوهات الهندسية، يتعلم النموذج ميزات تشريحية مستقرة بطبيعتها تحت تأثير انزياحات الأنسجة المعقدة الموجودة في السيناريوهات السريرية.
• القدرة على التعميم: النهج فعال في كل من الإعدادات الصعبة بين المرضى (البطنية) وداخل المريض (الصدرية)، متفوقًا على طرق التعلم العميق الصرفة والطرق الهجينة الحالية.

تخلص الدراسة إلى أن دمج التعلم التبايني مباشرة في هدف التسجيل يخلق تآزرًا قويًا، مما يسمح باستخراج ميزات كثيفة وذات معنى دلالي تقود إلى محاذاة صور أكثر دقة ومتانة.