طريقة لتجزئة صور تضخم الطحال بالرنين المغناطيسي تعتمد آلية انتباه متعددة المقاييس ذات نوى كبيرة

لماذا يهتم الأطباء بتضخم الطحال

الطحال عضو بحجم القبضة يقع تحت القفص الصدري الأيسر، ويقوم بهدوء بترشيح الدم، ومكافحة العدوى، وإدارة بعض خلايا الدم. عندما يتضخم — حالة تُسمى تضخم الطحال — قد يشير ذلك إلى مشاكل خطيرة، من أمراض الكبد إلى سرطانات الدم. يمكن لأجهزة التصوير الحديثة في المستشفيات التقاط صور مفصّلة للطحال، لكن تحويل هذه الصور إلى قياسات موثوقة لا يزال كثيراً ما يعتمد على عمل يدوي يستغرق وقتاً ويعرضه للخطأ من قبل المتخصصين. تقدّم هذه الدراسة طريقة جديدة تعتمد على الذكاء الاصطناعي تحدد تلقائياً محيطات الطحال المتضخم في صور الرنين المغناطيسي بدقة عالية جداً، ما قد يمنح الأطباء أداة أسرع وأكثر دقة للتشخيص والمتابعة.

التحدّي في رؤية الطحال بوضوح

في صور الرنين المغناطيسي، لا يبرز الطحال بحدة كما قد يتوقع كثيرون: لونه الرمادي غالباً ما يشبه إلى حد كبير الأعضاء والأنسجة المجاورة. ولتعقيد الأمر أكثر، تختلف أحجام وأشكال الطحال كثيراً من شخص لآخر، خاصة عندما يتضخم بسبب المرض. بعض المرضى لديهم زيادة طفيفة فقط في حجم الطحال، في حين يظهر لدى آخرين أعضاء بحجوم أكبر بكثير من المعتاد. كما أن جمع صور عالية الجودة لهذه الحالات المتطرفة صعب عملياً، لذلك يعمل الباحثون غالباً مع مجموعات بيانات صغيرة نسبياً. كل هذا يعني أن البرامج التقليدية، وحتى طرق التعلّم العميق السابقة، تكافح لرسم حدود نظيفة ودقيقة حول الطحال في شرائح الرنين المغناطيسي.

شبكة أذكى للصور الطبية المعقدة

يقدم الباحثون بنية تعلم عميق جديدة تسمى LMA‑Net (الشبكة ذات الانتباه متعدد المقاييس والنوى الكبيرة) مصممة خصيصاً لهذه المشكلة. تتبع شكلاً على هيئة حرف U الذي أصبح معيارياً في تحليل الصور الطبية: أحد جانبي «U» يضغط الصورة تدريجياً إلى ميزات مجردة (المشفّر)، بينما يعيد الجانب الآخر بناء خريطة تجزئة مفصّلة (المفكك). تستخدم LMA‑Net مشفّراً هجيناً يجمع بين فكرتين قويتين. أولاً، تلتقط شبكة الالتفاف التقليدية ResNet‑50 التفاصيل المحلية الدقيقة. ثم يلتقط مُكوّن Transformer، المستعار من نماذج اللغة والرؤية الحديثة، أنماطاً أوسع عبر الصورة بأكملها حتى يطوّر الخوارزم إحساساً عالمياً بموقع الطحال وشكله المتوقع.

التعلّم للتركيز على التفاصيل الصحيحة

بين المشفّر والمفكك، تضيف LMA‑Net كتلة انتباه متخصصة تنظر إلى الصورة على عدة مقاييس في آن واحد. تستخدم مرشحات التلافيف كبيرة الحجم بشكل غير معتاد، إلى جانب استراتيجية تجميع فعّالة، لتوسيع مجال رؤيتها دون أن تصبح بطيئة أو ثقيلة للغاية. تساعد هذه المرشحات الكبيرة الشبكة على رؤية محيط الطحال كاملاً بدلاً من لقطات صغيرة فقط، وهو أمر حاسم عندما تكون الحدود غير واضحة. ثم يتعلم النموذج إعطاء أوزان أعلى للقنوات والمواقع الأكثر إفادة، معنوياً «بالتركيز» على المناطق والملمس التي من المرجح أن تنتمي إلى الطحال. في المفكك، تعمل وحدة دمج خفيفة وكتلة تحسين الحدود على شحذ حواف العضو أكثر، مستهدفةً محيطات ناعمة وواقعية مع إبقاء الحسابات معتدلة بما يكفي للاستخدام الإكلينيكي.

مدى فعالية النظام عملياً

لاختبار منهجهم، درّب الباحثون وقيّموا LMA‑Net على مجموعتين مختلفتين من الصور الطبية. احتوت مجموعة بيانات واحدة على فحوصات رنين مغناطيسي لـ51 مريضاً بدرجات متفاوتة من تضخم الطحال، مع محيطات دقيقة مرسومة بواسطة أطباء أشعة خبراء. أما المجموعة الأخرى فكانت من منافسة Medical Segmentation Decathlon العامة وشملت صوراً مقطعية محوسبة (CT) ركّزت على الطحال. باستخدام مقاييس الدقة المقبولة على نطاق واسع التي تقارن التداخل بين المناطق المتوقعة وتلك المرسومة من الخبراء، تفوّق LMA‑Net على عدة شبكات تجزئة شائعة، بما في ذلك U‑Net ونماذج أحدث مبنية على الانتباه وTransformer. على بيانات تضخم الطحال بالرنين المغناطيسي، كان تداخله مع العلامات الخبيرة صحيحاً لأكثر من 96% من مساحة الطحال في المتوسط، وهو تحسّن ملحوظ مقارنة بالطرق المنافسة.

ماذا قد يعني ذلك للمرضى والعيادات

بالنسبة لغير المتخصصين، الخلاصة الأساسية هي أن طريقة الذكاء الاصطناعي هذه يمكنها تلقائياً وبشكل دقيق للغاية تحديد محيطات الطحال المتضخم في فحوصات الرنين المغناطيسي الروتينية، حتى عندما يكون شكل العضو غير مألوفاً أو حوافه صعبة الرؤية. وهذا يعني أن الأطباء يمكن أن يحصلوا على أحجام وأشكال الطحال بدقة أكبر وبسرعة أعلى، ومتابعة التغيرات مع الزمن، وتقييم استجابة المرضى للعلاجات لأمراض الكبد أو اضطرابات الدم أو السرطانات التي تؤثر على الطحال. بينما لا تزال هناك حاجة إلى مزيد من التحقق والدمج في أنظمة المستشفيات، تشير LMA‑Net إلى مستقبل تصبح فيه القياسات الكمية المفصّلة من الصور الطبية جزءاً آلياً قياسياً من الرعاية بدلاً من مهمة يدوية.

الاستشهاد: Fu, Z., Zhao, C., Yan, H. et al. A method for magnetic resonance splenomegaly image segmentation based on large-kernel multi-scale attention mechanism. Sci Rep 16, 5227 (2026). https://doi.org/10.1038/s41598-026-35122-3

الكلمات المفتاحية: تضخم الطحال, تجزئة الرنين المغناطيسي, التعلّم العميق, التصوير الطبي, شبكات الانتباه