🤖 AI

CoGE: Sim-to-Real Online Geometric Estimation for Monocular Colonoscopy

تقدم هذه الورقة CoGE، وهو إطار عمل مبتكر للتقدير الهندسي أحادي العدسة عبر الإنترنت في تنظير القولون، والذي يستفيد من وحدة إشراف مدركة للإضاءة ووحدة إدراك مدركة للهيكل لتحقيق أداء رائد على البيانات الواقعية مع التدريب حصرياً على البيانات المحاكية.

المؤلفون الأصليون: Liangjing Shao, Beilei Cui, Hongliang Ren

نُشر 2026-05-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Liangjing Shao, Beilei Cui, Hongliang Ren

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 التنقل في نفق مظلم، ضيق ومتعرج باستخدام مصباح يدوي واحد فقط. هذا هو بالضبط ما يواجهه الجراح أثناء عملية تنظير القولون. الكاميرا هنا عبارة عن عين صغيرة وحيدة تنظر داخل أنبوب طويل ومغلق. وللتحرك بأمان وإيجاد المسار الصحيح، يحتاج الجراح إلى فهم الشكل ثلاثي الأبعاد للنفق — مدى عمقه، وأين تنحني الجدران، وأين توجد العوائق.

تقدم هذه الورقة البحثية CoGE، وهو "مساعد ذكي" جديد لهذه الكاميرا. مهمته هي تحويل الفيديو ثنائي الأبعاد (2D) المسطح القادم من الكاميرا فوراً إلى خريطة ثلاثية الأبعاد (3D) لداخل القولون.

إليك كيف يعمل CoGE، مشروحاً عبر تشبيهات بسيطة:

1. المشكلة الكبرى: "فجوة التدريب"

عادةً، لتعليم الكمبيوتر الرؤية ثلاثية الأبعاد، تحتاج إلى إظهار آلاف الفيديوهات الحقيقية التي تعرف فيها مسبقاً الشكل ثلاثي الأبعاد بدقة (الحقيقة الأرضية/Ground Truth). ولكن في القولون الحقيقي، لا يمكنك قياس الشكل ثلاثي الأبعاد بدقة بسهولة لأن المساحة ضيقة ومغلقة.

لذلك، قام الباحثون بتعليم CoGE باستخدام بيانات محاكاة (نسخة فيديو تشبه ألعاب الفيديو مثالية لقولون تم إنشاؤه بالحاسوب).

التحدي: قولون ألعاب الفيديو يبدو مختلفاً تماماً عن القولون الحقيقي. فالأمعاء الحقيقية تحتوي على إضاءة غريبة، وبقع لامعة (وهج)، وأنسجة غير منتظمة. الأمر يشبه تعليم سائق القيادة على مضمار مثالي ومشمس، ثم طلب منه القيادة في مدينة ممطرة وضبابية فوراً بعد ذلك. عادةً، يصاب السائق بالارتباك.

2. الحل: ثلاث "نظارات" خاصة

يتميز CoGE بقدرته على أخذ ذلك التدريب من "لعبة الفيديو المثالية" وتطبيقه على "العالم الحقيقي الفوضوي" دون الحاجة إلى تدريب إضافي على بيانات حقيقية. يفعل ذلك باستخدام ثلاث حيل ذكية:

