Adapting Foundation Models for Annotation-Efficient Adnexal Mass Segmentation in Cine Images

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تكييف النماذج التأسيسية لتقسيم كتل المبيض في الصور السينمائية بكفاءة عالية في التوسيم".

1. بيان المشكلة

يعد تقييم كتل المبيض (الآفات المبيضية) عبر الموجات فوق الصوتية مهمة سريرية بالغة الأهمية ولكنها صعبة. إن التمييز الدقيق بين الآفات الحميدة والخبيثة أمر حيوي لنتائج المرضى، ومع ذلك تعتمد سير العمل الحالية بشكل كبير على التفسير الذاتي للمشغل، مما يؤدي إلى تباين كبير بين المراقبين.

• التحديات: تعاني صور الموجات فوق الصوتية من ضوضاء النمش (speckle noise)، والظلال الصوتية، وانخفاض التباين، مما يجعل تحديد الحدود أمراً صعباً.
• ندرة البيانات: تعتمد طرق التقسيم الآلية التقليدية (مثل متغيرات U-Net) على التعلم الخاضع للإشراف الكامل، وهو ما يتطلب كميات هائلة من التوسيمات عالية الجودة على مستوى البكسل. هذه التوسيمات تستغرق وقتاً طويلاً لإنتاجها، وغالباً ما تكون غير كافية للتعامل مع تغير النطاق (domain shifts) أو ندرة البيانات في البيئات السريرية.
• الهدف: تطوير إطار عمل للتقسيم يحقق دقة تضاهي أحدث ما توصل إليه العلم (state-of-the-art) مع كونه عالي الكفاءة من حيث متطلبات التوسيم (كفاءة التوسيم).

2. المنهجية

يقترح المؤلفون إطار عمل للتقسيم عالي الكفاءة في التوسيم يستفيد من الأولويات الدلالية القوية لنموذج تأسيسي ذاتي الإشراف مدمج مع وحدة فك تشفير للتنبؤ الكثيف.

البنية الهيكلية

• العمود الفقري (المُشفّر - Encoder): يستخدم النموذج عموداً فقرياً من نوع DINOv3 (المتعدد التقطير ذاتياً - Self-Distilled Vision Transformer) وهو نموذج مجمد (frozen).
  • تم تدريب DINOv3 مسبقاً على مجموعات بيانات صور طبيعية ضخمة، مما يوفر تمثيلات دلالية قوية.
  • نظرًا لأن DINOv3 يتوقع مدخلات RGB مكونة من 3 قنوات، يتم تحويل إطارات السينما الرمادية للموجات فوق الصوتية إلى صور RGB وهمية عبر تكرار القنوات.
  • يستخرج المُشفّر خرائط ميزات هرمية ($F_0, F_1, F_2, F_3$) عند مستويات مختلفة، مع استبعاد توكنات التصنيف للتركيز على التحديد المكاني.
• فك التشفير (Decoder): يتم استخدام وحدة فك تشفير بأسلوب Dense Prediction Transformer (DPT).
  • يقوم بإعادة تجميع الميزات متعددة المقاييس من المُشفّر بشكل هرمي.
  • تتضمن العملية إعادة أخذ العينات (resampling) للميزات إلى مساحة تضمين مشتركة، وإعادة التجميع (reassembly) عبر كتل دمج متبقية (دمج السياق الدلالي الخشن مع التفاصيل المكانية الدقيقة)، ورأس تنبؤ نهائي يخرج قناع تقسيم ثنائي.
• استراتيجية التدريب:
  • يتم تجميد العمود الفقري DINOv3 أثناء التدريب للحفاظ على المعرفة المسبقة وتقليل التكلفة الحسابية.
  • يتم تدريب فك التشفير ورأس التنبؤ فقط بطريقة خاضعة للإشراف الكامل باستخدام مزيج من التقاطع الثنائي عبر الإنتروبيا (BCE) وفقدان Dice (Dice Loss) لمعالجة عدم توازن الفئات وغموض الحدود.

