نهج هجيني لتجزئة دقيقة لآفات الجلد باستخدام LEDNet وSwin-UMamba

لماذا يهم تتبُّع الشامات

يبدأ سرطان الجلد، بما في ذلك الشكل الخطير المسمى الميلانوما، غالبًا كبقعة صغيرة وغير منتظمة على الجلد. يستخدم الأطباء صورًا مقربة خاصة تسمى صور الجلد المجهري (درموسكوبي) لدراسة هذه البقع، لكن تتبع المحيط الدقيق لكل آفة يدويًا بطيء وذو طابع شخصي. تستعرض هذه الدراسة طريقة حاسوبية جديدة ترسم تلقائيًا حدودًا دقيقة جدًا حول آفات الجلد في مثل هذه الصور، وهي خطوة قد تساعد على الكشف المبكر والمراقبة الأكثر موثوقية لسرطان الجلد.

من الحدود الضبابية إلى المخططات الحادة

البرامج الحاسوبية التقليدية التي تحلل الصور الطبية جيدة في التعرف على الأنماط العامة لكنها تميل إلى "طمس" التفاصيل الدقيقة حيث يلتقي الجلد السليم بالأنسجة المشبوهة. بالنسبة لسرطان الجلد، فإن هذه الحواف حاسمة: قد تشير الحدود المتعرجة أو الضبابية إلى وجود خطر. كثير من الأنظمة الحالية تفشل في التقاط أجزاء من الآفة أو تشمل قدرًا زائدًا من الجلد المحيط، خاصة عندما تكون الصورة مزعجة أو منخفضة التباين أو متأثرة بالشعر والظلال. يجادل المؤلفون بأن حل هذه المشكلة يتطلب أداة ترى الصورة الكبيرة والتفاصيل الدقيقة غير المنتظمة في الوقت نفسه.

أخصائي رقمي مكوّن من جزئين

صمّم الباحثون نظامًا هجينًا يجمع بين مكوّنين تكميليين. الأول، المسمى LEDNet (شبكة اكتشاف حواف الآفة)، مخصص لإيجاد حدود دقيقة. يقارن أزواجًا من صور الآفة لتمييز الاختلافات بين البقعة والجلد المجاور، ثم ينقح هذه المعلومات بوحدة "توجيه الحافة" التي تُنتج خريطة حافة نظيفة—بمعنى آخر، مخطط رفيع لحدود الآفة. يركّز المكوّن الثاني، Swin-UMamba، على البنية العامة للصورة. يستخدم أفكارًا حديثة لمعالجة التسلسلات، طورت في الأصل للنصوص الطويلة والسلاسل الزمنية، لربط المعلومات من أجزاء بعيدة في الصورة وفهم الشكل والملمس الكامل للآفة. معًا، يعزز كل من وحدتي التركيز على الحافة والسياق بعضها البعض، مما يؤدي إلى مخططات أوضح وأكثر موثوقية.

تدريب النظام بصور جلدية من العالم الواقعي

لاختبار فعالية النهج، جرّب الفريق النظام على ثلاث مجموعات شائعة من صور الجلد المجهري: ISIC-2017 وISIC-2018 وPh2. تتضمن كل مجموعة صورًا جلدية مع أقنعة مرسومة من قبل خبراء تشير إلى أماكن بداية ونهاية الآفة. ولّد الباحثون أولًا خرائط حواف بسيطة من الأقنعة الموجودة باستخدام تقنية كلاسيكية تُدعى كاشف حواف كاني. ثم تم إدخال هذه الخرائط، مع الصور الأصلية، إلى النموذج الهجين. قيس الأداء باستخدام مقاييس معيارية تقارن تجزئة الحاسوب بعلامات الخبراء، بما في ذلك مقياس Dice الذي يقترب من 1.0 عندما يكون التوافق شبه تام.

نتائج تضاهي التتبُّع الخبير

عبر المجموعات الثلاث، تفوّق النموذج الهجين على بدائل معروفة مثل U-Net، والشبكات القائمة على الانتباه، وتصاميم خفيفة حديثة أخرى. على مجموعتي ISIC-2017 وISIC-2018 كانت قيم Dice حوالي 0.97، وعلى صور Ph2 عالية الجودة وصلت إلى نحو 0.98، مما يدل على تطابق وثيق مع الحدود المرسومة يدويًا. أظهر الأسلوب أيضًا حساسية عالية (قليل من بكسلات الآفة المفقودة)، وخصوصية عالية (قليل من بكسلات الجلد السليم الموصوفة خطأ كآفة)، ودقة كلية قوية. كشفت خرائط الحرارة البصرية أن النظام يركز بطبيعته على حدود الآفة—وهي منطقة تهم الأطباء أكثر من غيرها—بدلًا من أن يتشتت بعوامل الخلفية.

نحو فحوصات جلدية أسرع وأكثر اتساقًا

يخلص المؤلفون إلى أن إطار عمل LEDNet–Swin-UMamba الهجين يقدم أداة قوية وفعالة لتحديد مخططات آفات الجلد تلقائيًا في صور الجلد المجهري. من خلال الجمع بين تتبُّع الحواف الدقيقة وفهم شامل لشكل الآفة، ينتج الأسلوب تجزئات حادة وموثوقة، حتى للشامات غير المنتظمة أو المعقدة. ومع أنه لن يحل محل أطباء الجلد، فقد يصبح مثل هذا النظام مساعدًا ذا قيمة—يسرع مراجعة الصور، ويقلّل الخلاف بين الخبراء، ويساعد على ضمان رصد ومتابعة التغيرات المشبوهة في الجلد في أقرب وقت ممكن.

الاستشهاد: Naeem, M.A., Yang, S., Saleem, M.A. et al. A hybrid approach for accurate skin lesion segmentation using LEDNet and Swin-UMamba. Sci Rep 16, 5415 (2026). https://doi.org/10.1038/s41598-026-38056-y

الكلمات المفتاحية: سرطان الجلد, الميلانوما, التصوير الطبي, التعلم العميق, تجزئة الآفة