نظارات "المويجات" (رؤية الهيكل العظمي):
تخيل أنك تنظر إلى صورة لقولون. بعض الأجزاء عبارة عن منحنيات سلسة (تردد منخفض)، وبعضها عبارة عن تجاعيد أو حواف دقيقة (تردد عالي).
يستخدم CoGE تقنية تسمى تفكيك المويجات (Wavelet Decomposition). فكر في هذا كارتداء نظارات خاصة تفصل الصورة إلى "هيكلها العظمي" (الأشكال الكبيرة) و"تفاصيلها" (التجاعيد الصغيرة). إنه يتعلم أن هيكل القولون يبدو نفسه سواء كان في لعبة فيديو أو في الواقع، حتى لو اختلفت الإضاءة. هذا يساعده على التعرف على البنية بغض النظر عن الفوضى.
نظارات "محقق الضوء" (تجاهل الوهج):
فيديوهات تنظير القولون الحقيقية مخادعة لأن الضوء يرتد عن الأسطح المبللة، مما يخلق بقعاً بيضاء ساطعة (انعكاسات لامعة) تربك الكاميرا.
يستخدم CoGE وحدة تعتمد على نظرية ريتينكس (Retinex theory) (وهي طريقة لفهم كيف تفصل أعيننا بين اللون والضوء). إنه يعمل كمحقق يقول: "هذه البقعة الساطعة هي مجرد وهج، وليست جداراً حقيقياً". إنه يخبر النظام: "لا تثق في حساب العمق في هذه البقعة الساطعة؛ إنها مجرد انعكاس". هذا يمنع النظام من الانخداع بالإضاءة.
"مرشح الذاكرة" (نسيان الماضي):
بينما تتحرك الكاميرا عبر القولون الطويل، فإنها تبني ذاكرة لما رأته. ولكن أحياناً، تصبح الذاكرة مزدحمة بمعلومات قديمة وغير ذات صلة لا تتطابق مع المشهد الحالي.
يحتوي CoGE على آلية نسيان الذاكرة (Memory Forget Mechanism). تخيل أنك تسير في ممر وتنظر إلى باب مررت به قبل 10 ثوانٍ. إذا أصبح هذا الباب الآن محجوباً بجدار جديد، فيجب على عقلك أن "ينسى" الباب القديم للتركيز على الجدار الجديد. يقوم CoGE بذلك رياضياً: يتحقق من ذاكرته، ويرى ما لم يعد ذا صلة، ويقوم بحذفه حتى لا يرتبك.

3. النتائج: "تدريب مثالي كالألعاب"، "أداء واقعي"

اختبر الباحثون CoGE ووجدوا شيئاً مذهلاً:

لقد قاموا بتدريبه فقط على بيانات المحاكاة (ألعاب الفيديو).
واختبروه على فيديوهات حقيقية لتنظير القولون (لم يراها من قبل).
النتيجة: تفوق CoGE على غيره من الأساليب رفيعة المستوى التي تم تدريبها على كميات هائلة من البيانات الحقيقية. استطاع إنشاء خرائط ثلاثية الأبعاد وتقديرات للعمق بدقة في الوقت الفعلي (أكثر من 15 إطاراً في الثانية)، وهو ما يكفي ليكون سريعاً بما يكفي ليستخدمه الجراح أثناء الحركة.

ملخص

باختصار، CoGE هو نظام يتعلم رؤية العمق ثلاثي الأبعاد في القولون من خلال دراسة محاكاة مثالية. يستخدم "نظارات" خاصة لتجاهل الإضاءة السيئة، وفصل الأشكال المهمة عن الضجيج، وتنظيف ذاكرته. وهذا يسمح له بالعمل بشكل مثالي في العالم الحقيقي الفوضوي دون الحاجة إلى بيانات تدريب واقعية مكلفة وصعبة المنال.

ملخص تقني: CoGE – التقدير الهندسي عبر الإنترنت من المحاكاة إلى الواقع لتنظير القولون أحادي العدسة

بيان المشكلة

يعد التقدير الهندسي، الذي يشمل تقدير العمق وإعادة بناء المشهد، أمراً حيوياً لتزويد الجراحين بالإدراك المكاني ثلاثي الأبعاد والملاحة أثناء تنظير القولون. ومع ذلك، فإن الحصول على الحقيقة الأرضية الهندسية (خرائط العمق، السحب النقطية، معلمات الكاميرا) في تنظير القولون الواقعي أمر صعب للغاية ومكلف للغاية بسبب الطبيعة الضيقة والمغلقة للقولون. وبينما توجد طرق ذاتية الإشراف، إلا أنها غالباً ما يكون أداؤها أقل مقارنة بالنماذج الخاضعة للإشراف. ومن ناحية أخرى، تتطلب النماذج الخاضعة للإشراف عادةً مجموعات بيانات ضخمة مع حقيقة أرضية، وهي نادرة في البيئات الواقعية. ورغم أن برامج المحاكاة (مثل VR-Caps) يمكنها توليد حقيقة أرضية هندسية، إلا أن هناك "فجوة ميزات" كبيرة بين البيانات المحاكية والبيانات الواقعية بسبب العيوب وتنوع الإضاءة. علاوة على ذلك، تعتمد العديد من أساليب الانتقال من المحاكاة إلى الواقع الحالية على شبكات ترجمة الأنماط لمعالجة البيانات الواقعية مسبقاً، مما يقلل من كفاءة الاستدلال وقد يؤدي إلى تدهور الأداء عبر المشاهد المختلفة.

