SFCT-Net: A Wavelet-Based Spatial-Frequency Signal Reconstruction Framework for Robust Medical Image Segmentation

في عالم التصوير الطبي، تعمل أجهزة مثل أجهزة الموجات فوق الصوتية وكاميرات الجلد بمثابة عيون الأطباء المعاصرين، حيث تلتقط المناظر الطبيعية الخفية لجسم الإنسان. ومع ذلك، نادراً ما تكون هذه الصور مثالية؛ فهي غالباً ما تصل مشوهة بفعل الفيزياء التي أوجدتها: سواء كان ذلك عبر الضجيج الحبيبي لموجات الصوت المرتدة عن الأنسجة، أو الإضاءة غير المتساوية والشعر الذي يحجب آفة جلدية. ولكي يتمكن الحاسوب من مساعدة الطبيب، يجب أن يتعلم كيفية الرؤية من خلال هذا الضجيج وتتبع الحواف الدقيقة لورم أو عضلة، وهي مهمة تُعرف باسم "التجزئة" (segmentation). تقليدياً، حاولت الحواسيب حل هذه المشكلة عبر النظر إلى الصورة كمجرد شبكة بسيطة من البكسلات، محاولةً التخمين أي منها ينتمي إلى العضو وأيها ينتمي إلى الخلفية. لكن هذا النهج غالباً ما يفشل عندما تكون الصورة ضبابية أو مليئة بالضجيج، لأن الحاسوب يرتبك بسبب التشويش، فيخطئ في اعتبار الضجيج حدوداً حقيقية أو يقوم بتنعيم حافة حرجة حتى تختفي.

اقترح فريق من الباحثين من جامعة فوجيان للتكنولوجيا ومؤسسات أخرى طريقة مختلفة للتفكير في هذه المشكلة. فبدلاً من معاملة الصورة الطبية كمجرد صورة مكونة من بكسلات، هم ينظرون إليها كإشارة موجودة في عالمين في آن واحد: العالم المكاني الذي نراه، وعالم التردد الذي يصف كيفية تغير الصورة من المناطق الناعمة إلى الحواف الحادة. ويجادلون بأن الأدوات القياسية التي تستخدمها الحواسيب لعملية "التكبير" أو إعادة بناء صورة من نسخة أصغر هي في الواقع جزء من المشكلة. فهذه الأدوات، التي تعمل عبر مجرد تمديد البكسلات، تعمل كمرشح منخفض الجودة يؤدي إلى طمس التفاصيل الدقيقة وخلق خطوط متعرجة وغير طبيعية. ولإصلاح ذلك، طور الباحثون نظاماً جديداً يسمى SFCT-Net، والذي يعامل إعادة بناء الصورة الطبية كعملية فصل وتنظيف لأنواع مختلفة من الإشارات قبل إعادة تجميعها.

يكمن جوهر ابتكارهم في كيفية معالجة الحاسوب للصورة. تستخدم معظم الأنظمة الحديثة نوعين مختلفين من محركات الذكاء الاصطناعي التي تعمل بالتتابع: محرك جيد في رصد الأنسجة المحلية الصغيرة، وآخر جيد في فهم الصورة الكلية. وجد الباحثون أن تشغيل هذه المحركات واحداً تلو الآخر يتسبب في فقدان الحاسوب لتفاصيل مهمة. بدلاً من ذلك، بنوا نظاماً متوازياً حيث يعمل كلا المحركين في وقت واحد، ويتواصلان باستمرار لتبادل ما يريانه. لقد أنشأوا جسراً خاصاً بين هذين المحركين، مما يسمح للمحرك الذي يركز على الصورة الكلية بتوجيه المحرك الذي يركز على التفاصيل، والعكس صحيح. وهذا يضمن أن يفهم الحاسوب كلاً من الشكل العام للعضو والخطوط الدقيقة والحادة التي تحدد حافته، دون السماح لضجيج الصورة بإرباك الاتصال بينهما.

ومع ذلك، فإن التغيير الأكثر أهمية يحدث عندما يحاول الحاسوب بناء الصورة النهائية. فبدلاً من استخدام الطريقة القياسية لتمديد البكسلات، والتي أظهر الباحثون أنها تخلق نوعاً معيناً من التشويه البصري المعروف باسم "تداخل الترددات" (frequency aliasing)، قدموا أداة جديدة تعتمد على تحويلات المويجات (wavelet transforms). وببساطة، تقوم هذه الأداة بتفكيك إشارة الصورة إلى أجزائها ذات التردد المنخفض الناعمة، وأجزائها ذات التردد العالي الحادة. وهي تسمح للحاسوب بتنظيف الضجيج في المناطق الناعمة دون مسح الحواف الحادة بالخطأ، وشحذ الحواف دون جعل الخلفية تبدو محببة. وبمجرد تنظيف هذه الأجزاء وفصلها، يعيد النظام تجميعها بشكل مثالي، محافظاً على الحدود الدقيقة للتشريح التي تميل الطرق الأخرى إلى طمسها أو كسرها.

ولاختبار مدى فعالية هذا النهج الجديد، أخضع الباحثون نظامهم لاختبارات صارمة عبر عشر مجموعات بيانات طبية مختلفة، تتراوح من صور الموجات فوق الصوتية لعقيدات الغدة الدرقية وأورام الثدي، إلى فحوصات الجلد لسرطان الميلانوما والمناظر التنظيرية للسلائل (polyps). وقارنوا نتائجهم مع أربعة عشر نظاماً من أكثر الأنظمة تقدماً المتاحة حالياً. وكانت النتائج متسقة وواضحة: تفوق إطار عملهم الجديد بشكل كبير على الأنظمة الأخرى في معظم الفئات. ففي مجموعة بيانات الغدة الدرقية، حقق نظامهم درجة 89.05% في مطابقة المنطقة الصحيحة، وهي قفزة ملحوية عن أفضل طريقة تالية لها. وفي صور سرطان الجلد، وصل إلى 95.79%، وفي تصوير العضلات بلغ 96.06%. والأهم من ذلك، أظهرت النتائج البصرية أن نظامهم قام بعمل أفضل بكثير في تتبع الخطوط الخارجية الدقيقة، والمتعرجة غالباً، للأورام والآفات، بينما كانت الأنظمة القديمة تميل إلى إنتاج أشكال إما ناعمة جداً أو ذات حواف مكسورة ومنفصلة.

كما أجرى الباحثون اختبارات محددة لإثبات أن مكوناتهم الجديدة هي السبب وراء هذا النجاح. فقد أظهروا أن مجرد وجود محركين يعملان معاً لم يكن كافياً؛ بل احتاج النظام إلى ذلك الجسر الخاص لمواءمة فهمهما. كما أثبتوا أن استبدال طريقة تمديد البكسلات القياسية بإعادة البناء القائمة على المويجات كان العامل الأهم في تقليل الأخطاء. فعندما أزالوا أداة المويجات وعادوا إلى الطريقة القديمة، انخفض الأداء وأصبحت الصور أقل دقة. وقد أكد ذلك أن الطريقة التي يُعاد بها بناء الصورة لا تقل أهمية عن كيفية تحليلها. وتشير الدراسة إلى أنه من خلال احترام الطبيعة الترددية للإشارات الطبية وتجنب التشوهات الناتجة عن معالجة البكسلات التقليدية، يمكن للحواسيب أن تصبح شركاء أكثر موثوقية في تشخيص الأمراض، مما يوفر رؤية أوضح وأكثر دقة للهياكل الخفية لجسم الإنسان.