D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities

في المعركة ضد أورام الدماغ، يعتمد الأطباء على خريطة مفصلة للدماغ للتخطيط للجراحة والعلاج. تُبنى هذه الخريطة باستخدام التصوير بالرنين المغناطيسي، وهي تقنية تلتقط صوراً للدماغ باستخدام أنواع مختلفة من الإشارات المغناطيسية. تتضمن الممارسة الطبية القياسية عادةً التقاط أربعة أنواع متميزة من هذه الصور، حيث يكشف كل منها عن تفاصيل مختلفة حول الأنسجة، مثل مستويات السوائل أو تدفق الدم. ومعاً، توفر هذه الصور صورة كاملة لمكان الورم ومدى عدوانيته. ومع ذلك، في الواقع العملي للمستشفيات، لا تتوفر هذه المجموعة المثالية من الصور دائماً؛ فقد يكون المرضى في حالة صحية سيئة تمنعهم من الخضوع لبروتوكول المسح الكامل، أو قد تكون المعدات في عيادة معينة محدودة. وعندما يفتقد الطبيب حتى نوعاً واحداً من هذه الصور الحيوية، فإن البرامج الحاسوبية المصممة لتحديد حدود الورم تلقائياً غالباً ما تواجه صعوبة، وأحياناً تفشل في رؤية الأجزاء الأكثر خطورة من المرض.

لقد طور باحثون في جامعة غرب أستراليا وجامعة ملبورن نظاماً حاسوبياً جديداً يسمى D3Seg لحل هذه المشكلة. كان هدفهم هو إنشاء أداة يمكنها رسم خرائط دقيقة لأورام الدماغ حتى عندما تكون بعض صور الرنين المغناطيسي القياسية مفقودة. وبدلاً من مجرد التخمين لما قد تبدو عليه الصور المفقودة أو تجاهل الفجوات، يستخدم هذا النظام الجديد استراتيجية ثلاثية الأجزاء لملء الفراغات بذكاء. أولاً، يدرس كيفية ارتباط الصور المتاحة ببعضها البعض، مدركاً أن أنواع الرنين المغناطيسي المختلفة ليست مجرد صور منفصلة بل هي مترابطة بعمق. ثانياً، يستخدم عملية متخصصة لتوليد المعلومات المفقودة مباشرة من البيانات التي لديه، مع التركيز تحديداً على أنواع الصور الأكثر أهمية لرصد الأجزاء النشطة من الورم. وأخيراً، يراجع عمله الخاص لضمان عدم أصبح مفرط الثقة بشأن الأجزاء الكبيرة والواضحة من الورم بينما يغفل عن الأجزاء الأصغر والأصعب في الرؤية.

اختبر الفريق نظامهم الجديد على مجموعة كبيرة من فحوصات الدماغ لمرضى مصابين بالأورام الدبقية (gliomas)، وهي نوع شائع من أورام الدماغ، وكذلك على مجموعة منفصلة من مرضى مصابين بالأورام السحائية (meningiomas)، وهي نوع مختلف من الأورام، لمعرفة ما إذا كانت الطريقة ستعمل عبر أمراض مختلفة. وقد قاموا بمحاكاة سيناريوهات العالم الحقيقي من خلال إخفاء نوع واحد أو أكثر من أنواع الرنين المغناطيسي الأربعة القياسية عن الكمبيوتر. وأظهرت النتائج أن D3Seg تفوق باستمرار على أفضل الطرق الحالية. فعندما كان النظام يفتقد الصور المعززة بالتباين التي تسلط الضوء على نمو الورم النشط، نجح في تحسين دقة تحديد حدوده بنسبة تتراوح بين 1.5 إلى 2.0 بالمائة للمناطق الأكثر حرجاً في الورم. ورغم أن هذا الرقم قد يبدو صغيراً، إلا أنه في عالم التصوير الطبي الدقيق، يمثل تحسناً كبيراً في القدرة على رؤية المرض بوضوح. كما أثبت النظام موثوقيته من خلال أدائه الجيد في حالات الأورام السحائية، والتي لم يسبق له رؤيتها أثناء التدريب، مما يشير إلى أنه تعلم طريقة عامة لفهم أورام الدماغ بدلاً من مجرد حفظ أنماط محددة.

يكمن جوهر هذا النجاح في كيفية تعامل النظام مع البيانات المفقودة. فغالباً ما حاولت الطرق السابقة ببساطة دمج الصور المتاحة أو محاولة إعادة بناء الصورة المفقودة بالكامل من الصفر، مما قد يؤدي إلى حدوث أخطاء. لكن D3Seg يتبع نهجاً مختلفاً؛ فهو يبني أولاً خريطة لكيفية اعتماد أنواع الرنين المغناطيسي المختلفة على بعضها البعض، مما يسمح بتدفق المعلومات بينها حتى في حالة غياب بعضها. ثم يستخدم عملية توليدية لإنشاء الميزات المفقودة لأهم أنواع الصور، وتحديداً تلك التي تظهر التباين والسوائل، مباشرة داخل التمثيل الداخلي للبيانات في الكمبيوتر. هذا يشبه وجود فنان ماهر، عندما يُعطى رسماً تخطيطياً لمنظر طبيعي، يمكنه بثقة ملء السماء والأشجار المفقودة بناءً على أسلوب التلال، بدلاً من محاولة إعادة رسم المشهد بأكره من الذاكرة. وأخيراً، يتحقق النظام من توقعاته ويعدلها إذا لاحظ أنه مفرط اليقين بشأن الأجزاء السهلة من الورم بينما يتجاهل الحواف الصعبة.

وجد الباحثون أن هذه الطريقة كانت فعالة بشكل خاص في تحديد الورم المعزز، وهو الجزء الأكثر نشاطاً وخطورة من النمو. ففي الاختبارات التي فُقدت فيها صور الرنين المغناطيسي المعززة بالتباين، تمكن النظام الجديد من رسم حدود هذه المنطقة النشطة بدقة أكبر بكثير من الأدوات الموجودة. كما حافظ على أداء قوي عندما كانت الصور الحساسة للسوائل مفقودة، وهي الصور الحيوية لرؤية التورم المحيط بالورم. وقد أكدت الدراسة أن هذه التحسينات لم تكن مجرد حظ عشوائي، بل كانت ذات دلالة إحصائية، مما يعني أن النتائج موثوقة للغاية. علاوة على ذلك، حقق النظام هذه المكاسب دون الحاجة إلى زيادة هائلة في قدرة الحوسبة، مما يجعله خياراً عملياً للمستشفيات التي تحتاج إلى معالجة الفحوصات بسرعة.

من خلال إثبات أن الكمبيوتر يمكنه التعلم للتكيف عندما تكون المعلومات غير مكتملة، يقدم هذا العمل مساراً واعداً للمضي قدماً في مجال التصوير الطبي. فهو يشير إلى أن مستقبل التشخيص الآلي لا يعتمد على امتلاك كل مريض لمجموعة كاملة ومثالية من الفحوصات، بل يمكن بناء أنظمة ذكية للعمل مع أي بيانات متاحة، مما يضمن حصول المرضى على خرائط دقيقة للأورام بغض النظر عن قيود معداتهم الطبية أو حالتهم الصحية. لقد أتاح الباحثون الكود الخاص بهم ونموذجهم للجمهور، داعين علماء آخرين للبناء على هذا الأساس وتطوير الأدوات التي تساعد الأطباء في التنقل عبر المشهد المعقد لأورام الدماغ.