المنهجية

يقترح المؤلفون إطار عمل CoGE، وهو إطار يعتمد على نموذج تأسيسي مصمم للتقدير الهندسي الأحادي عبر الإنترنت، والذي يتم تدريبه حصرياً على البيانات المحاكية ولكنه يعمل بفعالية على المشاهد الواقعية. يعمل الإطار على زوج من الملاحظات (الإطار السابق المخزن مؤقتاً $I_{t-1}$ والإطار الحالي $I_t$ ) لإنتاج خرائط النقاط، ووضعيات الكاميرا، وخرائط الإضاءة، وخرائط الثقة.

1. الإدراك الواعي بالبنية (SAP)

لمعالجة فجوة الميزات واستخراج الميزات الهيكلية المشتركة عبر المشاهد المحاكية والواقعية، قام المؤلفون بدمج كتلة إدراك واعية بالبنية تعتمد على تحويل المويجات (Wavelet Transformation).

التفكيك: يتم تفكيك الصور المدخلة عبر تحويل المويجات المنفصل (DWT) إلى أربعة نطاقات فرعية: منخفض-منخفض (التقريب)، منخفض-عالي (تفاصيل أفقية)، عالي-منخفض (تفاصيل رأسية)، وعالي-عالي (تفاصيل قطرية).
استخراج الميزات: يستخدم النموذج آلية الانتباه الذاتي متعدد الرؤوس القائم على النوافذ (W-MHSA) لاستخراج الميزات من المكون منخفض التردد (Low-Low)، بينما يستخدم نوى تلافيفية محددة ( $7\times1$ ، $1\times7$ ، و $3\times3$ ) لاستخراج التفاصيل المحلية عالية التردد من النطاقات الأخرى.
الدمج: يتم دمج الميزات من تركيبات المويجات المختلفة وإعادة بنائها عبر تحويل المويجات العكسي (IDWT) لتشكيل التمثيل الهيكلي النهائي.

2. الإشراف الواعي بالإضاءة (IAS)

للتعامل مع ظروف الإضاءة المتنوعة وغير المستقرة في القولون، تم تقديم وحدة إشراف واعية بالإضاءة ذاتية الإشراف.

النظرية: استناداً إلى نظرية ريتينكس (Retinex theory)، تفترض الوحدة أن المكون الجوهري للصورة ثابت في مجال التدرج (Gradient domain).
الآلية: تولد وحدة IAS خريطة تأثير الضوء ( $L_t$ ) ورسماً بيانياً جوهرياً ( $A_t$ ). أثناء التدريب، تُستخدم $L_t$ لضبط خريطة الثقة ( $C_t$ ) للنتائج المقدرة، مما يتحكم فعلياً في ثقة النموذج بناءً على توزيع الضوء للتخفيف من تداخل الإضاءة.

3. آلية نسيان الذاكرة

نظراً للتسلسلات الطويلة النموذجية في تنظير القولون، يستخدم الإطار نظام ذاكرة مع آلية نسيان لإدارة المعلومات الزائدة.

القراءة: تسترجع الميزات السابقة المعلومات ذات الصلة من مخازن الذاكرة للمفاتيح ( $M_k$ ) والقيم ( $M_v$ ).
النسيان: تقوم آلية قائمة على العتبة بتصفية رموز الذاكرة. إذا كانت أوزان الانتباه لرمز الذاكرة أقل من عتبة معينة (5e-4) لأقل من 5% من رموز الميزات، فإنه يعتبر غير ذي صلة ويتم حذفه. هذا يمنع تراكم الذاكرة الزائدة التي قد تتداخل مع الملاحظات الحالية.
التحديث: يتم تشفير الذاكرة الجديدة من الميزات المرتبطة بالذاكرة ودمجها مع المخزن المؤقت المصفى.

4. نظرة عامة على البنية

يعتمد العمود الفقري على ست كتل من نوع ViT-L تليها كتلة SAP. يتكون فك التشفيد من ست كتل تستخدم الانتباه الذاتي والانتباه المتقاطع لمعالجة الميزات الحالية والمتعلقة بالذاكرة. تقوم الرؤوس النهائية (DPT) بإخراج خرائط النقاط، ووضعيات الكاميرا، وخرائط الثقة.

