OTLesMix: Wasserstein Barycenter and Optimal Transport Map for Synthetic Lesion Generation with Diverse Shapes and Locations
تقدم هذه الورقة البحثية OTLesMix، وهي طريقة مبتكرة لتعزيز البيانات تستفيد من مراكز باريستر (barycenters) لـ Wasserstein وخرائط النقل الأمثل لتوليد آفات دماغية اصطناعية واقعية ذات أشكال ومواقع متنوعة، مما يحسن بشكل كبير أداء نماذج التجزئة مقارنة بالنهج القائمة على الخلط الحالية.
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 تعليم روبوت التعرف على نوع معين من السحب في السماء. تعرض عليه ألف صورة لسحب ركامية بيضاء منفوشة، فيصبح جيداً جداً في ذلك. ولكن بعد ذلك، تعرض عليه صورة لسحابة تبدو مثل تنين، أو سحابة على شكل إبريق شاي، فيصاب الروبوت بالارتباك؛ لأنه لم يرَ هذه الأشكال من قبل. هذه مشكلة شائعة في عالم التصوير الطبي، حيث تحتاج الحواسيب إلى تعلم كيفية رصد أمراض مثل الأورام أو السكتات الدماغية في صور الأشعة للدماغ. المشكلة تكمن في أن البيانات الطبية الحقيقية يصعب الحصول عليها؛ إذ يستغرق الأمر ساعات من خبير بشري لرسم خريطة دقيقة لمكان المرض بالضبط في مسحة دماغية ثلاثية الأبعاد واحدة. ولأنه لا توجد أمثلة كافية، غالباً ما يتعلم الكمبيوتر فقط التعرف على الأشكال والمواقع "النموذجية" التي رآها بالفعل.
ولحل هذه المشكلة، يستخدم العلماء حيلة تسمى "تعزيز البيانات" (data augmentation). فكر في الأمر كطاهٍ يحاول تعليم طالب كيفية الخبز. إذا رأى الطالب وصفة واحدة فقط، فقد يفشل إذا تغيرت المكونات قليلاً. لذا، يعطيه الشيف بعض دفعات التدريب الإضافية. في علوم الكمبيوتر، يعني هذا أخذ الصور الموجودة وتعديلها؛ تدويرها، أو تغيير سطوعها، أو حتى قص قطعة من صورة واحدة ولصقها على صورة أخرى. الهدف هو إنشاء مكتبة ضخمة من الأمثلة "المزيفة" ولكن الواقعية ليتعلم الكمبيوتر كيفية التعامل مع أي شكل أو موقع قد يتخذه المرض. ومع ذلك، فإن الطرق القديمة للقيام بذلك غالاً ما تؤدي إلى صور غريبة أو ضبابية أو مستحيلة المظهر، مما لا يعلم الكمبيوتر الكثير عن الأشكال الجديدة.
هنا يأتي دور طريقة جديدة تسمى OTLesMix، اقترحها الباحثان روبن تومبيتا وكارول لارتيزيان. لقد أرادا إنشاء طريقة أذكى لخلط الصور الطبية يمكنها ابتكار أشكال وأماكن جديدة وواقعية للأمراض، بدلاً من مجرد إعادة ترتيب الأشكال القديمة.
سحر "المزيج المثالي"
تعتمد الفكرة الكبيرة للباحثين على فرع من الرياضيات يسمى النقل الأمثل (Optimal Transport). لفهم هذا، تخيل أن لديك كومتين من الرمل؛ إحدى الكومتين على شكل نجمة، والأخرى على شكل دائرة. تريد نقل الرمل من كلتا الكومتين لإنشاء كومة جديدة هي مزيج مثالي من الاثنين — ربما هجين بين النجمة والدائرة. تسأل مشكلة "النقل الأمثل": ما هي الطريقة الأكثر كفاءة لنقل كل حبة رمل بحيث نستخدم أقل قدر من الطاقة؟
في عالم الصور الطبية، "الرمل" هو البكسلات التي تشكل الورم أو الآفة. يستخدم الباحثون نوعاً معيناً من النقل الأمثل يسمى مركز ثقل واسرشتاين (Wasserstein barycenter). إذا كنت تعتبر أن مسحتين دماغيتين تحتويان على أورام هما بمثابة "خريطتين" مختلفتين، فإن هذه الأداة الرياضية تجد خريطة "وسطى". هي لا تكتفي بمتوسط الصور (مما سيؤدي إلى فوضى ضبابية)، بل تحسب شكلاً جديداً وفريداً يقع تماماً بين الشكلين الأصليين. الأمر يشبه أخذ صورة لقط وصورة لكلب، ثم توليد حيوان جديد تماماً رياضياً يمتلك أذني القط وذيل الكلب، ولكنه يبدو ككائن حي حقيقي في المنتصف.
