💻 computer science

Polygon-mamba: Retinal vessel segmentation using polygon scanning mamba and space-frequency collaborative attention

تقترح الورقة البحثية Polygon-mamba، وهي شبكة هجينة تجمع بين الـ CNN والـ Mamba تدمج نموذج فضاء حالة بصري يعتمد على المسح المضلعي وآلية انتباه تعاونية مكانية-ترددية للحفاظ بفعالية على السلامة الطوبولوجية وتعزيز استخراج الميزات من أجل تقسيم دقيق للأوعية الدموية الشبكية الصغيرة عبر مجموعات بيانات متعددة.

المؤلفون الأصليون: Yuanyuan Peng, Wen Li

نُشر 2026-05-28

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yuanyuan Peng, Wen Li

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 تحاول تتبع نظام نهري دقيق ومتعرج على خريطة، لكن الحبر باهت، والورق مجعد، والنهر ينقسم إلى جداول صغيرة تكاد تكون غير مرئية. هذا هو بالضبط ما يواجهه الأطباء عند محاولة رسم خريطة للأوعية الدموية في الجزء الخلفي من العين (الشبكية). هذه الأوعية حيوية لتشخيص أمراض العين، لكن تتبعها صعب للغاية لأنها رفيعة، وملتوية، وغالبًا ما تندمج مع الخلفية.

تقدم هذه الورقة برنامجًا حاسوبيًا جديدًا يسمى Polygon-mamba صُمم لحل مشكلة التتبع هذه تلقائيًا. إليك كيف يعمل، مقسمًا إلى مفاهيم بسيطة:

١. المشكلة في الخرائط القديمة (مشكلة "الشبكة")

حاولت البرامج الحاسوبية السابقة تتبع هذه الأوعية عن طريق مسح الصورة مثل آلة قص العشب: بالتحرك بدقة من اليسار إلى اليمين، ثم من اليمين إلى اليسار، ثم للأعلى والأسفل.

التشبيه: تخيل أنك تحاول تتبع نهر منحني باستخدام مسطرة فقط يمكنها التحرك في خطوط أفقية أو رأسية مستقيمة. ستفقد المنحنيات، وتجزئ النهر إلى قطع غير متصلة، وتفشل في رؤية الروافد الصغيرة.
النتيجة: غالبًا ما أدت الطرق القديمة إلى كسر استمرارية الأوعية أو تفويت أصغرها تمامًا.

٢. الاستراتيجية الجديدة: "المسح المضلعي" (نهج "شبكة العنكبوت")

ابتكر المؤلفون طريقة جديدة لمسح الصورة تسمى المسح المضلعي (Polygon Scanning). فبدلاً من الشبكة الجامدة، يقوم البرنامج بمسح الصورة في أشكال متوسعة، مثل عنكبوت يغزل شبكة أو تموجات تنتشر من حجر أُلقي في الماء.

التشبيه: بدلاً من المشي في شبكة، تخيل أنك تقف في وسط غرفة وتمشي نحو الخارج في دائرة، ثم شكل سداسي، ثم شكل ثماني الأضلاع. أنت تغطي كل الزوايا والمنحنيات بشكل طبيعي.
الفائدة: يتبع أسلوب "Polygon Mamba" هذا الشكل الطبيعي والمتعرج للأوعية الدموية. فهو يحافظ على اتصال "النهر" ويضمن اكتشاف حتى أصغر الفروع وأكثرها هشاشة دون كسر الخط.

٣. الرؤية "بِعينين" (المكان والتردد)

تجادل الورقة بأن النظر إلى صورة بطريقة واحدة فقط ليس كافيًا. يستخدم النموذج الجديد آلية "انتباه تعاوني بين المكان والتردد" (Space-Frequency Collaborative Attention)، وهي تشبه امتلاك زوجين مختلفين من النظارات للنظر إلى نفس الصورة.

