Tensor Erasing-Based Data Augmentation for Fully Automated Brain Tumor MRI Segmentation
تقترح هذه الورقة طريقة جديدة لتعزيز البيانات تُسمى "محو التنسور" (Tensor Erasing)، والتي تعمل على تعزيز متانة وقدرة نماذج التعلم العميق على التعميم في عملية التقسيم الآلي الكامل لصور الرنين المغناطيسي لأورام الدماغ ثلاثية الأبعاد، وذلك من خلال محاكاة فساد الصور عبر المحو العشوائي للـ "فوكسل" (voxel)، مما يعالج بفعالية تحدي ندرة مجموعات البيانات المُصنفة.
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
في المشهد الهادئ والمعقد للدماغ البشري، يمكن للأورام أن تنمو بدهاء مخادع، ناسجة نفسها داخل الأنسجة السليمة حتى يطمس الحد الفاصل بين الحياة والمرض. وبالنسبة للأطباء الذين يعتمدون على التصوير بالرنين المغناطيسي (MRI) لرسم خرائط هذه الأورام، فإن التحدي هائل؛ فهذه الفحوصات تنتج صوراً ثلاثية الأبعاد مفصلة للدماغ، لكن البيانات غالباً ما تكون شحيحة وغير كاملة. ولتعليم الكمبيوتر كيفية تحديد وتحديد حدود الورم تلقائياً في هذه الصور، يحتاج الباحثون إلى آلاف الأمثلة، بحيث يتم تصنيف كل منها يدوياً بعناية. وهذه عملية بطيئة وتتطلب جهداً مكثفاً، كما أن نقص البيانات المصنفة الكافية غالباً ما يجعل نماذج الذكاء الاصطيائي تعاني في التعميم، مما يعني أنها قد تعمل بشكل جيد على الصور التي درستها، لكنها قد تفشل عند مواجهة فحص جديد ومختلف قليلاً لمريض حقيقي. يسعى مجال الرؤية الحاسوبية الطبية إلى سد هذه الفجوة، بهدف إنشاء أنظمة يمكنها رؤية الأورام بوضوح يضاهي المتخصص المدرب، حتى عندما تكون الصورة مشوشة أو غير مكتملة.
ولحل هذه المشكلة، طور فريق من الباحثين طريقة جديدة لتعليم هذه النماذج الحاسوبية عبر جعل صور التدريب أصعب في القراءة عن قصد. وقد أطلقوا على طريقتهم اسم "محو الموتر" (Tensor Erasing). فبدلاً من عرض صور مثالية ونظيفة لأورام الدماغ على الكمبيوتر فحسب، يقوم الباحثون بأخذ بيانات الرنين المغناطيسي ثلاثية الأبعاد واختيار جزء مكعب صغير من الصورة عشوائياً لتحويله إلى اللون الأسود تماماً، مما يؤدي فعلياً إلى محو ذلك الجزء من الصورة. وهم يفعلون ذلك دون تغيير الملصق الذي يخبر الكمبيوتر بشكل الورم. الأمر يشبه محاولة تعلم التعرف على وجه صديق بينما يضع شخص ما ورقة فوق جزء من ملامحه بين الحين والآخر؛ حيث يُجبر الدماغ على تعلم الشكل والهيكل العام بدلاً من الاعتماد على تفصيل واحد محدد. ومن خلال التدريب على هذه الصور "التالفة"، يتعلم الكمبيوتر أن يكون أكثر قوة، فيركز على الهيكل العالمي للورم ليتمكن من تحديده بشكل صحيح حتى لو كانت أجزاء من الفحص مفقودة أو تالفة في بيئة المستشفى الواقعية.
اختبر الباحثون هذا النهج باستخدام مجموعة كبيرة من بيانات مسح الدماغ من تحدٍ عام معروف باسم BraTS2019، والذي يحتوي على صور من 335 مريضاً مختلفاً. قاموا بتغذية هذه البيانات في ثلاثة أنواع مختلفة من شبكات الذكاء الاصطناعي، بما في ذلك تصميم شائع يسمى 3D U-Net وتصميم آخر يُعرف باسم Attention-UNet. وقبل تطبيق طريقتهم الجديدة، كان عليهم تحديد الحجم المناسب للكتلة الممحاة. فقد جربوا محو مكعبات صغيرة، ومتوسطة، وكبيرة لمعرفة أي حجم يساعد الكمبيوتر على التعلم بشكل أفضل. ووجدوا أن الحجم المثالي يعتمد على نوع الشبكة المستخدمة؛ فبالنسبة لأحد النماذج، كان المحو الصغير هو الأفضل، بينما كان للنموذج الآخر كتلة أكبر أكثر فاعلية. وأظهر هذا أنه لا يوجد إعداد مثالي واحد لكل حالة، وأن الطريقة يجب أن تُضبط لتناسب الأداة المحددة المستخدمة.
وعندما قارنوا النتائج، كان الفرق واضحاً. فالنماذج الحاسوبية التي تم تدريبها باستخدام هذه الصور الممحاة عمداً أدت أداءً أفضل بكثير من تلك التي تدربت على البيانات النظيفة وحدها. فعلى سبيل المثال، عند استخدام نموذج Attention-UNet، حققت النسخة المدربة باستخدام طريقة المحو الجديدة معدل نجاح، يُعرف بمعامل "دايس" (Dice coefficient)، بنسبة 87.15% لتحديد الورم بالكامل، و82.77% لمركز الورم، و78.28% للجزء النشط والمعزز من الورم. وتمثل هذه الأرقام تحسناً ملموساً في الدقة. ولعل الأهم من ذلك هو أن النماذج أصبحت أفضل في رصد الورم دون الإشارة خطأً إلى الأنسجة السليمة كأنسجة مصابة. وفي المقليبات البصرية، أنتجت النماذج المدربة بالطريقة الجديدة حدوداً تلتصق بالورم بشكل وثيق جداً مقارنة بـ "المعيار الذهبي" الذي رسمه الخبراء، في حين أن النماذج التي لم تخضع لهذا التدريب مالَت إلى تشتيت توقعاتها، حيث كانت تحدد مناطق سليمة كأورام محتملة.
تؤكد الدراسة أن هذه الاستراتيجية البسيطة ومنخفضة التكلفة المتمثلة في إزالة أجزاء من الصورة عشوائياً أثناء التدريب يمكن أن تجعل الذكاء الاصطناعي أكثر موثوقية للاستخدام الطبي. فهذه الطريقة لا تتطلب أجهزة جديدة باهظة الثمن أو تغييرات معقدة في الشبكات الحاسوبية نفسها؛ بل هي ببساطة تغير البيانات التي يراها الكمبيوتر أثناء تعلمه. ومن خلال إجبار النظام على التعامل مع المعلومات المفقودة، خلق الباحثون أداة تكون أكثر استعداداً للواقع الفعلي للفحوصات السريرية، حيث يمكن أن تكون الصور ضبابية أو غير مكتملة. ويقدم هذا النهج مساراً عملياً لتحسين كيفية مساعدة الحواسيب للأطباء في تشخيص أورام الدماغ، مما يضمن قدرة هذه الأنظمة الذكية على الأداء بثقة ودقة أكبر عندما يكون الأمر في غاية الأهمية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.