← أحدث الأبحاث
🤖 AI

OptiModNet: A UNet-Transformer Hybrid with Grouped-Query and Channel Attention for Optic Disc and Cup Segmentation

تقدم الورقة البحثية OptiModNet، وهي بنية هجينة خفيفة الوزن تجمع بين UNet وTransformer وتتضمن آليات استعلام مجمعة وانتباه القنوات إلى جانب فقد هرمي مجمع، والتي تحقق أداءً هو الأفضل في فئته في تقسيم قرص العصب البصري والقعرة على مجموعة بيانات REFUGE2 مع الحفاظ على كفاءة حوسبية عالية.

المؤلفون الأصليون: Soumili Ghosh, Debapriya Roy, Aryan Das, Bikash Santra

نُشر 2026-08-20
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Soumili Ghosh, Debapriya Roy, Aryan Das, Bikash Santra

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

يُعد الجلوكوما (المياه الزرقاء) سبباً رئيسياً للعمى غير القابل للعلاج في جميع أنحاء العالم، وغالباً ما يتطور بصمت دون أعراض مبكرة. ولأن الضرر الناتج عنه دائم، فإن اكتشاف المرض في مراحله الأولى يعد أمراً بالغ الأهمية. يعتمد الأطباء على فحص الجزء الخلفي من العين، وتحديداً من خلال النظر إلى هيكلين دائريين: القرص البصري، حيث يدخل العصب إلى العين، واللقفة البصرية، وهي منخفض أصغر داخل القرص. ومن خلال قياس حجم اللقفة بالنسبة للقرص، يمكن للأطباء حساب نسبة تعمل كعلامة تحذير حيوية للمرض. ومع ذلك، فإن رسم هذه الحدود يدوياً أمر صعب، ويستغرق وقتاً طويلاً، وعرضة للخطأ البشري، خاصة عندما تكون الصور ضبابية أو التباين فيها منخفضاً. ولحل هذه المشكلة، لجأ العلماء إلى الذكاء الاصطناعي، حيث قاموا بتعليم الحواسيب كيفية التعرف على هذه الهياكل تلقائياً. وبينما تستطيع البرامج الحاسوبية الحالية القيام بذلك، إلا أن النماذج الأكثر دقة غالباً ما تكون ثقيلة ومعقدة للغاية بحيث تتطلب أجهزة قوية ومكلفة، مما يجعل استخدامها صعباً في العيادات اليومية أو برامج الفحص واسعة النطاق حيث السرعة والبساطة أمران ضروريان.

لقد طور فريق من الباحثين نهجاً جديداً يوازن بين الدقة العالية والخفة، حيث أنشأوا نظاماً أطلقوا عليه اسم "OptiModNet". كان هدفهم هو بناء نموذج يمكنه رؤية الصورة الكاملة لتشريح العين مع ملاحظة التفاصيل الدقيقة والصغيرة للحواف أيضاً، دون الحاجة إلى حاسوب خارق لتشغيله. وقد حققوا ذلك من خلال الجمع بين نوعين مختلفين من بنيات الذكاء الاصطناعي. النوع الأول، المعروف باسم "UNet"، ممتاز في رصد التفاصيل المحلية والحواف، تماماً مثل شخص ينظر عن كثب إلى جزء محدد من خريطة. أما النوع الآخر، القائم على تقنية "المحول" (Transformer)، فهو أفضل في فهم الصورة الكبيرة وكيفية ارتباط الأجزاء المختلفة ببعضها البعض عبر مسافات طويلة. وكانت المحاولات السابقة لدمج هذين النوعين غالباً ما تؤدي إلى نماذج لا تزال ثقيلة أو معقدة. وقد قام الباحثون في هذه الدراسة بتحسين عملية الدمج من خلال إدخال تحسينين محددين. أولاً، قاموا بتغيير كيفية معالجة النموذج للمعلومات في طبقة "التفكير" الخاصة به لتجميع الأسئلة معاً، مما قلل بشكل كبير من كمية العمليات الحسابية المطلوبة. ثان، أضافوا آلية في طبقة فك التشفير تساعد النموذج على التركيز على الميزات الأكثر أهمية مع تجاهل الميزات الأقل فائدة، مما يؤدي إلى شحذ الخطوط النهائية للقرص البصري واللقفة البصرية.

ولتدريب هذا النظام الجديد، استخدم الباحثون مجموعة كبيرة من صور الشبكية تُعرف باسم مجموعة بيانات "REFUGE2"، والتي تحتوي على آلاف مسحات العين مع حدود رسمها الخبراء. كما اختبروا نموذجهم على مجموعة بيانات ثانية تسمى "ORIGA" للتأكد من عمله بشكل جيد على أنواع مختلفة من الصور. كانت النتائج مذهلة؛ ففي مجموعة البيانات الأولى، حدد النموذج الجديد القرص البصري بدقة بلغت 99.45% واللقفة البصرية بدقة بلغت 93.23%، متفوقاً على أفضل الطرق السابقة بأكثر من 2.5%. وفي مجموعة البيانات الثانية، حقق أعلى دقة تم تسجيلها لهذا الاختبار تحديداً. ولعل الأهم من ذلك هو أن النموذج فعال للغاية؛ فهو يتطلب 1.93 مليون معلمة فقط ليعمل، وهو ما يقل بنسبة 96% تقريباً عن النماذج المنافسة الأكثر تعقيداً. ومن حيث القدرة الحسابية، فإنه يستخدم 3.73 جيجا فلوب (GFLOPs) فقط، وهو جزء ضئيل من الطاقة التي تتطلبها الأنظمة الأخرى ذات الأداء العالي. وهذا يعني أن النموذج يمكنه نظرياً العمل على المعدات الطبية القياسية بدلاً من الحاجة إلى خوادم متخصصة وعالية المواصفات.

كما اختبر الباحثون مدى مساهمة كل جزء من تصميمهم في النجاح النهائي. ووجدوا أن إضافة آلية التجميع وميزة طبقة تعزيز التركيز بشكل فردي قد حسنت النتائج، لكن الجمع بينهما أنتج النتيجة الأفضل. كما قدموا طريقة جديدة لتعليم النموذج أثناء التدريب، تقوم بفحص تقدم النموذج في عدة مراحل مختلفة من التعلم بدلاً من مجرد التحقق في النهاية. ساعدت هذه الطريقة النموذج على التعلم بشكل أكثر اتساقاً وإنتاج حدود أكثر سلاسة ودقة. وعندما قارنوا المخرجات المرئية لنموذجهم مع الأنظمة الأخرى، أنتج النموذج الجديد خطوطاً خارجية تتوافق بشكل أكبر بك mucho مع "الحقيقة الأرضية" التي رسمها الخبراء، حتى في الحالات الصعبة حيث تتقاطع الأوعية الدموية مع المنطقة أو تكون الإضاءة غير متساوية. وتخلص الدراسة إلى أنه من خلال المزج الدقيق بين هذه التقنيات المختلفة، من الممكن إنشاء أداة تتسم بالدقة العالية والخفة الكافية للاستخدام على نطاق واسع. يشير هذا التقدم إلى أن الفحص الآلي عالي الجودة للجلوكوما قد يصبح قريباً واقعاً ملموساً في البيئات محدودة الموارد، مما قد ينقذ بصر الكثير من الناس.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →