Hybrid Multi-Dimensional MRI Prostate Cancer Detection via Hadamard Network-Based Bias Correction and Residual Networks

إليك ملخص تقني مفصل لورقة البحث بعنوان: "كشف سرطان البروستاتا عبر التصوير بالرنين المغناطيسي الهجين متعدد الأبعاد باستخدام شبكة هادامارد لتصحيح الانحياز والشبكات المتبقية."

1. بيان المشكلة

يعد سرطان البروستاتا (PCa) سبباً رئيسياً للوفيات المرتبطة بالسرطان لدى الرجال. وبينما يوفر التصوير بالرنين المغناطيسي الهجين متعدد الأبعاد (HM-MRI) تبايناً فائقاً في الأنسجة الرخوة وتوصيفاً كمياً للأنسجة (نمذجة السدى، والظهارة، والتجويف)، فإن فائدته السريرية تعوقها عدة عوامل:

• عدم تجانس مجال الانحياز (Bias Field Inhomogeneities): وهي تغيرات في شدة التردد المنخفض عبر تسلسلات الرنين المغناطغي، مما يؤدي إلى تشويه مظهر الأنسجة.
• تباين الإشارة: عدم الاتساق بين عمليات الاستحواذ المختلفة للرنين المغناطيسي.
• القدرة المحدودة على التعميم: غالباً ما تعاني الشبكات العصبية التلافيفية (CNNs) القياسية من عدم الاتساق بين الشرائح، وقد تعتمد على إشارات شدة زائفة بدلاً من السمات المرضية الحقيقية.
• ندرة البيانات: الحاجة إلى طرق كشف آلية قوية لا تعتمد على مجموعات بيانات ضخمة مشروحة يدوياً.

يهدف المؤلفون إلى تطوير إطار عمل ذكاء اصطناعي قوي وآلي يقوم صراحةً بتصحيح عدم تجانس الشدة قبل إجراء تصنيف السرطان، مما يحسن الموثوقية التشخيصية.

2. المنهجية: HBR-Net-18

يقترح المؤلفون HBR-Net-18، وهو إطار عمل ذكاء اصطناعي معياري يتكون من مرحلتين، مصمم لفصل تصحيح الانحياز عن تصنيف السرطان.

بيانات المدخلات

يستخدم النظام ست خرائط مؤشرات حيوية كمية للأنسجة تم إنشاؤها بواسطة مشفر تلقائي مستوحى من الفيزياء (PIA) من بيانات HM-MRI:

1. الحجم الظهاري ($v_{ep}$)
2. كسر الماء التجويفي ($v_{lu}$)
3. انتشار الظهارة ($d_{ep}$)
4. انتشار السدى ($d_{st}$)
5. زمن استرخاء T2 للظهارة ($t_{2ep}$)
6. زمن استرخاء T2 للسدى ($t_{2st}$)

المرحلة الأولى: تصحيح المؤشرات الحيوية المدركة للانحياز (Hadamard U-Net)

• الهدف: كبح عدم تجانس شدة التردد المنخفض (مجالات الانحياز) والضجيج مع الحفاظ على البنى المكانية ذات الصلة تشخيصياً.
• البنية: شبكة Hadamard U-Net احتمالية.
• الآلية:
  • تستخدم تحويل Walsh–Hadamard (WHT)، وهو تحويل خطي متعامد يقوم بتفكيك الإشارات إلى دالات ذات قيم ثنائية.
  • تستبدل عمليات الضرب القياسية بعمليات جمع قائمة على الإشارة في نطاق التحويل، مما يسمح بحسابات موفرة للطاقة.
  • يتم تدريب الشبكة لربط خرائط المؤشرات الحيوية الخام ($X$) بالخرائط المصححة من الانحياز ($\hat{X}$) عن طريق تقليل متوسط مربع الخطأ (MSE) مقابل الخرائط المرجعية الناتجة عن خوارزمية N4ITK.
• القيد الرئيسي: بمجرد تدريب هذه المرحلة، يتم تجميد المعلمات ($\theta$). هذا يفرض فصلاً صارماً بين تطبيع الانحياز واتخاذ قرار السرطان، مما يمنع المصنف من "الغش" عبر تعلم آثار شدة الاستحواذ الخاصة بالجهاز.

المرحلة الثانية: تصنيف السرطان على مستوى الرقعة (ResNet-18)

• تجهيز البيانات:
  • يتم حصر الخرائط المصححة في منطقة البروستاتا (باستخدام أقنعة الخبراء).
  • يتم تقسيم الحجم إلى رقع (patches) متداخلة بحجم 11 × 11 مع خطوة حركة (stride) قدرها 2.
  • السياق ثلاثي الأبعاد: لتحسين الاتساق المكاني، يتم تعزيز كل شريحة مستهدفة ($N$) بالشرائح المجاورة ($N-1, N, N+1$)، مما يخلق تنسور (tensor) بحجم $3 \times 6 \times 11 \times 11$.
• البنية:
  • وحدة رفع العينات (Upsampling Module): يقوم إسقاط تلافي (convolutional projection) قابل للتعلم بتوسيع أبعاد الرقعة إلى $64 \times 32 \times 32$.
  • المصنف: تقوم شبكة ResNet-18 بمعالجة الميزات المرفوعة لإنتاج احتمالية ($p_i \in [0,1]$) لوجود السرطان.
• التدريب: يتم تدريب المصنف بشكل كامل (end-to-end) باستخدام فقد التركيز (Focal Loss) لمعالجة عدم التوازن في الفئات بين الرقع السرطانية وغير السرطانية.