كيف تعمل OTLesMix
تتم العملية في خطوتين رئيسيتين، مثل وصفة طبخ من مرحلتين:
- طهي الشكل: أولاً، يختار الكمبيوتر مسحتين دماغيتين حقيقيتين تحتويان على آفات (مناطق مصابة). يستخدم رياضيات "مركز ثقل واسرشتاين" لحساب شكل وموقع آفة جديد تماماً. هذا الشكل الجديد هو استكمال سلس وواقعي بين الشكلين الأصليين. قد يكون ورماً أكبر قليلاً، أو مزاحاً قليلاً، أو مختلف الشكل عن أي شيء في مجموعة التدريب الأصلية.
- رسم اللوحة: بمجرد تحديد الشكل الجديد، يحتاج الكمبيوتر إلى معرفة كيف يجب أن يبدو داخل هذا الشكل الجديد. يستخدم "خطة نقل أمثل" لمعرفة أي بكسلات من الصور الأصلية يجب نقلها لملء هذا الشكل الجديد. الأمر يشبه أخذ الملمس واللون من الأورام الأصلية و"إعادة طلاء" (inpainting) تلك الأنسجة بعناً داخل الشكل الجديد. أخيراً، يتم لصق هذه الآفة الاصطعية الجديدة على مسحة دماغية سليمة (أو واحدة من المسحات الأصلية) لإنشاء مثال تدريبي جديد تماماً.
هل تنجح هذه الطريقة حقاً؟
اختبر الباحثون هذه الطريقة على ثلاث مجموعات بيانات مختلفة لتصوير الدماغ تتضمن أنواعاً مختلفة من المشكلات الدماغية: الورم الأرومي الدبقي (نوع من سرطان الدماغ)، والسكتة الدماغية، وآفات السكتة الدماغية الإقفارية. وقارنوا طريقتهم الجديدة بتقنيات خلط شائعة وقديمة مثل MixUp (التي تدمج الصور خطياً فقط) و CutMix (التي تقص وتلصق مستطيلات).
كانت النتائج واعدة للغاية. فعندما قاموا بتدريب نموذج كمبيوتر لتحديد (تقسيم) هذه الآفات الدماغية، كان النموذج الذي استخدم بيانات OTLesMix الاصطناعية أفضل بشكل ملحوظ من النماذج التي تدربت بدونها.
- في مجموعة بيانات سرطان الدماغ (BraTS 2020)، تحسنت دقة النموذج بمقدار 2.9 إلى 6.6 نقطة في مقييس قياسي يسمى "درجة دايس" (Dice score) مقارنة بالنموذج الذي لم يستخدم بيانات اصطناعية.
- كما تفوقت على طرق الخلط الأخرى (MixUp و CutMix و CarveMix) في جميع مجموعات البيانات الثلاث. على سبيل المثال، في مجموعة بيانات BraTS، حققت OTLesMix درجة 83.3% للورم الكامل، بينما حققت الطريقة التالية الأفضل (CarveMix) درجة 82.5%.
لاحظ المؤلفون أن الفرق لم يكن مجرد صدفة عابرة؛ إذ أظهرت الاختبارات الإحصائية أن OTLesMix كانت أفضل باستمرار من غيرها. وبصرياً، أنتجت الطت الجديدة أيضاً آفات بدت أكثر تنوعاً في الشكل والموقع، بينما كانت الطرق القديمة تميل لإنتاج أشكال تبدو متشابهة جداً مع الأصول أو تبدو كأنها مقصوصة وملصقة بشكل غريب.
العقبة
رغم أن الطريقة تعد نجاحاً، إلا أن المؤلفين كانوا صادقين بشأن حدودها الحالية. إن إنشاء هذه الصور الجديدة يستغرق وقتاً؛ فبالنسبة لشريحة 2D من الدماغ، يستغرق الأمر حوالي ثانية واحدة. أما بالنسبة للمسحات الدماغية ثلاثية الأبعاد الكاملة، فقد يستغرق الأمر ما بين دقيقة إلى 3 دقائق لكل صورة. وهذا أبطأ بكثير من مجرد قص ولصق مستطيل.
أيضاً، تعتمد الطريقة على استكمال خطي بسيط لألوان البكسلات. فإذا كانت المسحتان الدماغيتان الأصليتان قادمتين من أجهزة مختلفة جداً أو بظروف إضاءة مختلفة تماماً، فقد تبدو الآفة "الممزوجة" الجديدة غير واقعية، مثل صورة تم تعديلها بشكل سيء. يقترح المؤلفون أنه في المستقبل، يمكنهم دمج رياضيات توليد الأشكال هذه مع مولدات صور الذكاء الاصطناعي القوية لإصلاح مشكلات الملمس هذه.
باختختصار، تعد OTLesMix أداة جديدة ذكية تستخدم رياضيات متقدمة لابتكار أمثلة واقعية ومتنوعة لأمراض الدماغ. ومن خلال القيام بذلك، تساعد في تعليم الذكاء الاصطناعي الطبي كيفية التعرف على الأمراض في أشكال وأماكن لم يسبق له رؤيتها، مما قد يؤدي إلى أدوات تشخيص أفضل في المستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.