RF-HiT: Rectified Flow Hierarchical Transformer for General Medical Image Segmentation

إليك ملخص تقني مفصل لورقة البحث بعنوان "RF-HiT: Rectified Flow Hierarchical Transformer for General Medical Image Segmentation" (محول هرمي للتدفق المصحح لتجزئة الصور الطبية العامة).

1. بيان المشكلة

تتطلب تجزئة الصور الطبية دقة على مستوى البكسل والقدرة على نمذجة التبعيات السياقية بعيدة المدى وتفاصيل الحدود الدقيقة. تواجه النهج الحالية مقايضات كبيرة:

• الشبكات العصبية الالتفافية (CNNs مثل U-Net): محدودة بمجالات استقبال محلية، مما يجعل من الصعب التقاط التبعيات المكانية العالمية.
• المحولات القياسية (Transformers مثل ViT): قادرة على الانتباه العالمي ولكنها تعاني من تعقيد حسابي تربيعي ($O(n^2)$)، وهو أمر يعيق معالجة الصور الطبية عالية الدقة.
• نماذج الانتشار (Diffusion Models): توفر قدرات توليدية وحساب تقدير عدم اليقين في أحدث مستويات الأداء، ولكنها تتطلب مئات خطوات الاستنتاج، مما يؤدي إلى تأخير (latency) باهظ يمنع النشر السريري في الوقت الفعلي.

يهدف المؤلفون إلى سد هذه الفجوة عبر إنشاء نموذج يحقق تعقيداً حسابياً خطياً، استنتاجاً سريعاً (خطوات قليلة)، ودقة عالية دون التضحية بالسياق العالمي أو دقة الحدود.

2. المنهجية: بنية RF-HiT

إطار العمل المقترح RF-HiT (المحول الهرمي للتدفق المصحح) هو إطار توليدي يدمج نموذج "الالتزام المصحح" (Rectified Flow) مع بنية "محول الساعة الرملية" (Hourglass Transformer) فعالة.

أ. الإطار الأساسي: التدفق المصحح (Rectified Flow)

بدلاً من العملية الأمامية/العكسية العشوائية لنماذج الانتشار الاحتمالية القياسية (DDPMs)، يستخدم RF-HiT التدفق المصحح.

• الآلية: يتعلم معادلة تفاضلية عادية (ODE) تنقل الضوضاء ($X_0$) إلى البيانات ($X_1$) عبر مسارات مستقيمة.
• الفائدة: يسمح هذا بتوليد عالي الجودة بعدد أقل بكثير من خطوات التجزئة (كما قلي من 3 إلى 15 خطوة) مقارنة بالمئات المطلوبة في نماذج الانتشار، مما يقلل وقت الاستنتاج بشكل كبير.

ب. العمود الفقង: محول الساعة الرملية الفعال (HDiT)

تم بناء شبكة السرعة ($v_\theta$) بناءً على بنية محول الساعة الرملية للانتشار (HDiT)، والمكيفة لتجزئة الصور الطبية:

• البنية الهرمية: تتبع تصميم المشفر-المفكك (Encoder-Decoder) بنمط U-Net مع عنق زجاجة (Bottleneck).
• آلية الانتباه:
  • المستويات عالية الدقة: تستخدم الانتباه الذاتي للجوار (Neighborhood Self-Attention) لالتقاط الميزات المحلية بتعقيد خطي ($O(n)$).
  • مستوى عنق الزجاجة: يستخدم الانتباه الذاتي العالمي (Global Self-Attention) لالتقاط السياق العالمي الشامل.
• الكفاءة: يتجنب هذا النهج الهجين التكلفة التربيعية للانتباه العالمي الكامل مع الحفاظ على قدرات الاستدلال العالمي.

ج. تصميم المسار المزدوج وتكييف الميزات

الجانب المبتكر في RF-HIt هو هيكل المسار المزدوج (Dual-Pathway):

1. نموذج التدفق الرئيسي (HFM): يعالج دمج خريطة التجزئة المشوشة مع الصورة الأصلية للتنبؤ بمجال السرعة.
2. مشفر الميزات الهرمي (HFE): مشفر منفصل يعالج الصورة الأصلية لاستخراج التمثيلات التشريحية متعددة المقاييس.
3. دمج الاستيفاء الخطي القابل للتعلم:
   • يتم دمج الميزات من HFE مع المستويات المقابلة من مشفر HFM.
   • بدلاً من الجمع البسيط، يستخدم النموذج معاملاً قياسياً قابلاً للتعلم ($\alpha_l$) للاستيفاء بين الميزات الرئيسية وميزات التكييف:
     $$\tilde{F}^{(l)} = (1 - \alpha_l)F^{(l)} + \alpha_l C^{(l)}$$
   • تقوم هذه الآلية بحقن الأولويات التشريحية متعددة المقاييس بشكل تكيفي في العملية التوليدية، مما يوجه التنبؤ بالسرعة لرسم حدود دقيقة.