نظارات المكان (Spatial): تركز على أين توجد الأشياء وما هو شكلها (بنية الوعاء).
نظارات التردد (Frequency): تركز على التفاصيل و"الملمس" (الحواف الحادة والخطوط الدقيقة).
التعاون: يدمج النموذج بين هذين المنظورين. فهو يستخدم المنظور "المكاني" لفهم الصورة الكبيرة، ومنظور "التردد" لشحذ الحواف الضبابية والتقاط أدق التفاصيل. هذا يمنع الحاسوب من الارتباك بسبب ضوضاء الخلفية أو الفوضى.

٤. النتائج: خريطة أفضل

اختبر الباحثون "Polygon-mamba" الجديد على ثلاث مجموعات بيانات قياسية (مجموعات من صور الشبكية) والتي تعد بمثابة "الاختبارات القياسية" في هذا المجال.

النتيجة: مقارنة بالنماذج الحاسوبية الرائدة الأخرى، كان أسلوبهم الجديد أفضل في العثً على الأوعية الصغيرة والصعبة. لقد أنتج خرائط تبدو أقرب بكثير لما قد يرسمه خبير بشري يدويًا.
الأرقام: حقق درجات أعلى في الدقة والحساسية (إيجاد الأوعية الموجودة بالفعل) عبر جميع الاختبارات الثلاثة.

ملخص

باخت-القول، بنى المؤلفون "متتبعًا رقميًا" أكثر ذكاءً للأوعية الدموية في العين. فبدلاً من استخدام ماسح ضوئي جامد يشبه الشبكة يكسر الخطوط الدقيقة، استخدموا ماسحًا مرنًا يتغير شكله (المسح المضلعي) ليتبع منحنيات الأوعية. كما منحوا الحاسوب نظام "رؤية مزدوجة" ليرى كلًا من الصورة الكبيرة والتفاصيل الدقيقة في وقت واحد. والنتيجة هي خريطة أكثر دقة واكتمالًا للأوعية الدموية في العين، مما يمثل خطوة هامة للأمام في مساعدة الحواسيب على مساعدة الأطباء في تشخيص أمراض العين.

ملخص تقني: Polygon-mamba لتجزئة الأوعية الدموية في الشبكية

بيان المشكلة

تعد تجزئة الأوعية الدموية في الشبكية مهمة حاسمة لتشخيص وتقييم أمراض العين. ومع ذلك، لا تزال عملية التجزئة الدقيقة للأوعية الصغيرة في الشبكية تشكل تحديًا كبيرًا بسبب عدة عوامل:

التباين المنخفض: التباين الضعيف بين الأوعية ومحيطها يجعل التمييز بينهما صعبًا.
التعقيد الطوبولوجي: تظهر الأوعية أنماطًا متشابكة ومعقدة مع تغيرات كبيرة في المقياس.
قصور النماذج الحالية:
- الشبكات العصبية الالتفافية (CNNs): بينما هي بارعة في التقاط التفاصيل المحلية، إلا أنها غالبًا ما تعاني في التقاط الاعتمادات طويلة المدى.
- المحولات (Transformers): فعالة في استخلاص الدلالات العالمية، لكنها مكلفة حوسبيًا.
- النماذج القائمة على Mamba: رغم توفيرها لتعقيد زمني خطي للاعتمادات طويلة المدى، إلا أن بنيات Mamba التقليدية التي تعتمد على المسح الأفقي والعمودي قد تخل بالسلامة الطوبولوجية للهياكل التشريحية. يؤدي هذا غالبًا إلى انقطاعات محلية وفقدان في الكشف عن الشعيرات الدموية الدقيقة والنحيفة.
- آليات الانتباه (Attention Mechanisms): تعتمد العديد من الطرق الحالية حصريًا على الانتباه المكاني، مما قد يؤدي إلى إغفال المعلومات الحرجة في نطاق التردد الضرورية لالتقاط التفاصيل الدقيقة والارتباطات العالمية.