3. المساهمات الرئيسية

1. إطار عمل مرحلي منفصل: الفصل المبتكر بين تصحيح الانحياز (المرحلة 1) والتصنيف (المرحلة 2) يضمن أن النموذج يتعلم السمات الفسيولوجية القوية بدلاً من عيوب أجهزة الاستحواذ.
2. تصحيح الانحياز القائم على هادامارد: دمج تحويل Walsh–Hadamard في بنية U-Net يوفر طريقة فعالة وموفرة للطاقة لتصحيح عدم تجانس شدة التردد المنخفض في الرنين المغناطيسي الكمي.
3. الاتساق المكاني ثلاثي الأبعاد: من خلال دمج الشرائح المجاجة ($N \pm 1$) في معالجة الرقعة، يلتقط النموذج السياق بين الشرائح، مما يعالج قيود التحليل ثنائي الأبعاد البحت.
4. التكامل المستوحى من الفيزياء: يستفيد إطار العمل من المؤشرات الحيوية المشتقة من PIA، والتي توفر تفسيراً فسيولوجياً أعمق لبنية الأنسجة الدقيقة مقارنة بشدات الإشارة القياسية.

4. النتائج التجريبية

أجريت الدراسة على بيانات من 86 مريضاً (34 خالياً من السرطان، و52 مصاباً بالسرطان) باستخدام ماسح رنين مغناطيسي Philips 3T. تم استخدام استراتيجية التحقق المتقاطع خماسي الطيات (5-fold cross-validation).

الأداء على مستوى الرقعة (الجدول I)

تفوق HBR-Net-18 بشكل كبير على النماذج المرجعية:

• الدقة (Accuracy): 93.8% (مقابل 80.0% للراديوميكس، و62.5% لنموذج ResNet-18 الأساسي).
• الحساسية (Sensitivity): 94.4%
• النوعية (Specificity): 93.3%
• التحسن: حقق زيادة في الدقة قدرها 17.25% عن الراديوميكس و50.08% عن نموذج ResNet-18 القياسي المدرب على البيانات الخام.

الأداء على مستوى المريض (الجدول II)

• الدقة (Accuracy): 83.7%
• النوعية (Specificity): 78.5% (وهي ضرورية لتقليل الإيجابيات الكاذبة لدى المرضى الأصحاء).
• الحساسية (Sensitivity): 88.5%
• المقارنة: حسن النموذج الدقة بمتوسط 21% عن النماذج الأساسية وأظهر تحسناً هائلاً بنسبة 292.50% في النوعية عن الراديوميكس للمرضى الخالين من السرطان.

دراسة الاستئصال (Ablation Study) (الجدول III)

• إزالة المرحلة الأولى (تصحيح الانحياز) أدت إلى انخفاض الدقة إلى 89.1%، مما يثبت ضرورة تطبيع الشدة.
• إزالة السياق ثلاثي الأبعاد (2D فقط) أدت إلى انخفاض الدقة إلى 88.2%، مما يؤكد قيمة المعلومات بين الشرائح.
• وُجد أن حجم الرقعة 11 × 11 هو المقايضة المثلى بين التفاصيل المحلية والسياق.

5. الأهمية والخاتمة

تثبت الورقة أن HBR-Net-18 هو أداة فعالة للغاية للكشف الآلي عن سرطان البروستاتا. ومن خلال تصحيح مجالات الانحياز صراحةً قبل التصنيف والاستفادة من السياق المكاني ثلاثي الأبعاد، يحقق النموذج توازناً فائقاً بين الحساسية والنوعية مقارنة بالراديوميكس التقليدي وشبكات CNN القياسية.

الأثر السريري:

• تقليل الإيجابيات الكاذبة: النوعية العالية أمر بالغ الأهمية لتجنب الخزعات غير الضرورية في الحالات الحميدة.
• المتانة: يجعل الهيكل المنفصل النظام أكثر قوة تجاه اختلافات الاستحواذ، وهو عائق شائع في النشر السريري متعدد المراكز.
• العمل المستقبلي: يقر المؤلفون بوجود قيود تتعلق بصغر حجم مجموعة البيانات واستبعاد المحاكيات الحميدة (مثل BPH والالتهابات) من بيانات التدريب. تهدف الإصدارات المستقبلية إلى تضمين هذه الحالات لتعزيز دقة التحديد والقدرة على التعميم السريري.