المساهمات الرئيسية

الإدراك الواعي بالبنية: كتلة مبتكرة تستخدم تحويل المويجات لاستخراج الميزات الهيكلية والمحلية (الحواف) المشتركة بين مشاهد تنظير القولون المحاكية والواقعية.
الإشراف الواعي بالإضاءة: وحدة تعدل ثقة التقديرات الهندسية بناءً على توزيع الضوء، مما يعالج تحدي الإضاءة المتنوعة على سطح القولون.
آلية نسيان الذاكرة: استراتيجية لتصفية رموز الذاكرة الزائدة وغير ذات الصلة، مما يقلل من التداخل من الملاحظات الماضية في التسلسلات الطويلة.
الأداء من المحاكاة إلى الواقع: نموذج تم تدريبه حصرياً على البيانات المحاكية يحقق أداءً رائداً (SOTA) على كل من المشاهد المحاكية غير المرئية ومجموعات بيانات تنظير القولون الواقعية دون الحاجة إلى معالجة مسبقة لترجمة الأنماط.

النتالئج التجريبية

تم تدريب النموذج على 24 تسلسلاً محاكياً من VR-Caps (SimCol3D) وتم تقييمه على مجموعات بيانات واقعية (C3VD, C3VDv2) وصور داخلية.

تقدير العمق أحادي العدسة: في مجموعة بيانات SimCol، حقق CoGE خطأ نسبة مطلقة (Abs Rel) قدره 0.027 ودقة $\delta < 1.25$ بلغت 0.995، متفوقاً على نماذج تأسيسية أخرى مثل STream3R و MonST3R و CUT3R. وفي مجموعات البيانات الواقعية (C3VD و C3VDv2)، حقق باستمرار أدنى معدلات الخطأ (على سبيل المثال، Abs Rel 0.083 في C3VD) وأعلى مقاييس الدقة مقارنة بطرق SOTA.
إعادة البناء ثلاثي الأبعاد: باستخدام متوسط المسافة الإقليدية (mED) ونسبة النقاط ضمن عتبة خطأ محددة ( $\delta < N$ )، أظهر CoGE دقة إعادة بناء متفوقة. على سبيل المثال، في C3VD، حقق mED قدره 3.957 ونسبة $\delta < 4.0$ بلغت 0.645، متفوقاً بشكل كبير على المنافسين مثل STream3R و CUT3R.
دراسات الاستئصال (Ablation Studies): أدى إزالة كتلة SAP، أو وحدة IAS، أو آلية نسيان الذاكرة إلى انخفاض ملموس في الأداء عبر جميع مجموعات البيانات، مما يؤكد ضرورة كل مكون.

الأهمية والادعاءات

يزعم البحث أن CoGE يمثل تقدماً كبيراً في التقدير الهندسي من المحاكاة إلى الواقع في علم التنظير. من خلال التدريب حصرياً على البيانات المحاكية، يتجاوز الأسلوب الحاجة إلى الحقيقة الأرضية الهندسية الواقعية المكلفة والصعبة المنال. نجح إطار العمل في سد الفجوة بين النطاقات من خلال ابتكارات معمارية محددة (استخراج البنية القائم على المويجات والتحكم في الثقة الواعي بالإضاءة) بدلاً من الاعتماد على معالجة مسبقة غير فعالة لنقل الأنماط.

يشير المؤلفون إلى أنه بينما يحقق النموذج استدلالاً في الوقت الفعلي (>15 إطاراً في الثانية)، فإن تضمين كتل الإدراك الواعية بالبنية يقلل قليلاً من الكفاءة مقارنة بالنماذج الأخف. بالإضافة إلى ذلك، يقرون بأن الأداء قد يتدهور في حالة وجود ضبابية الحركة، أو التغيرات الديناميكية الحادة، أو أنسجة آفات معينة، والتي تظل تحديات للعمل المستقبلي. المساهمة الأساسية هي إثبات أن الإدراك ثلاثي الأبعاد عالي الجودة عبر الإنترنت في تنظير القولون هو أمر ممكن باستخدام البيانات المحاكية فقط عندما يتم تصميم النموذج صراحة للتعامل مع القواسم الهيكلية وتفاوت الإضاءة.