المنهجية

يقترح المؤلفون نموذج Polygon-mamba، وهو شبكة هجينة تجمع بين CNN وMamba مصممة لمعالجة التحديات المحددة المتعلقة بكشف الأوعية الصغيرة. تدمج البنية مبتكرين جديدين ضمن إطار عمل UNet:

1. نموذج حالة الفضاء البصري بمسح مضلع (PS-VSS)

للتغلب على التجزؤ الطوبولوجي الناتج عن المسح الأفقي/العمودي القياسي في نماذج Mamba، قدم المؤلفون استراتيجية المسح المضلع (Polygon Scanning) ضمن نموذج الحالة الفضائية البصرية (SS2D).

الآلية: بدلاً من المسحات الخطية، يبدأ النموذج من نقطة مركزية ويتوسع للخارج عبر مسارات مضلعة (مثل الخماسي أو السداسي).
المسح العكسي متعدد الطبقات: يتناوب اتجاه المسح بين الطبقات (على سبيل المثال، الطبقة $M$ مقابل الطبقة $M+1$ )، مما يخلق تأثير مسح عكسي يغطي خريطة الميزات بشكل منهجي.
الهدف: تعمل هذه الطريقة على الحفاظ على اتصال مستوى البكسل وتنمذجة الميزات الطوبولوجية المنحنية والمتفرعة والنحيفة للأوعية الدموية بشكل أفضل، مما يضمن تمثيلًا هيكليًا مستمرًا.

2. آلية الانتباه التعاوني بين المكان والتردد (SFCAM)

تُدمج هذه الآلية في وصلات التخطي (skip connections)، وتستفيد من الطبيعة التكاملية لنطاقي المكان والتردد.

بنية ثلاثية الفروع:
- الفرع المحلي: يستخرج ميزات متعددة المقاييس (باستخدام تلافيف $1\times1$ و $3\times3$ و $5\times5$ ) لالتقاط تفاصيل الأوعية الخشنة والدقيقة.
- الفرع العالمي: يستخدم وحدة PS-VSS لالتقاط الاعتمادات طويلة المدى والسياق العالمي.
- فرع محول الموجات (WT): يقوم بتفكيك الميزات إلى مكونات ذات تردد منخفض (المورفولوجيا، الطوبولوجيا) وتردد عالي (الحدود، الفروع الصغيرة، الملمس) باستخدام تحويل الموجات المتقطع (Discrete Wavelet Transform).
دمج الانتباه المتبادل ثنائي الاتجاه (BCFM): تعمل هذه الوحدة الفرعية على محاذاة التباينات الدلالية بين الميزات المكانية والترددية. وهي تستخدم استراتيجية تبادل الاستعلام لبناء انتباه متبادل ثنائي الاتجاه، مما يسمح للنموذج باختيار ودمج الميزات ديناميكيًا من الفروع المحلية/عالية التردد والفرع العالمي/منخفض التردد.
الهدف: تعزيز ميزات الأوعية البارزة بشكل تكيفي مع كبح الضوضاء، مما يؤدي بفعالية إلى استعادة الأوعية الصغيرة وخطوط الحواف.

المساهمات الرئيسية

تحدد الورقة أربع مساهمات رئيسية:

نموذج Polygon-mamba: إطار تجزئة مبتكر مصمم خصيصًا للكشف الدقيق عن الأوعية الدموية الصغيرة في الشبكية، مما يعزز دقة التجزئة بشكل كبير.
وحدة PS-VSS: تقنية مسح مبتكرة تستخدم مسارات مضلعة لاستخراج المعلومات الدلالية بكفاءة والتقاط الميزات العالمية، مما يعالج مشكلات الاستمرارية في مسحات Mamba التقليدية.
وحدة SFCAM: آلية تستخرج ميزات فعالة من كل من النطاقين المكاني والترددي، مما يمكن النموذج من إبراز الأهداف المستهدفة وكبح الضوضاء.
مخطط UNet المتكامل: الدمج الناجح لـ PS-VSS وSFCAM في بنية UNet لإنشاء مخطط تجزئة فعال يوازن بين النمذجة العالمية والحفاظ على التفاصيل المحلية.

النتائج التجريبية

تم تقييم النموذج على ثلاثة مجموعات بيانات عامة: DRIVE، وSTARE، وCHASE DB1.

