A Multi-Stage Optimized Framework for Fundus Image Classification in Diabetic Retinopathy

تعد العين البشرية عضواً دقيقاً، وبالنسبة لملايين الأشخاص الذين يعيشون مع مرض السكري، فإنها تواجه تهديداً صامتاً ومتزايداً يُعرف باسم اعتلال الشبكية السكري. يبدأ هذا المرض عندما تؤدي مستويات السكر المرتفعة في الدم إلى إتلاف الأوعية الدموية الصغيرة والهشة التي تغذي الشبكية، وهي الطبقة الحساسة للضوء في الجزء الخلفي من العين. ومع ضعف هذه الأوعية، يمكن أن تتسرب منها السوائل أو الدم، أو حتى تنمو منها نتوءات غير طبيعية معرضة للانفجار. ومع مرور الوقت، يمكن أن يؤدي هذا الضرر إلى تشوش الرؤية، وظهور بقع مظلمة، وفي النهاية العمى الدائم. ولأن المرض غالباً ما يظهر دون أعراض في مراحله الأولى، فإن اكتشافه قبل فقدان البصر يعد أمراً بالغ الأهمية. يعتمد الأطباء تقليدياً على تصوير قاع العين، الذي يلتقط صوراً تفصيلية للشبكية للبحث عن علامات الضرر مثل البقع الحمراء الصغيرة أو الرواسب الصفراء. ومع ذلك، فإن فحص هذه الصور يدوياً عملية بطيئة، وعرضة للخطأ البشري، ويصعب توسيع نطاقها لتشمل مجموعات سكانية كبيرة. وقد تمثل التحدي للعلماء في بناء نظام حاسوبي يمكنه رؤية هذه العلامات الدقيقة بوضوح يضاهي المتخصص المدرب، ولكن بسرعة واتساق الآلة.

لقد طور فريق من الباحثين إطار عمل جديداً متعدد المراحل مصمماً لأتمتة عملية الكشف هذه بدقة ملحوظة. لا يعتمد نهجهم على برنامج حاسوبي واحد ضخم للقيام بكل شيء في آن واحد، بل قاموا بتفكيك المشكلة إلى أربع خطوات متميزة، باستخدام سلسلة من الاستراتيجيات الرياضية المتقدمة لتنقية الصورة، والعثور على المناطق المتضررة، واختيار التفاصيل الأكثر أهمية، وأخيراً إجراء التشخيص. تبدأ العملية بتنظيف صور العين الخام؛ إذ غالباً ما تعاني صور الشبكية من إضاءة غير متساوية أو ضجيج حبيبي يمكن أن يخفي الآفات التي يحتاج الأطباء لرؤيتها. استخدم الباحثون نسخة محسنة من استراتيجية مستوحاة من طريقة صيد الذئاب الرمادية، والتي يسمونها "تحسين خوارزمية تحسين الذئب الرمادي" (Improved Grey Wolf Optimization). تعمل هذه الطريقة كمنقح ماهر للغاية، حيث تضبط التباين وتزيل الضجيج لجعل الآفات تبرز بوضوح مقابل الخلفية. وفي اختباراتهم، أنتجت هذه الخطوة صوراً أكثر وضوحاً وتفصيلاً بشكل كبير مقارنة بالتقنيات القياسية القديمة، مما حافظ على الهياكل الدقيقة للشبكية مع إزالة المشتتات.

