Hybrid Deep Learning–Based Computer Vision Framework for Brain Organoid and Embryoid Body Segmentation
تقدم هذه الورقة إطار عمل هجين للرؤية الحاسوبية قائم على التعلم العميق يجمع بين مرشح الوسيط (Median Filtering)، وتعديل المدرج التكراري (Histogram Equalization)، وخوارزمية ووترشد (Watershed Algorithm) لتحقيق تجزئة واستخراج ميزات فائق لصور العضويات الدماغية والأجسام الجنينية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في البيئة الهادئة والمتحكم بها داخل المختبر، يزرع العلماء عناقيد صغيرة ثلاثية الأبعاد من الخلايا تُعرف باسم "العضوانيات" (organoids). هذه ليست أعضاء كاملة، بل هي نسخ مصغرة ومبسطة تحاحكي البنية المعقدة للأنسجة البشرية، مثل الدماغ. يستخدمها الباحثون لدراسة كيفية تطور الدماغ وللتحقيق في أمراض مثل الزهايمر، وغالبًا ما يبدأ ذلك باستخدام خلايا جذعية لديها القدرة على التحول إلى أي نوع من خلايا الجسم. وللتعلم من هذه الهياكل المجهرية، يجب على العلماء أولاً أن يكونوا قادرين على رؤيتها بوضوح. يتطلب هذا تحويل الصور الخام، التي غالبًا ما تكون محببة أو باهتة أو مزدحمة بالضجيج البصري، إلى صور حادة ومتميزة حيث تكون حدود كل خلية مرئية. ويكمكن التحدي في فصل خلية عن أخرى عندما تكون متراصة بإحكام، وهي مهمة صعبة لكل من العين البشرية والبرامج الحاسوبية القياسية.
لقد وضع فريق من الباحثين من كلية SRM للآداب والعلوم في الهند نصب أعينهم حل هذه المشكلة المحددة المتعلقة بالوضوح والانفصال. لقد عملوا مع مجموعة من الصور لعضوانيات دماغية وأجسام جنينية (embryoid bodies)، وهي عناقيد خلوية مماثلة، لبناء نظام جديد لتحليلها. كان هدفهم هو إنشاء طريقة يمكنها تنظيف الصور تلقائيًا ثم تقطيعها بدقة إلى قطع فردية، مما يسمح بالعد والقياس الدقيقين. لقد اختبروا مجموعة متنوعة من الأدوات القياسية المستخدمة في معالجة الصور، وقارنوا مدى كفاءة كل منها في التعامل مع الواقع الفوضوي للتصوير المجهري. صُممت بعض الأدوات لتنعيم الحبيبات العشوائية، بينما صُممت أدوات أخرى لتوضيح الحواف حيث ينتهي جسم ويبدأ آخر.
وجد الباحثون أن ليست كل الأدوات تعمل بنفس الكفاءة لكل جزء من المهمة. فعندما تعلق الأمر بإزالة الضجيج المنقط الذي يظهر غالبًا في صور المجهر، أثبتت تقنية تسمى "المرشح الوسيط" (median filter) تفوقها على "مرشح غاوس" (Gaussian filter) الأكثر شيوعًا. وبينما قام مرشح غاوس بتنعيم الصورة عن طريق متوسط الألوان، مما أدى أحيانًا إلى طمس الحواف الدقيقة للخلايا، قام المرشح الوسيط باستبدال كل بكسل بالقيمة الأكثر شيوعًا في محيطه. حافظ هذا النهج على الخطوط الخارجية الحادة للخلايا مع تنظيف الخلفية في الوقت نفسه. ولجعل الهياكل الباهتة تبرز بوضوح أكبر مقابل الخلفية المظلمة، طبق الفريق عملية قامت بتوسيع نطاق درجات الضوء والظلال في الصورة، وهي طريقة تُعرف باسم "توازن الهيستوغرام" (histogram equalization). جعلت هذه الخطوة الاختلافات بين الخلايا ومحيطها أكثر وضوحًا.
بمجرد تنظيف الصور ورفع تباينها، احتاج الفريق إلى طريقة لفصل الخلايا المتلامسة. اختبروا عدة طرق، بما في ذلك الخوارزميات التي تبحث عن التغيرات الحادة في السطوع لإيجاد الحواف. ومع ذلك، غالبًا ما تركت هذه الطرق الخلايا تبدو مجزأة أو أغفلت الحدود تمامًا. وكان النهج الأكثر نجاحًا هو تقنية تسمى "تجزئة ووترشيد" (watershed segmentation). تعامل هذه الطة الصورة كأنها منظر طبيعي، حيث تمثل المناطق الساطعة قممًا والمناطق المظلمة وديانًا. ومن خلال محاكاة تدفق المياه من أدنى النقاط، يمكن للنظام إيجاد التلال التي تفصل خلية عن جارتها بشكل طبيعي. وعند دمج هذه الخطوات مع إزالة الضجيج وتعزيز التباين، أنتج هذا المسار الهجين أوضح فصل لخلايا العضوانيات الفردية، محافظًا على أشكالها الحقيقية بشكل أفضل من أي طريقة منفردة مستخدمة بمفردها.
ولأخذ التحليل خطوة أبعد، بنى الباحثون أيضًا نظامًا لتصنيف هذه الهياكل باستخدام التعلم العميق، وهو نوع من الذكاء الاصطناعي الذي يتعلم الأنماط مباشرة من البيانات. لقد دمجوا نموذجين قويين، يُعرف أحدهما بقدرته على التعرف على الأنسجة والآخر على فهم التفاصيل الهيكلية العميقة. ومن خلال السماح لهذين النموذجين بالتصويت على الإجابة النهائية، أنشأوا نظامًا أكثر دقة واستقرارًا من عمل أي نموذج بمفرده. حقق هذا النظام المدمج مستوى عاليًا من الدقة في تحديد العضوانيات، مما قلل من الأخطاء التي تحدث غالبًا عندما تحاول الحواسيب تفسير الأشكال البيولوجية المعقدة. وتوضح الدراسة أنه من خلال دمج هذه التقنيات المختلفة بعناية — تنظيف الضجيج، وتعزيز التباين، ثم استخدام أداة تجزئة ذكية — يمكن للعلماء الحصول على رؤية أوضح لهذه الهياكل البيولوجية الصغيرة. وهذا الوضوح ضروري للخطوات التالية في البحث، حيث يمكن أن يؤدي فهم الشكل الدقيق وعدد الخلايا إلى رؤى أفضل حول كيفية نمو الدماغ وكيف يمكن أن يتأثر بالأمراض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.