UPolarSQ: Polar Representation Learning for Optic Disc and Peripapillary Atrophy Segmentation and Quantification in Fundus Photographs
تقترح الورقة البحثية إطار عمل UPolarSQ، وهو إطار عمل موحد في المجال القطبي يعمل على تحويل صور قاع العين للمصابين بقصر النظر إلى ملفات تعريف شعاعية لتحسين تقسيم القرص البصري والضمور حول الوريد مع تمكين القياس المباشر والموثوق للمؤشرات الحيوية السريرية.
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 قياس شكل ورقة مجعدة من خلال النظر إليها من الجانب. يبدو الأمر فوضويًا، أليس كذلك؟ الحواف متعرجة، والمنحنيات مربكة، ومحاولة رسم خط مثالي حول بقعة معينة هي كابوس. هذا هو بالضبط نوع المشكلة التي يواجهها الأطباء عند النظر إلى الجزء الخلفي من العين البشرية، وتحديدًا لدى الأشخاص الذين يعانون من قصر النظر الشديد (high myopia). في هذه العيون، غالبًا ما تتعرض القرص البصري (النقطة التي يدخل منها العصب البصري إلى العين) والأنسجة المحيطة به للتمدد والتشوه، مما يجعلها تبدوا أقل شبهاً بدائرة مرتبة وأكثر شبهاً بهلال غريب ومكسور.
لفهم ما يحدث، يحتاج الأطباء إلى تقسيم (رسم مخطط دقيق حول) هذه المناطق وقياسها. لكن القيام بذلك يدويًا أمر بطيء وممل، وغالبًا ما يرسم الأطباء خطوطًا مختلفة. يمكن للحواسيب المساعدة، لكنها عادة ما تحاول حل هذه المشكلة باستخدام "رياضيات مربعة" قياسية، مثل شبكة من البكسلات. عندما تحاول وضع شبكة مربعة على شكل منحني وممتد، يرتبك الحاسوب، مما يؤدي إلى خطوط خارجية متعرجة ومكسورة. تدخل هذه الورقة البحثية في المشهد بفكرة ذكية: بدلًا من إجبار العين على التكيف مع شبكة مربعة، لماذا لا نعيد تشكيل الشبكة لتناسب العين؟
الفكرة الكبرى للورقة البحثية: "فرد" العين
اقترح الباحثون وراء هذه الدراسة، بقيادة مينغشيان هي وزملائه، طريقة جديدة للنظر إلى صور العين الصعبة هذه تسمى UPolarSQ. فكر في الجزء الخلفي من عين مصابة بقصر النظر ليس كصورة مسطحة ومربعة، بل كخريطة لمدينة تم لفها حول أسطوانة. إذا حاولت رسم شارع على تلك الأسطوانة باستخدام خريطة مسطحة، فستصبح الخطوط مشوهة. ولكن إذا قمت بـ "فرد" الأسطوانة على ورقة مسطحة، فستصبح الشوارع خطوطًا مستقيمة مرة أخرى.
هذا بالضبط ما يفعله UPolarSQ. فهو يأخذ صورة العين و"يفردها" رياضيًا في نظام إحداثيات قطبي. بدلًا من التفكير من حيث اليمين واليسار (x) والأعلى والأسفل (y)، يفكر الحاسوب من حيث المسافة من المركز والزاوية حول الدائرة (نصف القطر والزاوية). في هذا المنظور "المفرود" الجديد، تتحول الحدود المنحنية والفوضوية للقرص البصري والضمور المحيط به (الأنسجة التالفة) إلى خطوط رأسية بسيطة ومستقيمة. فجأة، تتحول أحجية ثنائية الأبعاد معقدة إلى مشكلة بسيطة أحادية البعد: مجرد قياس مدى طول الخطوط عند زوايا مختلفة.
كيف بنوا "أداة الفرد"
لجعل هذا العمل ممكنًا، لم يكتف الفريق بتغيير الرياضيات فحسب؛ بل بنوا "دماغًا حاسوبيًا" خاصًا يسمى UPolarSeg. نماذج الذكاء الاصطناعي القياسية بارعة في التعرف على الأنماط في الشبكات المربعة، لكنها تعاني مع التمدد الغريب الذي يحدث عند فرد دائرة. أدرك الباحثون أنه في هذا المنظور المفرود، يتصرف اتجاه "الأعلى والأسفل" (نصف القطر) واتجاه "الجانب إلى الجانب" (الزاوية) بشكل مختلف تمامًا.