بمجرد تنظيف الصورة، تصبح المهمة التالية هي تحديد المواقع المحددة للمناطق المتضررة، مثل النزيف أو النضحات، وفصلها عن الأنسجة السليمة. وهذه مهمة صعبة لأن البقع المتضررة قد تكون صغيرة، أو غير منتظمة الشكل، أو قد تندمج مع الأوعية الدموية. استخدم الفريق استراتيجية ثانية تعتمد على سلوك صيد الحيتان، تُعرف باسم "خوارزمية تحسين الحوت المطورة" (Improved Whale Optimization Algorithm). وخلافاً للطرق القياسية التي قد تتعثر في البحث في الأماكن الخاطئة أو تفقد التفاصيل الصغيرة، تقوم هذه النسخة المحسنة بتعديل بحثها ديناميكياً؛ فهي توازن بين البحث الواسع في الصورة بأكملها وبين الغوص العميق والمركز في مناطق محددة، مما يضمن العثور حتى على أصغر الآفات دون فقدان الحواف الحادة للضرر. كانت النتائج مذهلة: نجح النظام في تحديد ورسم حدود الآفات بمستوى من الدقة يضاهي أو يتجاوز نماذج التعلم العميق المعقدة، حيث رسم حدود الضرر بدقة في كل حالة تقريباً.

بعد تحديد مواقع الآفات، يواجه الحاسوب مشكلة جديدة: تحتوي الصورة على آلاف من نقاط البيانات التي تصف اللون والملمس والشكل، وكثير منها مكرر أو غير ذي صلة. ولحل هذه المشكلة، استخدم الباحثون استراتيجية ثالثة مستوحاة من كيفية بحث النحل عن الطعام، تسمى "خوارزمية مستعمرة النحل الاصطناعية المحسنة" (Improved Artificial Bee Colony). يعمل هذا النظام كمرشح، حيث يغربل القائمة الضخمة من الميزات للعثور على المجموعة الصغيرة التي تهم حقاً للتشخيص. ومن خلال التخلص من الضجيج والاحتفاظ فقط بالتفاصيل الأكثر إفادة، قلل النظام من كمية البيانات التي يحتاج إلى معالجتها بأكثر من الثلثين. وتعد هذه الخطوة حاسمة لأنها تسرع عملية اتخاذ القرار النهائي دون التضحية بالدقة. ثم تم تغذية الميزات المتبقية في مصنف نهائي، وهو "آلة دعم المتجهات الضبابية المحسنة" (Improved Fuzzy Support Vector Machine). صُممت هذه الأداة للتعامل مع عدم اليقين والتداخل الذي يوجد غالã في الصور الطبية، حيث قد تبدو بقعة سليمة شبيهة قليلاً ببقعة متضررة. وهي تستخدم نظام منطق "ضبابي" لوزن الأدلة، مما يسمح لها باتخاذ قرار واثق حتى عندما لا تكون الخطوط الفاصلة بين الصحة والمرض حادة تماماً.

إن نتيجة إطار العمل رباعي المراحل هذا هو نظام يتميز بدقة عالية وكفاءة حوسبية عالية. وعند اختباره على مجموعة بيانات قياسية من صور الشبكية، أظهرت العملية برمتها موثوقية استثنائية. استغرقت خطوة المعالجة المسبقة أقل من ثانية لإنتاج صور عالية الجودة، واستغرقت خطوة اختيار الميزات ما يزيد قليلاً عن ست ثوانٍ لتقليل عبء البيانات. والأهم من ذلك، حقق التشخيص النهائي دقة بلغت 98.55%، مع معدلات دقة واستدعاء متطابقة تقريباً، مما يعني أن النظام نادراً ما فاتته حالة من المرض ونادراً ما صنف عيناً سليمة على أنها مريضة. وقد تحقق الباحثون من هذه النتائج باستخدام طرق إحصائية صارمة، مؤكدين أن النتائج كانت متسقة عبر مجموعات مختلفة من البيانات وليست مجرد ضربة حظ. ومن خلال الجمع بين هذه الاستراتيجيات المحسنة، تقدم الدراسة وسيلة قوية ومؤتمتة للفحص للكشف عن اعتلال الشبكية السكري، مما قد يسمح بالكشف المبكر والتدخل للمرضى حول العالم دون الحاجة إلى مراجعات يدوية مكلفة ومستهلكة للوقت.