الأداء الكمي

تفوقت الطريقة المقترحة على النماذج الرائدة (بما في ذلك Mamba-UNet، وFSE-Mamba، وRolling-UNet، وKM-UNet) في المقاييس الرئيسية:

DRIVE: درجة F1: 0.8288، AUC: 0.9808، الحساسية (SE): 0.8356.
STARE: درجة F1: 0.8282، AUC: 0.9840، الحساسية (SE): 0.8314.
CHASE DB1: درجة F1: 0.8251، AUC: 0.9866، الحساسية (SE): 0.8484.

ومن الجدير بالذكر أن النموذج حقق أعلى قيم للحساسية (SE) عبر جميع مجموعات البيانات، مما يشير إلى قدرة فائقة على اكتشاف العينات الإيجابية (الأوعية)، وخاصة الصغيرة والخافتة منها. وبينما كانت النوعية (SP) أقل قليلاً من بعض المنافسين في حالات معينة، يعزو المؤلفون ذلك إلى حساسية النموذج العالية للأوعية الدقيقة، مما قد يزيد من تصنيفات الخلفية الخاطئة ولكنه يحسن الاستدعاء بشكل كبير.

دراسات الاستئصال والمقارنة

فعالية الوحدات: أكدت دراسات الاستئصال أن إضافة PS-VSS وSFC_AM بالتتابع أدى إلى تحسين IOU وF1 وSE عبر جميع مجموعات البيانات. على سبيل المثال، في CHASE DB1، زادت SFCAM من الحساسية (SE) بنسبة 9.45% مقارنة بالنموذج الأساسي بالإضافة إلى PS-VSS.
استراتيجية المسح: كشفت التجارب التي قارنت بين أشكال المضلعات المختلفة (المثلث، الرباعي، الخماسي، السداسي، الثماني) أن طريقة المسح الخماسي (Pentagon) حققت أفضل أداء إجمالي على DRIVE وCHASE DB1، بينما حقق المسح السداسي أداءً جيدًا على STARE. وقد تم اختيار استراتيجية الخماسي كخيار أمثل للنموذج النهائي.
التعقيد: يحتوي النموذج على 68.32 مليون معلمة و2.53 جيجا فلوبس (FLOPs). ورغم أنه أعلى من بعض النماذج خفيفة الوزن، إلا أنه أكثر كفاءة بكثير من الطرق عالية التعقيد مثل MCDAU-Net وMDF-Net، مما يحقق توازنًا جيدًا بين الأداء والتكلفة الحوسبية.

الأهمية والادعاءات

يدعي المؤلفون أن Polygon-mamba يمثل تقدمًا كبيرًا في تجزئة الأوعية الدموية في الشبكية من خلال معالجة الانقطاعات الطوبولوجية المتأصلة في بنيات Mamba القياسية بشكل مباشر.

السلامة الطوبولوجية: من خلال استخدام المسح المضلع، نجح النموذج في الحفاظ على استمرارية الهياكل الوعائية المعقدة، وهي نقطة فشل شائعة في النهج القائمة على Mamba السابقة.
استخراج الميزات ثنائي النطاق: يسمح دمج انتباه المساحة والتردد للنموذج بالتقاط السياق الهيكلي العالمي والتفاصيل المحلية الدقيقة (الحواف، الفروع الصغيرة) التي غالبًا ما تُفقد في النماذج المكانية فقط.
كشف الأوعية الصغيرة: تكمن الأهمية الأساسية في قدرة النموذج على اكتشاف الأوعية الصغيرة ذات التباين المنخفض بحساسية عالية، متفوقًا على الطرق الحالية في الفحص البصري والمقاييس الكمية.

تخلص الورقة إلى أنه بينما يحقق النموذج أداءً فائقًا، فإن العمل المستقبلي سيركز على تحسين النوعية (كبح الضوضاء) واستكشاف طرق التعرف على الأنماط التقليدية لمزيد من صقل التعامل مع الضوضاء دون المساس بالكشف عن الأوعية الصغيرة.