Multi-Dataset Deep Learning for Automated Multiple Sclerosis Lesion Segmentation in Multimodal Brain MRI
تقدم هذه الدراسة إطار عمل للتعلم العميق متعدد مجموعات البيانات يستخدم بنية UNet++ مع مدخلات رنين مغناطيسي متعددة الأنماط وتحسيناً واعياً بعدم التوازن لتحقيق تقسيم آلي محسّن لآفات التصلب المتعدد، مما يظهر حساسية معززة للآفات الصغيرة مع التأكيد على ضرورة التحقق الخارجي للنشر السريري.
المؤلفون الأصليون:Mahmoud Elsayed, Mostafa Elhoshy, Nahla Bishri, Ahmed I. Saleh
التصلب المتعدد هو حالة يقوم فيها جهاز المناعة في الجسم بمهاجمة الغطاء الواقي للألياف العصبية في الدماغ والحبل الشوكي عن طريق الخطأ. هذا الضرر يترك وراءه ندبات صغيرة، أو آفات، تعطل الإشارات التي تنتقل عبر الجهاز العصبي. ولفهم كيفية تطور المرض، يعتمد الأطباء بشكل كبير على التصوير بالرنين المغناطيسي، وهي تقنية تستخدم مغناطيسات قوية لإنشاء صور تفصيلية للدماغ. تأتي هذه الصور في "نكهات" أو تسلسلات مختلفة، كل منها يسلط الضوء على أنواع مختلفة من الأنسجة؛ فأحد التسلسلات يجعل السوائل تبرز، والآخر يظهر بنية مادة الدماغ، والثالث يساعد في رصد مناطق الالتهاب. ولعقود من الزمن، قام الأطباء بفحص هذه الصور يدويًا لعد وقياس هذه الآفات، وهي مهمة بطيئة ومملة وعرضة للخطأ البشري لأن الندبات يمكن أن تكون متناهية الصغر، أو باهتة، أو متناثرة في أماكن يصعب رؤيتها.
لق la أتمتة هذه العملية باستخدام أجهزة الكمبيوتر هدفًا طالما سعى إليه الباحثون، لكن الأمر أثبت صعوبة مفاجئة. فالآفات تختلف اختلافًا هائلاً في الحجم والشكل، وغالبًا ما تشغل جزءًا ضئيلًا جدًا من صورة الدماغ الإجمالية، مما يجعل من السهل على الكمبيوتر التغاضي عنها. علاوة على على ذلك، فإن الصور الملتقطة على أجهزة مختلفة أو في مستشفيات مختلفة قد تبدو مختلفة قليلاً، مما يتسبب في فشل برنامج الكمبيوتر المدرب على مجموعة من الصور عند عرضه على صور أخرى. وقد طور فريق من الباحثين من جامعة المنصورة في مصر نهجًا جديدًا لمعالجة هذه المشكلات؛ حيث بنوا نظامًا حاسوبيًا مصممًا للتعلم من مجموعة واسعة ومتنوعة من فحوصات الدماغ، ليعلمه التعرف على هذه الندبات المراوغة بدقة أكبر من الطرق السابقة.
جمع الباحثون البيانات من ثلاثة مصادر عامة مختلفة، حيث دمجوا فحوصات لـ 165 مريضًا لإنشاء مجموعة تدريب كبيرة ومتنوعة. شمل هذا المزيج صورًا من أنواع مختلفة من الماسحات الضوئية وقوى مجالات مغناطيسية مختلفة، مما يضمن أن يتعلم الكمبيوتر التعرف على الآفات بغض بغض النظر عن مكان التقاط الصورة أو كيفية التقاطها. وبدلاً من الاعتماد على نوع واحد فقط من الصور، تم تغذية النظام بثلاثة تسلسلات مختلفة في وقت واحد، تمامًا كما قد ينظر الإنسان إلى مشهد من زوايا مختلفة لفهمه بشكل كامل. ويعد جوهر نظامهم عبارة عن شبكة عصبية متخصصة، وهي نوع من برامج الكمبيوتر المستوحاة من الدماغ البشري، والتي اختاروها لقدرتها على ربط طبقات مختلفة من المعلومات لإيجاد التفاصيل الدقيقة. لقد دربوا هذه الشبكة للبحث عن الأنماط المحددة للمرض، باستخدام استراتيجية تعلم تولي اهتمامًا إضافيًا للبقع النادرة حيث تظهر الآفات، مما يضمن عدم تجاهل الكمبيوتر لها ببساطة لصالح أنسجة الدماغ السليمة التي تشغل معظم الصورة.
