⚡ electrical engineering

CiUNet: A Hybrid Swin-CNN UNet for Medical Image Segmentation

تقترح هذه الورقة البحثية نموذج CiUNet، وهو بنية هجينة خفيفة الوزن من نوع Swin-CNN U-Net تدمج مشفر CNN متوازياً، ودمجاً غير متماثل للميزات، واتصالات تخطي عبر الطبقات لتحقيق أقصى درجات الدقة والكفاءة والقابلية للتفسير في تقسيم الصور الطبية.

المؤلفون الأصليون: Bin Dong, Jinghong Chen

نُشر 2026-08-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Bin Dong, Jinghong Chen

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

في هدوء المستشفيات الحديثة، غالباً ما يُطلب من الحاسوب أداء مهمة تتطلب يد جراح ثابتة وعين محقق ثاقبة: يجب عليه النظر في مسح طبي وتتبع الخطوط العريضة الدقيقة لعضو بشري. هذه العملية، المعروفة باسم "تجزئة الصور" (image segmentation)، هي المعادل الرقمي للتلوين داخل الخطوط، لكن الخطوط هنا غالباً ما تكون باهتة، والأشكال معقدة، والرهانات عالية جداً. لسنوات طويلة، كانت الأداة القياسية لهذه المهمة هي نوع من الذكاء الاصطناعي يسمى "الشبكة العصبية التلافيفية" (CNN). فكر في هذا النظام كعامل بارع في ملاحظة التفاصيل الدقيقة، مثل ملمس الجلد أو حافة العظم، ولكنه يعاني في فهم الصورة الكبيرة، مثل كيفية اتصال الكبد ببقية الجسم. وفي الآونة الأخيرة، ظهر نوع مختلف من الذكاء الاصطناعي، يعتمد على تقنية تسمى "المحول" (Transformer). هذا العامل الجديد هو سيد في رؤية المشهد بأكمله وفهم الروابط بعيدة المدى، ومع ذلك فإنه غالباً ما يفتقد التفاصيل الصغيرة والحاسمة التي تحدد الحدود الدقيقة للعضو. لقد كان التحدي الذي يواجه العلماء هو بناء نظام يمتلك أفضل سمات كليهما: القدرة على رؤية الغابة والقدرة على عد الأشجار.

لقد عالج فريق من الباحثين في شركة "Ciphowork GmbH" هذه المعضلة من خلال بنية جديدة أطلقوا عليها اسم "CiUNet". يقترح عملهم، الذي تم اختباره على مجموعة بيانات من الأشعة المقطعية للبطن تحتوي على ثلاثين صورة أشعة مقطعية، حلاً هجيناً يدمج هذين النهجين المتميزين في نظام واحد انسيابي. وبدلاً من إجبار نوع واحد من الذكاء الاصطناعي على القيام بكل شيء، قاموا ببناء إطار عمل ثنائي المحركات. أحد المحركين هو "المحول"، الذي يمسح الصورة لفهم التخطيط العام وسياق الأعضاء. وبالتوازي معه، يعمل محرك ثانٍ، وهو "الشبكة العصبية التلافيفية"، والتي تركز حصرياً على التقاط الأنسجة عالية الدقة والحواف الحادة التي قد يفتقدها المحرك الأول. هذه التدفقات من المعلومات لا تُلقى معاً فحسب؛ بل يتم نسجها بعناية. فقد صمم الباحثون آلية محددة لأخذ التفاصيل الدقيقة من المراحل المبكرة للشبكة التلافيفية وتغذيتها مباشرة في الطبقات العميقة لـ "مفكك" (decoder) المحول. وهذا يضمن أنه عندما يعيد الكمبيوتر بناء الصورة النهائية للأعضاء، فإنه لا يفقد دقة الحدود.

تم قياس نتائج هذا النهج مقابل معيار صارم باستخدام مجموعة بيانات تُعرف باسم "Synapse"، والتي تتضمن صوراً لثمانية أعضاء مختلفة في البطن مثل الأبهر، والمرارة، والكلى. ووجد الفريق أن نموذجهم الهجين حقق مستوى عالياً من الدقة، بمتوسط "درجة دايس" (Dice score) بلغ 83.72 بالمائة. والأهم من ذلك، أن النظام تفوق في تحديد حواف الأعضاء، وهو عامل حاسم للتخطيط الجراحي. وفي الاختبارات التي تقيس مدى ابتعاد الحدود المتوقعة عن الحدود الحقيقية، أظهر النموذج الجديد تحسناً ملحوظاً عن الطرق السابقة التي اعتمدت فقط على تصميم "المحول". وقد أدى أداءً جيداً بشكل خاص في الأعضاء التي يصعب تحديدها غالباً، مثل الكلى والمرارة، مما يشير إلى أن إضافة محرك التفاصيل المحلية قد نجح في تعويض نقاط ضعف محرك السياق العالمي.

لضمان تعلم النظام بفعالية، استخدم الباحثون استراتيجية تعليمية تحاكي كيفية تعلم البشر لمهارة معقدة. فبدلاً من إلقاء مجموعة البيانات بأكملها على الكمبيوتر دفعة واحدة، بدأوا بأمثلة أبسط، مع التركيز في البداية على الشرائح التي تحتوي على الأعضاء المستهدفة، وتحديداً البنكرياس والمرارة. ومع إتقان النظام لهذه الأمثلة، أصبحت بيانات التدريب أكثر تعقيداً تدريجياً، حيث أدخلوا المزيد من الضوضاء الخلفية ومجموعة متنوعة أوسع من الهياكل التشريحية. سمح هذا التقدم خطوة بخطوة للنموذج ببناء أساس متين قبل التعامل مع الحالات الأكثر صعوبة. علاوة على ذلك، أضاف الباحثون طبقة من الإشراف الداخلي، مما منح النظام تغذية راجعة في مراحل متوسطة من معالجته. عمل هذا كدليل، يساعد الأجزاء العميقة من الشبكة على فهم ما تراه ويضمن بقاء المخرجات النهائية متسقة مع الملاحظات التفصيلية المبكرة.

إن تداعيات هذا العمل تمتد إلى ما وراء مجرد الأرقام في المخططات. فقد سلط الباحثون الضوء على أن تصميمهم يوفر ميزة عملية للنشر في العالم الحقيقي، لا سيما فيما يتعلق بخصوصية المريض. ولأن النظام يمكنه فصل المعالجة الأولية للصورة عن العمل الحسابي الثقيل، يمكن للمستشفى تقنياً معالجة بيانات المرضى الحساسة محلياً على جهاز صغير وآمن وإرسال الميزات المجردة وغير القابلة لتحديد الهوية فقط إلى خادم سحابي لإجراء التحليل النهائي. هذا الفصل يسمح بسير عمل آمن وفعال يحافظ على دقة عالية دون كشف الصور الطبية الخام. وبينما لا يزال النموذج يواجه تحديات مع بعض الأعضاء المعقدة مثل المعدة، حيث لم يطابق تماماً أداء النماذج ثلاثية الأبعاد الأكثر تقدماً، إلا أنه يمثل خطوة كبيرة للأمام. فهو يثبت أنه من خلال الجمع بين نقاط القوة لفلسفتين مختلفتين من الذكاء الاصطناعي، من الممكن إنشاء أداة ليست دقيقة وفعالة فحسب، بل أيضاً قابلة للتفسير وآمنة بما يكفي للبيئة المتطلبة للطب السريري.

ملخص تقني لنموذج CiUNet: شبكة هجينة من نوع Swin-CNN UNet لتجزئة الصور الطبية

أبحاث مشابهة