Automatic Landmark-Based Segmentation of Human Subcortical Structures in MRI
تقترح هذه الورقة إطار عمل للتجزئة ثلاثية الأبعاد بتوجيه المعالم، والذي يحاكي بروتوكول أطلس هارفارد-أوكسفورد اليدوي من خلال الجمع بين كشف المعالم العالمي، والتجزئة الدلالية الأولية، ومعالجة ما بعد التجزئة الموجهة بالمعالم لتحقيق تحديد دقيق ومتسق تشريحياً لـ 26 بنية تحت قشرية بشرية في التصوير بالرنين المغناطيسي.
المؤلفون الأصليون:Ahmed Rekik, R. Jarrett Rushmore, Sylvain Bouix, Linda Marrakchi-Kacem
تخيل أنك تحاول رسم خريطة لمدينة معقدة للغاية وضبابية (الدماغ البشري) باستخدام صورة قمر صناعي ضبابية فقط (فحص الرنين المغناطيسي MRI). الهدف هو رسم الحدود الدقيقة بين الأحياء المختلفة (الهياكل تحت القشرية).
لفترة طويلة، حاولت أجهزة الكمبيوتر القيام بذلك من خلال النظر إلى "درجات الرمادي" في الصورة. فهي تخمن أين ينتهي حي ويبدأ آخر بناءً على مدى قتامة أو سطوع البكسلات. ولكن في الأجزاء العميقة والضبابية من الدماغ، غالبًا ما تبدو الأحياء بنفس اللون تمامًا. عندما تخمن أجهزة الكمبيوتر بناءً على اللون فقط، فإنها ترتكب أحيانًا أخطاءً فوضوية: فقد تدمج حيّين معًا عن طريق الخطأ، أو تسمح للحدود بـ "التسرب" إلى منطقة خاطئة.
المشكلة: الكمبيوتر مقابل الخبير الخبراء البشريون (علماء التشريح العصبي) لا ينظرون فقط إلى درجات الرمادي. بل يستخدمون كتاب قواعد محددًا (أطلس هارفارد-أوكسفورد) يقول: "لإيجاد الحد الفاصل بين الحي (أ) والحي (ب)، يجب عليك أولاً العثور على معلم محدد، مثل جسر صغير أو تقاطع معين".
تجادل الورقة البحثية بأن نماذج الذكاء الاصطناً الحالية "عمياء" عن هذه المعالم. إنها تشبه سائقًا يحاول التنقل في مدينة دون لافتات شوارع، معتمدًا فقط على لون المباني.
الحل: نظام تحديد مواقع (GPS) مكون من ثلاث خطوات يقترح المؤلفون طريقة جديدة تعلم الكمبيوتر كيف يتصرف كخبير بشري. لقد بنوا نظامًا مكونًا من ثلاث خطوات:
إيجاد المعالم (نقاط الـ GPS): أولاً، يقوم النظام بمسح الدماغ للعثور على 16 "نقطة محددة" أو معلمًا. فكر في هذه المعالم كتقاطعات رئيسية في المدينة (مثل "الجسم الموصل الأمامي" أو "الأجسام الحلمية"). يستخدم الكمبيوتر شبكة خاصة "من العام إلى المحلي" للعثัง هذه النقاط. فهو يحصل أولاً على فكرة عامة عن مكان وجودها (عام)، ثم يقترب أكثر للحصول على الإحداثيات الدقيقة (محلي).
التشبيه: الأمر يشبه العثور على مركز المدينة أولاً، ثم التكبير للعثور على الزاوية الدقيقة لمقهى معين.
رسم الخريطة الأولية (المخطط الأولي): بعد ذلك، يرسم الكمبيوتر خريطة أولية لـ 12 حيًا كبيرًا مدمجًا. إنه لا يحاول فصل كل هيكل صغير بعد؛ بل يقوم فقط بتجميعهم معًا.
التشبيه: تخيل تلوين منطقة "وسط المدينة" بأكملها بلون واحد، رغم أنها تحتوي على العديد من الشوارع المختلفة.
التحسين "القائم على القواعد" (القطع النهائي): هذه هي الخطوة السحرية. يأخذ الكمبيوتر تلك الخريطة الأولية ويستخدم الـ 16 معلمًا التي وجدها في الخطوة الأولى لتقسيم وتقطيع الخريطة إلى 26 هيكلًا متميزًا.
كيف يعمل: يتبع النظام قواعد صارمة. على سبيل المثال: "إذا رأيت المعلم رقم 3 والمعلم رقم 4، ارسم خطًا رأسيًا مستقيمًا بينهما للفصل بين الحيّين".
التشبيه: تخيل أن لديك كتلة من الطين (الخريطة الأولية). ستستخدم المعالم كدليل لتقطيع الطين باستخدام قاطع ليزر. حتى لو كان الطين فوضويًا بعض الشيء، فإن الليزر سيقطعه بدقة وفقًا للمخطط.
ماذا وجدوا؟ اختبر الباحثون هذه الطريقة على صور الرنين المغناطيسي لـ 100 شخص بالغ سليم من الشباب.