3. المساهمات الرئيسية

1. بنية مبتكرة: تقديم RF-HiT، وهو أول إطار يجمع بين التدفق المصحح ومحول الساعة الرملية الهرمي لتجزئة الصور الطبية.
2. تكييف المسار المزدوج: تصميم خاص يتميز بـ مشفر ميزات هرمي (HFE) وآلية دمج استيفاء خطي قابل للتعلم. هذا يضخ السياق التشريحي بفعالية دون زيادة كبيرة في التكاليف الحسابية.
3. كفاءة قصوى: يحقق النموذج تعقيداً خطياً ويتطلب فقط 13.6 مليون معلمة و 10.14 GFLOPs.
4. استنتاج سريع: ينتج النموذج أقنعة تجزئة عالية الجودة في 3 خطوات أخذ عينات فقط، مما يجعله قابلاً للاستخدام في التطبيقات السريرية في الوقت الفعلي.

4. النتائج التجريبية

تم تقييم النموذج على معيارين تحديين: ACDC (رنين مغناطيسي للقلب) و BraTS 2021 (رنين مغناطيسي لأورام الدماغ).

أ. الأداء على ACDC (تجزئة القلب)

• متوسط درجة Dice: 91.27% (المركز الثاني إجمالاً، خلف نموذج nnFormer بفارق ضئيل عند 92.06%).
• الكفاءة: يحقق ذلك بـ 13.6 مليون معلمة مقارنة بـ 149.6 مليون معلمة لنموذج nnFormer.
• تفاصيل: حقق أداءً رائداً في عضلة القلب (Myocardium) بنسبة (89.74% DSC).

ب. الأداء على BraTS 2021 (أورام الدماغ)

• متوسط درجة Dice: 87.40% عبر المناطق الفرعية للورم (WT, TC, ET).
• المقارنة: رغم أنه أقل قليلاً في درجة Dice المطلقة من النماذج ثلاثية الأبعاد الضخمة مثل MedSegDiff-V2 (90.8%)، إلا أن RF-HiT يحقق ذلك بجزء بسيط من التكلفة الحسابية.
  • MedSegDiff-V2: 46 مليون معلمة، 983 GFLOPs.
  • RF-HiT: 13.6 مليون معلمة، 10.14 GFLOPs.
• سرعة الاستنتاج: يعمل في 3 خطوات، بينما تتطلب نماذج الانتشار المرجعية غالباً أكثر من 100 خطوة.

ج. دراسات الاستئصال (Ablation Studies)

• تأثير HFE: أدى حذف مشفر الميزات الهرمي إلى انخفاض متوسط Dice من 91.27% إلى 90.69%، مما يثبت قيمة التكييف التشريحي الصريح متعدد المقاييس.
• آلية الدمج: تفوق الاستيفاء الخطي القابل للتعلم المقترح على عملية جمع الميزات البسيطة (91.27% مقابل 91.09%)، مما يوضح أهمية الوزن التكيفي.

5. الأهمية والخاتمة

يمثل RF-HiT تقدماً كبيراً في التعلم العميق الفعال للصور الطبية.

• القابلية للتطبيق السريري: من خلال تقليل وقت الاستنتاج إلى خطوات قليلة وخفض المتطلبات الحسابية، فإنه يعالج العقبة الرئيسية التي تمنع نشر النماذج التوليدية في سير العمل السريري في الوقت الفعلي.
• تحول النموذج: يثبت أن التدفق المصحح (Rectified Flow) هو بديل متفوق لنماذج الانتشار القياسية لمهام التجزئة، حيث يوفر جودة مماثلة مع مكاسب هائلة في السرعة.
• القابلية للتوسع: تثبت البنية أن الأداء العالي لا يتطلب أعداداً ضخمة من المعلمات؛ فالتصميم المدمج ذو التعقيد الخطي يمكن أن يتفوق على أو يضاهي البنيات الأثقل بكثير.

باختصار، يقدم RF-HiT أساساً قوياً وفعالاً حاسوبياً لتجزئة الصور الطبية الآلية، موازناً بين الحاجة إلى السياق العالمي، ودقة الحدود، والاستنتاج السريع.