وعندما اختبر الفريق نظامهم الجديد على مجموعة من فحوصات الدماغ التي لم يسبق له رؤيتها من قبل، كانت النتائج واعدة. فقد نجح الكمبيوتر في تحديد الآفات بدرجة عالية من التطابق مع العلامات التي وضعها الخبراء البشر والتي تُستخدم كمعيار ذهبي. والأهم من ذلك، أنه أظهر تحسنًا ملحوظًا في العثور على أصغر الآفات وأصعبها رؤية، حيث رصد حوالي 62 بالمائة منها، وهو ما يمثل قفزة كبيرة عن الطرق القديمة. كما أثبت النظام سرعته، حيث كان قادرًا على تحليل فحص كامل للدماغ في أقل من ثانيتين، وهي سرعة يمكن أن تجعل منه أداة عملية للمستشفيات المزدحمة. وقارن الباحثون نهجهم بعدة نماذج حاسوبية شهيرة أخرى ووجدوا أن طريقتهم، التي جمعت بين أنواع متعددة من الصور واستراتيجية تعلم محددة، تفوقت باستمرار على الآخرين. كما اختبروا النظام تحت ظروف صارمة ومحدودة الموارد لمعرفة كيف سيتصرف على منصات الحوسبة السحابية القياسية، مما أكد أن النهج قوي حتى عندما لا تكون قدرة الحوسبة غير محدودة.
وعلى الرغم من هذه النجاحات، يوضح الباحثون بحذر أن هذا النموذج هو نموذج أولي، وليس جهازًا طبيًا نهائيًا جاهزًا للاستخدام الفوري في كل عيادة. فقد تم تدريب النظام واختباره على بيانات كانت متاحة بالفعل للجمهور، مما يعني أنه لم يثبت بعد نجاحه في العمل مع المرضى في بيئة مستشفى واقعية مع كل ما تتسم به الممارسة اليومية من عدم قابلية للتنبؤ. ويشير الفريق إلى أن النظام لا يزال يعاني مع أصغر الآفات ولم يتم اختباره بعد على صور الحبل الشوكي، الذي يتأثر أيضًا بالمرض. كما يؤكدون أنه قبل أن يمكن الوثوق بهذه التكنولوجيا لتوجيه رعاية المرضى، يجب أن تخضع لاختبارات صارمة عبر العديد من المستشفيات وأنواع الماسحات الضوئية لضمان عملها بموثوقية للجميع. ويمثل هذا العمل خطوة هامة للأمام في تعليم أجهزة الكمبيوتر رؤية ما يراه الأطباء، مما يقدم مستقبلًا محتملاً حيث يتم التعامل مع العمل الممل لعد الندبات بواسطة آلة، مما يسمح للمتخصصين الطبيين بالتركيز أكثر على البشر وراء تلك الصور.
ملخص تقني: التعلم العميق متعدد مجموعات البيانات لتجزئة آفات التصلب المتعدد آلياً في التصوير بالرنين المغناطيسي للدماغ متعدد الأنماط
بيان المشكلة تعد التجزئة الآلية لآفات التصلب المتعدد (MS) من صور الرنين المغناطيسي (MRI) أمراً بالغ الأهمية للتقييم الكمي للمرض، ولكنها تواجه عقبات تقنية كبيرة. تشمل هذه العقبات عدم التوازن الشديد في الفئات (حيث تشكل بكسلات الآفات جزءاً ضئيلاً جداً من الصورة)، والتباين العالي في حجم الآفات وشكلها وكثافة إشارتها، وتدهور الأداء عند تطبيق النماذج المدربة على مجموعة بيانات واحدة على بيانات من ماسحات ضوئية أو بروتوكولات استحواذ مختلفة. تعتمد الأدبيات الحالية غالباً على التدريب باستخدام مجموعة بيانات واحدة، مع إدخال تغييرات معمارية وتدريبية متعددة في آن واحد (مما يجعل عزل المساهمات أمراً صعباً)، والافتقار إلى المتانة عبر مصادر التصوير المتباينة.
