NeviUNet: An Efficient Attention-Enhanced Network for Skin Lesion Segmentation in Total Body Images
تُعد NeviUNet نسخة مطورة وفعالة من بنية U-Net معززة بالانتباه، تحقق تجزئة دقيقة ومنخفضة التأخير لآفات الجلد في صور كامل الجسم من خلال دمج تنشيط Mish، وبوابات الانتباه (Attention Gates)، وكتل SE، مع الاستغناء عن المكونات المكلفة حاسوبياً.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
يعتبر جلد الإنسان مشهداً طبيعياً شاسعاً ومعقداً، يعمل كدرع واقٍ ومرآة تعكس صحتنا الداخلية في آن واحد. وضمن هذا المشهد، تنتشر بقع صبغية تُعرف باسم الشامات، ولكن بعضها يمكن أن يتغير بطرق تشير إلى تهديد خطير مثل سرطان الجلد (الميلانوما). ولأن هذه التغييرات قد تكون دقيقة وتحدث على مدار سنوات، يعتمد الأطباء على المراقبة طويلة الأمد، وغالباً ما يستخدمون كاميرات عالية الدقة لتصوير كامل الجسم من كل زاوية. وهذا يخلق كمية هائلة من البيانات المرئية، ولكن لكي يتمكن الحاسوب من مساعدة الطبيب، يجب عليه أولاً أن يتعلم كيفية إيجاد وتحديد حدود هذه البقع المحددة مقابل خلفية الجلد الطبيعي. تسمى هذه العملية "التجزئة" (segmentation)، وهي عملية صعبة لأن البقع يمكن أن تبدو مختلفة جداً عن بعضها البعض، وأحياناً تندمج مع الجلد، وغالباً ما تكون محاطة بمعالم مشتتة مثل الشعر أو الإضاءة غير المتساوية.
لسنوات عديدة، حاول العلماء تعليم الحواسيب القيام بهذا العمل باستخدام التعلم العميق، وهو نوع من الذكاء الاصطناعي يحاكي الطريقة التي يعالج بها الدماغ البشري الصور. وكانت الأداة الأكثر شعبية لهذه المهمة هي بنية حاسوبية محددة تُعرف باسم "U-Net"، والتي تعمل مثل رسام خرائط متطور، حيث تقرب الرؤية لرؤية التفاصيل الدقيقة وتبتعد لتفهم الصورة الكاملة. ومع ذلك، ظهرت مشكلة مستمرة: غالباً ما تكون النماذج الحاسوبية الأكثر دقة ثقيلة ومعقدة للغاية بحيث تعمل ببطء شد في العيادات، بينما النماذج الأسرع تكون بسيطة جداً بحيث لا تستطيع إيجاد البقع الصعبة بدقة. وقد سعى الباحثون في جامعة لودز للتكنولوجيا في بولندا لحل هذا المأزق تحديداً عبر ابتكار نظام جديد يتسم بالحدة الكافية لرؤية التفاصيل والخفة الكافية للعمل بسرعة على المعدات الطبية القياسية.
قام الفريق بتطوير نموذج حاسوبي جديد أطلقوا عليه اسم "NeviUNet"، صُمم خصيصاً لتحليل الصور الملتقطة بواسطة نموذج أولي لماسح ضوئي كامل للجسم يسمى "Dermo Studio". يلتقط هذا الماسح أربعين صورة عالية الدقة لجسم المريض أثناء دورانه، مما ينشئ سجلاً رقمياً كاملاً لجلده. ولتعليم نموذجهم الجديد، جمع الباحثون مجموعة من هذه الصور وجعلوا اختصاصي جلد يرسم يدوياً حدوداً دقيقة حول الشامات في كل صورة. ولأن الصور كبيرة ومفصلة للغاية، لا يستطيع الحاسوب معالجتها جميعها دفعة واحدة، لذا قام الفريق بتقسيمها إلى مربعات أصغر يمكن إدارتها. ثم دربوا ذكاءهم الاصطناعي على النظر إلى هذه المربعات وتحديد أي البكسلات تنتمي إلى شامة وأيها تنتمي إلى الجلد الطبيعي.