درجة "الصورة الكبيرة": عندما نظروا إلى الحجم الإجمالي لأجزاء الدماغ، كانت الطريقة الجديدة أفضل قليلاً فقط من الطريقة القديمة القائمة على "اللون فقط".
درجة "الحدود": ومع ذلك، عندما نظروا تحديدًا إلى الحواف والحدود، كانت الطريقة الجديدة أفضل بكثير. لقد رسمت خطوطًا أكثر استقامة ونظافة تتوافق مع كتاب قواعد الخبير البشري بشكل أوثق.
"اختبار الإنسان": قام خبير بشري ساعد في كتابة كتاب القواعد الأصلي بمراجعة النتائج. وقال إن الطريقة الجديدة تبدو أكثر تشابهًا مع الخريطة التي رسمها الإنسان لأنها تحترم القواعد المحددة لبداية ونهاية الهياكل، بينما الطريقة القديمة غالبًا ما تجعل حدودًا غير منتظمة وفوضوية.
الخلاصة تظهر هذه الورقة أنه لجعل الذكاء الاصطناعي جيدًا حقًا في رسم خرائط الدماغ، لا يمكننا الاكتفاء بجعله يخمن بناءً على ألوان الصور. يجب علينا تعليمه البحث عن "معالم" محددة واتباع كتاب قواعد، تمامًا كما يفعل الخبير البشري. من خلال الجمع بين سرعة الذكاء الاصطناعي ودقة القواعد البشرية، أنشأوا نظامًا يرسم خريطة الدماغ بدقة أعلى بكثير عند الحواف.
ملخص تقني: التقسيم التلقائي القائم على المعالم للهياكل تحت القشرية البشرية في التصوير بالرنين المغناطيسي
بيان المشكلة يعد التقسيم الدقيق للهياب تحت القشرية في الدماغ في صور الرنين المغناطيسي أمراً بالغ الأهمية في أبحاث التصوير العصبي والتخطيط السريري. وبينما حققت نماذج التعلم العميق (مثل U-Net وTransformers) تقدماً في التقسيم الآلي، إلا أنها غالباً ما تنتج نتائج غير متسقة تشريحياً، مثل تسرب الحدود أو اندماج الهياكل المتجاورة. يحدث هذا لأن الشبكات التقليدية تعتمد بشكل أساسي على مظهر الفوكسل (الشدة والنسيج) بدلاً من نقاط المرجعية التشريحية (المعالم) التي يستخدمها خبراء التشريح العصبي لتحديد الحدود. في المقابل، تعتمد البروتوكولات اليدوية مثل أطلس هارفارد-أوكسفورد (HOA) على معالم محددة (مثل الارتفاق الأمامي، والأجسام الحلمية) وقواعد قائمة على المستويات لتحديد الهياكل، خاصة في المناطق ذات التباين المنخفض في الشدة. تفشل الطرق الآلية الحالية في محاكاة هذه الصرامة القائمة على البروتوكول، مما يؤدي إلى انحرافات عن الحدود المحددة من قبل الخبراء.
المنهجية يقترح المؤلفون إطار عمل مكون من ثلاث مراحل موجه بالمعالم، يحاكي صراحةً بروتوكول تقسيم HOA اليدوي:
كشف المعالم (شبكة من العالمي إلى المحلي):
المرحلة العالمية: تقوم شبكة (PIN) القائمة على الرقع (Patch-based) بتقدير 16 معلماً تشريحياً بشكل مشترك. وهي تستخدم نهجاً من العالمي إلى المحلي حيث تتنبأ شبكة عصبية تلافيفية (CNN) بمتجهات الإزاحة واتجاهات الحركة بشكل تكراري. ولفرض المعقولية التشريحية، يتم نمذجة تكوينات المعالم باستخدام فضاء شكل قائم على تحليل المكونات الرئيسية (PCA)، حيث يتم تحديث معاملات الشكل بدلاً من استرجاع الإحداثيات المطلقة مباشرة.
المرحلة المحلية: يتم تحسين التقديرات التقريبية من PIN العالمية باستخدام شبكات عصبية تلافيفية ثلاثية الأبعاد (FCNNs) خاصة بكل معلم. تعمل هذه النماذج المحلية على رقع مركزة حول التوقعات العالمية، وهي مدربة للتنبؤ بمتجهات الإزاحة الدقيقة ودرجات الوجود.
التقسيم الدلالي التقريبي:
يقوم نموذج ترانسفورمر ثلاثي الأبعاد هرمي (UNesT) بتوليد تقسيم تقريبي لـ 12 ملصقاً تشريحياً مدمجاً. تقوم هذه الخطوة بتجميع مناطق تحت قشرية متعددة (مثل دمج النواة المتكئة اليمنى واليسرى مع المخطط) لتبسيط التنبؤ الأولي.
المعالجة اللاحقة الموجهة بالمعالم:
يتم تنقيح المخرجات المكونة من 12 ملصقاً بشكل حتمي إلى 26 هيكلاً متميزاً باستخدام قواعد مستمدة من الـ 16 معلماً المكتشفة.