المنهجية تقترح الدراسة إطار عمل للتعلم العميق متعدد مجموعات البيانات يرتكز على بنية UNet++ مع إشراف عميق. تنقسم المنهجية إلى مسارين تجريبيين: إطار عمل أساسي متعدد مجموعات البيانات، وتنفيذ تكميلي مقيد بالموارد.
تكامل البيانات: يدمج إطار العمل ثلاث مجموعات بيانات متاحة للعموم: MSLesSeg (75 مريضاً، 1.5 تسلا)، ومجموعة Consensus Brain MRI (60 مريضاً، 3.0 تسلا)، وOpen MS Data (30 مريضاً، 3.0 تسلا). وينتج عن ذلك عينة مجمعة تضم 165 مريضاً و295 مسحاً.
المعالجة المسبقة: يتضمن المسار خطاً ثابتاً لضبط الجودة، والتسجيل المتماثل الصلب (ANTs)، وإزالة الجمجمة (FSL BET)، وتطبيع كثافة الإشارة باستخدام الدرجة المعيارية (Z-score). تم تقسيم البيانات على مستوى المريض (70% تدريب، 10% تحقق، 20% اختبار) لمنع تسرب المعلومات.
بنية النموذج: النموذج الأساسي هو UNet++ ثلاثي القنوات يستخدم ResNet18 كعمود فقري للمُشفّر (مدرب مسبقاً على ImageNet). تتكون المدخلات من تسلسلات T1-weighted وT2-weighted وFLAIR المدمجة (دمج مبكر). يستخدم فك التشفير مسارات تخطي كثيفة متداخلة لتقليل الفجوة الدلالية بين ميزات المُشفّر وفك التشفير.
استراتيجية التدريب:
دالة الخسارة: هدف هجين يجمع بين خسارة Dice وخسارة Tversky (α=0.0,β=0.7) لمعالجة عدم التوازن في الفئات ومعاقبة السلبيات الكاذبة (الآفات المفقودة) بشكل أكبر من الإيجابيات الكاذبة.
الإشراف العميق: يتم إلحاق خسائر مساعدة بعقد فك التشفير الوسيطة لاستقرار تدفق التدرج.
التحسين: مُحسن AdamW مع معدلات تعلم دورية وتحسين بايزي للمعلمات الفائقة (40 تجربة).
التعزيز (Augmentation): يضمن أخذ العينات المدرك للآفات احتواء 70% على الأقل من دفعات البيانات على بكسلات الآفات، بالتزامن مع تعزيزات مكانية (تدوير، تشوهات مرنة) وتعزيزات الكثافة (جاما، السطوع).
التجربة التكميلية: أُجريت تجربة "ImageMask" ثانوية في بيئة Kaggle باستخدام مسار FLAIR ثنائي الأبعاد لكل شريحة لمقارنة بنى U-Net وUNet++ وبنية شبيهة بـ SegNet تحت موارد حوسبية مقيدة.
المساهمات الرئيسية
إطار العمل متعدد مجموعات البيانات: دمج ثلاث مجموعات بيانات عامة متباينة (1.5 تسلا و3.0 تسلا، من شركات مصنعة مختلفة) لتقييم المتانة عبر مصادر التصوير، بدلاً من الاعتماد على مجموعة بيانات مركز واحد.
نموذج UNet++ متعدد الأنماط ومدرك لعدم التوازن: تطوير نموذج UNet++ ثلاثي القنوات مُحسّن خصيصاً لآفات التصلب المتعدد باستخدام خسارة Dice-Tversky الهجينة، والإشراف العميق، والتعزيز المدرك للآفات.