واجه الباحثون عقبة كبيرة: في هذه الصور كاملة الجسم، تغطي الشامات الفعلية جزءاً ضئيلاً جداً من الصورة، بينما يمثل الباقي مجرد جلد. هذا الاختلال يجعل من السهل جداً على الحاسوب إعطاء الأولوية للفئة الأكثر انتشاراً وتخمين أن كل شيء هو مجرد خلفية جلدية، مما يؤدي فعلياً إلى تجاهل الشامات تماماً. ولمنع حدนี้، صمم الفريق نموذجهم مع تركيز خاص على الأجزاء النادرة والمهمة في الصورة. لقد بنوا النظام باستخدام نسخة مبسطة من بنية "U-Net"، لكنهم أضافوا تحسينات محددة ومستهدفة. فقد ضمنوا آلية تساعد الحاسوب على الانتباه إلى الميزات الأكثر صلة، ونهجاً رياضياً خاصاً يعاقب الحاسوب بشدة إذا فاتته شامة، مما يجبره على أن يكون أكثر حذراً. والأهم من ذلك، أنهم تعمدوا استبعاد بعض المكونات الثقيلة والمعقدة الموجودة في النماذج المتقدمة الأخرى والتي تُعرف بأنها تبطئ العمل دون إضافة قيمة كافية لهذه المهمة المحددة.
عندما اختبروا ابتكارهم، كانت النتائج واضحة. نجح نموذج "Nevi-UNet" الجديد في تحديد ورسم حدود الشامات بدرجة عالية من الدقة، متفوقاً بشكل كبير على كل من النماذج القديمة البسيطة والنماذج الأثقل والأكثر تعقيداً التي جُربت من قبل. وبينما عانت النماذج الأثقل للعمل بسلاسة وغالنت إنتاج نتائج غير متسقة، تمكن النموذج الجديد من معالجة الصور بسرعة وموثوقية. وفي الواقع، كان النظام سريعاً بما يكفي لتحليل آلاف المربعات الصورية الناتجة عن مسحة واحدة للجسم في إطار زمني يطابق سرعة الماسح الضوئي نفسه. وهذا يعني أنه في عيادة واقعية، يمكن للطبيب نظرياً رؤية تحليل الحاسوب لجسم المريض بالكامل فور انتهاء المسح، دون انتظار أوقات المعالجة البطيئة.
كشفت الدراسة أيضاً عن أمر مهم يتعلق بكيفية بناء هذه النماذج الحاسوبية. وجد الباحثون أن مجرد جعل النموذج أكبر أو إضافة طبقات أكثر تعقيداً لا يجعل النموذج أفضل تلقائياً. ففي اختباراتهم، أدت النماذج الأكثر تعقيداً المتاحة في الواقع أداءً أسوأ من تصميمهم الجديد الأخف وزناً، ومن المرجح أن ذلك بسبب كونها معقدة للغاية بحيث يصعب تعلمها بفعالية من كمية بيانات التدريب المحدودة المتاحة لديهم. إن نجاح "NeviUNet" يشير إلى أن المسار الأفضل للمضي قدماً ليس بناء أكبر عقل حاسوبي ممكن، بل بناء عقل أكثر ذكاءً وكفاءة يتم ضبطه بعناية للمهمة المحددة التي يحتاجها. ومن خلال الموازنة بين الدقة والسرعة، يقدم هذا النهج الجديد طريقة عملية لجلب الذكاء الاصطناعي المتقدم إلى الممارسة اليومية للكشف عن سرطان الجلد، مما يجعل من الممكن مراقبة المرضى بشكل أكثر فعالية واكتشاف التغييرات الخطيرة في وقت مبكر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.