3. المساهمات الرئيسية

1. تكييف بنية مبتكرة: أول تطبيق لعمود فقري DINOv3 مجمد مع فك تشفير بأسلوب DPT خصيصاً لتقسيم كتل المبيض في صور السينما بالموجات فوق الصوتية.
2. التقييم الشامل: إجراء تقييم صارم مقابل نماذج الشبكات العصبية التلافيفية (CNN) المرجعية (U-Net, U-Net++, DeepLabV3, MAnet) باستخدام تقسيمات على مستوى المريض لمنع تسرب البيانات.
3. تحليل الكفاءة: إجراء تحقيق منهجي في:
   • حجم العمود الفقري: كيف يؤثر حجم النموذج (Small vs. Base vs. Large) على الأداء.
     _ _تجويع البيانات (Data Starvation): الحفاظ على الأداء عند تقليل بيانات التدريب بشكل جذري.
   • تأثيرات الدقة (Resolution Effects): تأثير دقة صورة المدخلات على كفاءة التعلم.

4. النتائج التجريبية

تم تقييم النموذج على مجموعة بيانات سريرية مكونة من 7,777 إطاراً موسوماً من 112 مريضاً.

الأداء الكمي (بدقة 224×224)

تفوق الطريقة المقترحة القائمة على DINOv3 على جميع النماذج المرجعية من نوع CNN:

• درجة Dice: بلغت 0.945 (مقابل 0.939 لأفضل نموذج مرجعي، U-Net).
• دقة الحدود: قللت المسافة الهوسدورف في المئوية 95 (HD95) بنسبة 11.4% مقارنة بـ U-Net++.
• متوسط مسافة السطح (MSD): انخفضت بنسبة 14.1% مقارنة بـ U-Net.
• الحساسية (Sensitivity): تحسنت بنسبة تقارب 1.4%.

نتائج تحليل الكفاءة

• تجويع البيانات (مؤشر الاحتفاظ):
  • عند التدريب على 25% فقط من البيانات، احتفظت النماذج القائمة على DINOv3 بنحو 96% من أداء البيانات الكاملة (مؤشر الاحتفاظ $\approx$ 0.96).
  • في المقابل، انخفضت النماذج المرجعية من نوع CNN (مثل U-Net، إلخ) إلى نسبة احتفاظ تترا-واح 80-90%، حيث واجهت صعوبة كبيرة مع البيانات المحدودة.
• تشبع حجم العمود الفقري:
  • أدى التوسع من DINOv3-Small إلى Base إلى مكاسب هامشية.
  • أدى التوسع إلى DINOv3-Large إلى تدهور في الأداء (فرط التخصيص/Overfitting)، مما يشير إلى أنه بالنسبة لهذه المهمة الطبية المحددة، فإن السعة الزائدة تضخم الضوضاء بدلاً من تحسين التعميم. تمثل متغيرات "Base" أو "Small" جبهة باريتو المثلى (Pareto-optimal frontier).
• تأثيرات الدقة:
  • على عكس المتوقع، أدت زيادة دقة المدخلات من 224×224 إلى 512×512 إلى تدهور الأداء.
  • يعزو المؤلفون ذلك إلى مشهد تحسين "أكثر تسطحاً" حيث تصبح إشارات التدرج للعمود الفقري المجمد أقل إفادة عند الدقات الأعلى، مما يعيق التقارب.

5. الأهمية والخاتمة

• كفاءة التوسيم: تثبت الدراسة أن الاستفادة من النماذج التأسيسية ذاتية الإشراف واسعة النطاق تسمح بتقسيم عالي الأداء باستخدام عدد أقل بكثير من الأمثلة الموسومة. وهذا أمر بالغ الأهمية في المجالات الطبية حيث يكون التوسيم من قبل الخبراء نادراً ومكلفاً.
• المتانة: يعمل إطار العمل كمنظم هيكلي قوي، مما يعمل على استقرار التعلم ضد الضوضاء المتأصلة (النمش، الظلال) وغموض الحدود في تصوير الموجات فوق الصوتية.
• الآثار العملية: تشير النتائج إلى أنه بالنسبة للمهام الطبية الحساسة للحدود، فإن النماذج ذات الأحجام المتوسطة والمبنية على الـ Transformers المقطرة توفر مقايضة متفوقة بين الدقة والمتانة والكفاءة الحسابية مقارنة بكل من نماذج الـ Foundation الضخمة أو نماذج CNN التقليدية.
• الآفاق المستقبلية: بينما تبدو النتائج واعدة، يشير المؤلفون إلى الحاجة إلى التحقق من صحة النموذج في مراكز متعددة لتأكيد القدرة على التعميم عبر المواقع المختلفة، وإجراء المزيد من التقييم للأثر المترتب على تصنيف مخاطر الخباثة.

المستودع (Repository): الكود متاح على github.com/FrancescaFati/MESA.