الاستئصال المنهجي والقابلية للتكرار: عزل مساهمات الخيارات المعمارية (UNet++ مقابل U-Net)، ودوال الخسارة، ودمج الأنماط، والعمود الفقري للمُشفّر من خلال تجارب مقارنة محكومة. بالإضافة إلى ذلك، يوفر التنفيذ المقيد بالموارد نموذجاً قابلاً للتكرار للتدريب القائم على السحابة.
النتائج
أداء الإطار الأساسي: في مجموعة الاختبار المحجوزة، حقق النموذج المقترح معامل تشابه Dice (DSC) قدره 0.722 ± 0.082، وحساسية على مستوى الآفة بلغت 0.783 ± 0.109، ودرجة F1 على مستوى الآفة بلغت 0.738 ± 0.089.
التحليل المقارن:
تفوق نموذج UNet++ بشكل كبير على نموذج 2D U-Net الأساسي (DSC 0.680، p=0.006).
طابق أداء مجموعة نماذج 3D U-Net (LST-AI) ولكن مع زمن استدلال أسرع بكثير (~4.6 ضعفاً).
نتائج الاستئصال (Ablation):
البنية: أدى الانتقال من U-Net إلى UNet++ إلى تحسن نسبي قدره 13.4% في درجة F1.
الخسارة: أظهرت خسارة Dice-Tversky الهجينة مع الإشراف العميق مكاسب تراكمية ورتيبة فوق المكونات الفردية.
النمط: أدت إضافة T1 وT2 إلى مدخلات FLAIR إلى تحسين DSC بنسبة 4.5% مقارنة بمدخلات FLAIR فقط.
التعزيز: وسع حجم مجموعة البيانات الفعالة بنحو 6.5 ضعفاً وحسن DSC بنسبة 9.7%.
حساسية الآفات الصغيرة: وصلت الحساسية للآفات التي تقل عن 10 مم³ إلى 62%، مما يمثل تحسناً نسبياً قدره 29% عن نموذج 2D U-Net الأساسي.
تجارب Kaggle/ImageMask: سلطت هذه التجارب الضوء على أن مقاييس الإطار المجمعة (مثل مقاييس Keras compile) يمكن أن تختلف عن مقاييس التجزئة المحسوبة يدوياً (Dice/IoU)، مما يحذر من الاعتماد على أرقام مجمعة واحدة لتصنيف النماذج.
الأهمية والادعاءات يضع هذا البحث عمله كـ نموذج بحثي أولي للتحليل الكمي لصور الرنين المغناطيسي وليس كنظام تشخيصي معتمد سريرياً. ويدعي المؤلفون أن إطار العمل يثبت الجدوى العملية لدعم القرار السريري نظراً لسرعته وتوافقه مع المناطق التشريحية المستخدمة في معايير ماكدونالد التشخيصية.
تؤكد الدراسة أن التحسينات الملحوظة في الأداء لا تعزى إلى مكون واحد، بل إلى التفاعل بين التدريب متعدد مجموعات البيانات، ودمج الأنماط، والتحسين المدرك لعدم التوازن. ويقر المؤلفون صراحةً بأن التحقق الخارجي، وعلى مستوى المريض، والمستقبلي عبر ماسحات ضوئية وسكان جدد مطلوب قبل النشر السريري. كما يقرون بالقيود، بما في ذلك استبعاد آفات الحبل الشوكي، والاعتماد على التوصيفات التوافقية بدلاً من علم الأمراض النسيجي، ونقص تمثيل المجال المنخفض (أقل من 1.5 تسلا). ويقترح العمل أن الاتجاهات المستقبلية يجب أن تشمل التعلم الاتحادي (Federated Learning) للتدريب متعدد المراكز، والتتبع الطولي، ودمج المؤشرات الحيوية الجديدة للتصوير (مثل علامة الوريد المركزي) المنسجمة مع مراجعة معايير ماكدونالد لعام 2024.