Super-Resolution and Artificial Transformer with Attention for accurate detection of brain tumor in MRI-based medical imaging
تقترح هذه الورقة نموذجاً خفيف الوزن وعالي الدقة للكشف عن أورام الدماغ يجمع بين تقنيات الدقة الفائقة وبنية "ترانسفورمر" اصطناعية تتميز بآليات انتباه القنوات والبكسل، محققةً دقة بنسبة 99.16% على مجموعة بيانات تضم 7,023 صورة رنين مغناطيسي مع التفوق على نماذج التعلم العميق الحديثة.
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
يعد الدماغ البشري شبكة واسعة ومعقدة من مليارات الخلايا، حيث يعمل كمركز القيادة لكل فكرة وحركة وإحساس. وعندما تبدأ أنسجة غير طبيعية في النمو داخل هذا الهيكل الدقيق، مكونةً ورماً، يمكن أن تكون العواقب وخيمة ومهددة للحياة. وللعثور على هذه الزيادات، يعتمد الأطباء على التصوير بالرنين المغبني، أو MRI، وهي تقنية قوية تنشئ صوراً تفصيلية لداخل الجسم دون الحاجة إلى الجراحة. ومع ذلك، فإن هذه الصور ليست مثالية دائماً؛ فقد تكون ضبابية، أو مظلمة جداً، أو ساطعة جداً، كما أن الأورام نفسها غالباً ما تكون ذات أشكال غير منتظمة تندمج مع الأنسجة المحيطة بها. وبالنسبة للطبيب، فإن رصد شذوذ صغير أو باهت في فحص محبب يعد مهمة صعبة وتستغرق وقتاً طويلاً، وهي مهمة قد يؤدي فيها تفصيل مفقود إلى تغيير نتيجة المريض.
في دراسة حديثة، سعى الباحثون للمساعدة في جعل الرؤية أكثر وضوحاً للأطباء من خلال تعليم الكمبيوتر القيام بالعمل الشاق. فقد طوروا نظاماً جديداً يقوم أولاً بتنظيف وتحسين صور الرنين المغناطني، مما يجعل التفاصيل المخفية تبرز بوضوح، ثم يستخدم نوعاً متطوراً من الذكاء الاصطناعي لتحديد الورم. لا ينظر هذا النهج إلى الصورة ككل فحسب، بل يولي اهتماماً وثيقاً لأجزاء محددة من الصورة، ويتعلم التمييز بين أنسجة الدماغ السليمة والنمو الخطير بدقة مذهلة. ومن خلال الجمع بين تحسين الصور ونموذج كشف ذكي، أنشأ الفريق أداة يمكنها، من الناحية النظرية، تسريع عمليات التشخيص وتحسين دقة العثور على أورام الدماغ في البيئات الطبية الواقعية.
بدأ الباحثون بمجموعة كبيرة من صور الدماغ، بلغ مجموعها 7,023 صورة، تضمنت صوراً لأدمغة سليمة وأخرى تحتوي على ثلاثة أنواع مختلفة من الأورام: الورم الدبقي (glioma)، والورم السحائي (meningioma)، وأورام الغدة النخامية (pituitary tumors). وقد لاحظوا أن العديد من هذه الصور تعاني من جودة رديئة، وتفتقر إلى الملمس الدقيق اللازم لرصد الشذوذات الصغيرة. ولإصلاح ذلك، مرروا كل صورة أولاً عبر عملية خاصة تسمى "الدقة الفائقة" (super-resolution). فكر في هذه العملية كأنك تأخذ صورة فوتوغرافية منخفضة الدقة وتستخدم برنامجاً متقدماً لإعادة بنائها، بحيث تملأ التفاصيل المفقودة لجعل الصورة حادة وواضحة. وقد أدت هذه الخطوة إلى إزالة الضجيج وتحسين التباين، مما ضمن رؤية الحواف الباهتة للورم قبل أن يبدأ الكمبيوتر حتى في تحليل المحتوى.
بمجرد تحسين الصور، تم تغذيتها في نموذج ذكاء اصطناعي جديد مصمم لمحاكاة كيفية معالجة الدماغ البشري للمعلومات البصرية. هذا النموذج، المبني على بنية تُعرف باسم "المحول" (transformer)، يقوم بتفكيك الصورة إلى قطع صغيرة يمكن إدارتها. وبدلاً من النظر إلى الصورة بأكملها دفعة واحدة، يفحص هذه القطع بشكل فردي ثم يدرس كيفية ارتباطها ببعضها البعض. يستخدم النظام نوعين محددين من التركيز للقيام بهذا العمل؛ الأول، المسمى "انتباه القنوات" (channel attention)، يساعد الكمبيوتر على تحديد الألوان أو طبقات المعلومات في الصورة الأكثر أهمية، متجاهلاً الباقي. والثاني، المعروف باسم "انتباه البكسل" (pixel attention)، يركز على الموقع الدقيق للميزات داخل الصورة، مما يضمن فهم الترتيب المكاني للأنسجة بشكل صحيح. ومن خلال الجمع بين هذين الأسلوبين، يتعلم النموذج التعرف على الأنماط المعقدة للورم حتى عندما يكون صغيراً أو ذا شكل غريب.
اختبر الفريق نظامهم بصرامة، حيث قاموا بتدريبه على آلاف الصور ثم فحص أداءه على مجموعة منفصلة من الصور التي لم يرها من قبل. وقارنوا طريقتهم الجديدة بعدة نماذج حاسوبية معروفة ومستخدمة حالياً لمهام مماثلة. وأظهرت النتائج ميزة واضحة لنهجهم؛ فبينما عانت النماذج الأخرى مع الصور الصعبة ومنخفضة الجودة وأخطأت غالباً في تحديد نوع الورم، ظل النظام الجديد ثابتاً. وبعد تشغيل عملية التدريب لعدد معين من الدورات، حقق النموذج معدل دقة بلغ 99.16 بالمائة. وهذا يعني أنه في كل حالة تقريباً، حدد الكمبيوتر بشكل صحيح ما إذا كان الورم موجوداً، وإذا كان كذلك، فما هو نوعه.
كما سلطت الدراسة الضوء على كيف أحدثت الخطوة الأولية المتمثلة في تحسين الصور فرقاً كبيراً. فعندما اختبر الباحثون النموذج بدون تحسين الصور، انخفضت الدقة قليلاً، مما يثبت أن وضوح بيانات المدخلات أمر بالغ الأهمية لكي يعمل الكمبيوتر بشكل جيد. كما وُجد أن النموذج الجديد فعال، حيث يتطلب قدرة حوسبة أقل من العديد من الأنظمة الأكبر والأكثر تعقيداً المستخدمة حالياً. وهذا يشير إلى أن مثل هذه الأداة يمكن أن تكون عملية للمستشفيات التي لا تملك الوصول إلى أجهزة كمبيوتر فائقة ضخمة. وخلص الباحثون إلى أن عملهم يقدم طريقة قوية وموثوقة لمساعدة المتخصصين الطبيين، مما قد يقلل من الوقت المستغرق لتشخيص ورم الدماغ ويساعد الأطباء في التخطيط للعلاج المناسب في وقت أقرب. وبينما صُمم النظام الحالي لتصنيف أربع فئات محددة، يخطط الفريق لتوسيع قدراته في المستقبل للتعامل مع مجموعة أوسع من الحالات وحتى تطوير نسخة يمكن تشغيلها على الأجهزة المحمولة، مما يجلب هذا المساعدة التشخيصية المتقدمة إلى أماكن أكثر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.