تقسيم خط المنتصف: يفصل مستوي سهمي أوسط (midsagittal plane) محدد بواسطة الارتفاق الأمامي (AC)، والكوميسورا الخلفية (PC)، والشق أمام الجسر (PPF) بين نصفي الكرة المخية اليمنى واليسرى.
الفصل والقطع: تملي معالم محددة الحدود، مثل تقسيم ملصق (NAcc–Putamen) المدمج باستخدام معالم التلامس، وقطع المخطط (Putamen) من الناحية الأمامية، وفصل الدماغ البيني البطني إلى أجزاء أمامية وخلفية بناءً على معالم الأجسام الحلمية.
المساهمات الرئيسية
الأتمتة الموجهة بالبروتوكول: يعمل هذا العمل على ترجمة بروتوكول تنسيق HOA اليدوي إلى مسار مؤتمت، مما يسد الفجوة بين التقسيم الدلالي "الأعمى" للتعلم العميق والتقسيم القائم على القواعد والمنظم من قبل الخبراء.
التنقيح الموجه بالمعالم: يقدم العمل خطوة معالجة لاحقة حتمية تستخدم المعالم المتعلمة لفرض قيود تشريحية محلية، مما يسمح بفصل الهياكل المدمجة وتصحيح وضعيات الحدود دون الاعتماد فقط على أنماط الشدة.
مقاييس تقييم مبتكرة: يقترح البحث مقياس المسافة السطحية المتوافقة مع البروتوكول (PASD) لقياس دقة الحدود تحديداً بالقرب من المستويات المحددة بالبروتوكول، ومقاييس انتظام الفصل ثنائي الأبعاد (MAE و σy) لتقييم استقامة واستقرار خطوط الفصل داخل الشرائح.
النتائج أُجريت التجارب على 100 حجم تصوير بالرنين المغناطيسي (T1-weighted) من مشروع الهيمنة البشرية (80 للتدريب، 10 للتحقق، 10 للاختبار).
كشف المعالم: حققت شبكة PIN العالمية متوسط خطأ في التحديد الموضعي قدره 1.97 مم. وقد قلل التحسين المحلي اللاحق هذا الخطأ إلى 1.33 مم (تحسن بنسبة 32%). تباقت الدقة باختلاف المعالم، حيث تم تحديد المعالم عالية التباين (AC/PC) بدقة أكبر (0.6 مم) مقارنة بالحدود منخفضة التباين (~2.6–3.0 مم).
أداء التقسيم:
التداخل العالمي: حقق النهج الموجه بالمعالم زيادة طفيفة في درجة Dice العالمية (من 0.8961 إلى 0.8992) مقارنة بالنموذج المرجعي UNesT.
دقة الحدود: لوحظت تحسينات كبيرة في مقاييس الحدود. أظهر مقياس PASD انخفاضاً في الأخطاء لمعظم الحدود المحددة بالبروتوكول (على سبيل المثال، انخفض PASD للقرن السفلي الأيمن من 0.636 إلى 0.356).
الانتظام: قلل النهج الموجه بالمعالم باستمرار من الانحراف المعياري داخل الشريحة (σy) لخطوط الفصل إلى ما يقرب من الصفر، مما يشير إلى حدود أكثر استقامة واستقراراً ومتوافقة مع البروتوكول، بينما أظهر النموذج المرجعي تبايناً أعلى.
التقييم النوعي: أكد خبير في التشريح العصبي (مشارك في تأليف بروتوكول HOA) أن الطريقة الموجهة بالمعالم تلتزم بشكل وثيق بالبروتوكول اليدوي، حيث نجحت في فرض القطع الأمامي/الخلفي والفصل الأيمن/الأيسر حيث فشل النموذج المرجعي.
الأهمية والادعاءات يزعم البحث أنه بينما قد تظهر التغطية الحجمية العالمية (Dice) مكاسب طفيفة فقط، فإن دمج المعالم المتعلمة يحسن بشكل كبير دقة الحدود والاتساق التشريحي مع البروتوكولات الخبيرة. ويؤكد المؤلفون أن إطار عملهم يعالج فجوة محددة: وهي عدم قدرة التقسيم الدلالي القياسي على إعادة إنتاج التحديد القائم على القواعد والمعالم المستخدم من قبل البشر.
يتسم نطاق الدراسة بالتواضع، حيث يلاحظ أنها تقتصر على مجموعة بيانات HOA للبالغين الأصحاء الشباب. ومع ذلك، يجادل المؤلفون بأن الإطار بطبيعته موجه بالبروتوكول ويمكن توسيعه ليشمل مجموعات بيانات وبروتوكولات تشريحية أخرى بمجرد تحديد المعالم والقواعد المقابلة. ويؤكد هذا العمل أن إعادة إنتاج البروتوكولات التشريحية العصبية اليدوية بدقة يتطلب معلومات إضافية (المعالم) تتجاوز مجرد مظهر الفوكسل الخام.