تخيل بيتزا. إذا قطعت شريحة، فإن القشرة تكون منحنى طويلًا، لكن المسافة من الطرف إلى القشرة هي خط مستقيم. في صورة العين المفروضة، تتمدد "القشرة" (حافة النسيج) كلما ابتعدت عن المركز. أضاف الفريق وحدة خاصة إلى الذكاء الاصطناعي الخاص بهم تعالج هذين الاتجاهين بشكل منفصل. الأمر يشبه إعطاء الذكاء الاصطناعي زوجين مختلفين من النظارات: زوج لرؤية كيف تتغير الأشياء أثناء التحرك بعيدًا عن المركز، وزوج آخر لرؤية كيف تتغير الأشياء أثناء الدوران حول المركز. يساعد هذا الذكاء الاصطناعي على فهم الشكل دون الارتباك بسبب التمدد.
كما أضافوا "مساعدًا" خلال مرحلة التدريب. بينما يتعلم الذكاء الاصطناعي، يحصل على تلميحات إضافية حول مكان حواف الأشكال، مما يعمل مثل معلم يشير إلى السبورة. بمجرد تدريب الذكاء الاصطناعي، يتم إزالة هذا المساعد، بحيث تصبح الأداة النهائية سريعة وفعالة.
ماذا وجدوا
اختبر الفريق طريقتهم الجديدة على مجموعتين من المرضى: مجموعة من مستشفاهم الخاص (داخلية) ومجموعة أخرى من موقع مختلف (خارجية) لمعرفة ما إذا كان سينجح الأمر مع أنواع مختلفة من البيانات. كانت النتائج واعدة للغاية.
عندما تعلق الأمر برسم الخطوط الخارجية، كانت طريقتهم دقيقة للغاية. في المجموعة الداخلية، حددت القرص البصري بدقة 98.36% والضمور المحيط به بدقة 89.59%. وفي المجموعة الخارجية، لا تزال تعمل بشكل جيد جدًا، حيث حققت 97.63% للقرص و77.46% للضمور. وهذا أمر كبير لأن الضمور المحيط هو عادة الجزء الأصعب في العثور عليه، حيث يبدو غالبًا كأنه هلال باهت ومكسور.
والأهم من ذلك، نظرًا لأن الأشكال كانت نظيفة جدًا في المنظور المفرود، استطاع الحاسوب قياس "المؤشرات الحيوية" (الأرقام المحددة التي يستخدمها الأطباء لتتبع المرض) بدقة أكبر بكثير. على سبيل المثال، تمكنوا من قياس عرض الأنسجة التالفة (PPA) بخطأ قدره 2.4 بكسل فقط في المجموعة الداخلية و6.7 بكسل في المجموعة الخارجية. وهذا أفضل بكثير من نماذج الذكاء الاصطناعي الشهيرة الأخرى التي قارنوها بها، والتي تراوحت أخطاؤها بين 8.0 و13.4 بكسل لنفس القياسات.
لماذا هذا مهم
تشير الورقة البحثية إلى أنه من خلال تغيير كيفية تمثيل الصورة — من شبكة مربعة إلى خريطة قطبية "مفرودة" — يمكننا جعل الذكاء الاصطناعي أفضل بكثير في فهم الهندسة الخاصة للعين. الأمر لا يتعلق فقط برسم صورة أفضل؛ بل يتعلق بالحصول على الأرقام الصحيحة. وبما أن القياسات تأتي مباشرة من الخطوط المفروضة، فلا داعة لعمليات المعالجة اللاحقة الفوضوية أو التخمين.
وجد الباحثون أن هذا النهج يعمل جيدًا حتى عند النظر إلى عيون ذات مستويات مختلفة من قصر النظر، من الخفيف إلى الشديد. وبينما يعترفون بأن مجموعة البيانات الخاصة بهم لا تزال صغيرة نسبيًا ويحتاجون إلى اختبارها على مجموعات أكثر تنوعًا من الناس، إلا أن النتائج تشير إلى أن خدعة "الفرد" هذه هي أداة قوية. إنها تحول لغزًا طبيًا منحنيًا ومربكًا إلى قياس مباشر وبسيط، مما قد يساعد الأطباء على رصد وتتبع أمراض العين في وقت مبكر وبشكل أكثر موثوقية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.