شبكة إدراك مزدوجة للتردد والمكاني لتقسيم صور طبية بكفاءة ودقة

عيون كمبيوترية أكثر حدة لفحوصات طبية

عندما ينظر الأطباء إلى بقعة على الجلد أو إلى تصوير بالموجات فوق الصوتية للثدي أو إلى فحص مقطعي محوسب، فإن السؤال الحقيقي الصعب يكون: أين المرض بالضبط وأين النسيج السليم؟ غالبًا ما تأتي الإجابة من برامج تحدد المناطق المشبوهة في كل صورة، وهي عملية تُسمى التقسيم. تقدم هذه الورقة نظام ذكاء اصطناعي جديدًا، FDE-Net، يرسم تلك الحدود بدقة أكبر مع استخدام معقول لقدرة الحوسبة، مما يجعله أكثر ملاءمة للاستخدام في المستشفيات الحقيقية.

لماذا تفشل الأدوات التقليدية في رصد الأشياء الصغيرة

تعتمد معظم أدوات التصوير الطبي الحالية على شبكات عصبية «على شكل حرف U»، مثل U-Net المعروفة، التي تضغط الصورة لاستخراج المعنى ثم توسعها مرة أخرى لرسم قناع المنطقة المستهدفة. هذه الشبكات جيدة في التقاط الحواف والملمس الحاد، لكنها تميل إلى معاملة كل جزء من الصورة بنفس الطريقة عند تصغيرها. نتيجة لذلك، قد تختفي الآفات الخافتة أو الصغيرة خلال العملية، خصوصًا عندما تمتزج مع خلفيات معقدة مثل الأعضاء أو الأنسجة المحيطة. كما أن الأساليب الحالية تعمل في الغالب في فضاء البكسل الخام للصورة، متجاهلة منظورًا مكمّلًا: كيف يتوزع محتوى الصورة عبر ترددات مختلفة، من الأشكال العامة والسلسة إلى التفاصيل الدقيقة.

الاستماع إلى الصور بنغمات مختلفة

يبدأ FDE-Net بمعاملة الصورة الطبية قليلاً كإشارة صوتية: يفصل الصورة إلى أجزاء منخفضة التردد تصف البنية العامة وأجزاء عالية التردد تلتقط الحواف والتفاصيل الدقيقة. يركز كتلة استخراج معلومات التردد المنخفض على الجزء منخفض التردد، الذي يحمل إشارات حاسمة عن شكل وموقع الأعضاء والآفات ولكنه غالبًا ما يكون ملوثًا بنسيج الخلفية. وحدة مخصصة، تسمى قمع مناطق الاستجابة المنخفضة في مجال التردد، تتعلم خفض أهمية مناطق التردد المنخفض التي تبدو كخلفية غير مفيدة في حين تضخيم المناطق الأكثر احتمالًا لاحتواء المرض. ثم يعيد الشبكة دمج هذه المكونات المنخفضة والعالية التردد المُنقّاة، مما يمنح الطبقات اللاحقة رؤية أوضح وأكثر تركيزًا على ما يهم.

رؤية كل من الصورة الكبيرة والآفات الصغيرة

في «عنق الزجاجة» المركزي لهندسة الشكل-U، يستخدم FDE-Net وحدة الحالة البصرية متعددة الرؤوس. بدلًا من الاعتماد على الانتباه على غرار المحولات الذي قد يكون مكلفًا جدًا للصور الطبية الكبيرة، تنتمي هذه الوحدة إلى عائلة أحدث من النماذج المعروفة بنماذج الحالة الحقيقية (state space models). تعالج المعلومات بكفاءة مع التقاط العلاقات بعيدة المدى عبر الصورة. يمرر FDE-Net الميزات عبر عدة فروع موازية ينظر كل منها للصورة بمقاييس مختلفة، من رقع صغيرة مناسبة لتحديد بقع دقيقة إلى مناظير واسعة تلتقط أعضاء كبيرة. تُدمج هذه الإشارات متعددة المقاييس ثم تُمرر عبر كتلة الحالة، التي تتعلم كيف ترتبط المناطق والأحجام المختلفة ببعضها البعض، وكل ذلك بتكلفة حسابية تنمو خطيًا فقط مع حجم الصورة.

اختصارات موجهة تحترم السياق

مكوّن رئيسي آخر في FDE-Net يكمن في كيفية نقل المعلومات من الطبقات المبكرة إلى اللاحقة. شبكات الشكل-U التقليدية تنسخ التفاصيل المبكرة مباشرةً إلى المفكك (decoder). أما FDE-Net فيمررها عبر آلية تركيز السياق (Context Focus Attention). تستخدم هذه الوحدة نُوى التلافيف كبيرة جدًا لكنها فعالة، حتى يُصبح بإمكان كل بكسل «رؤية» حيٍّ واسع، متعلمةً أي المناطق المحيطة تساعد في توضيح ما إذا كان الحد حقيقيًا أم مجرد ضجيج. لذلك يحصل المفكك ليس فقط على حواف حادة، بل على حواف مستنيرة بالسياق التشريحي الأوسع، مما يؤدي إلى محيطات أكثر سلاسة وواقعية عند رسم حدود الآفات.

ماذا أظهرت الاختبارات على مرضى حقيقيين

اختبر الباحثون FDE-Net على ثلاثة مجموعات بيانات متاحة علنًا: اثنتان لآفات الجلد، واحدة لأورام الثدي في الموجات فوق الصوتية، وواحدة لعدة أعضاء في فحوصات مقطعية محورية ثلاثية الأبعاد للبطن. عبر جميعها، طابق FDE-Net أو تفوّق على منافسين حديثين أقوياء، بما في ذلك الشبكات الالتفافية التقليدية، والنماذج المبنية على المحولات، والنُهج الحديثة القائمة على نماذج الحالة. على معيار شائع لآفات الجلد، حسّن مقياس التداخل المشترك (IoU) بأكثر من ست نقاط مئوية مقارنةً بـ U-Net الأصلي، مع استخدام حسابي مماثل أو أقل من العديد من الطرق الأحدث. كما أظهر أداءً أفضل في اكتشاف الآفات الصغيرة أو الخافتة وأنتج حدود أعضاء أنظف وأكثر اتساقًا في المسوحات ثلاثية الأبعاد.

ماذا يعني هذا لأدوات العيادات المستقبلية

بكلمات بسيطة، تُظهر هذه الدراسة أن الانتباه لكل من «منظور التردد» للصور والبنية متعددة المقاييس للمرض يمكن أن يجعل أنظمة رؤية الحاسوب أكثر دقة من دون الحاجة لحواسيب خارقة. من خلال قمع ضجيج الخلفية في مجال التردد بعناية، ونمذجة العلاقات عبر المقاييس بكفاءة، وإثراء الاختصارات بين طبقات الشبكة، يقدم FDE-Net تقسيمًا أكثر حدة وموثوقية للأورام والأعضاء. مع تحسينات ومصادقات إضافية، يمكن أن تساعد هذه التصاميم في إنشاء أدوات أسرع وأكثر اعتمادًا لمساعدة الأطباء في التشخيص المبكر، وتخطيط العلاج، ومتابعة استجابة الأمراض للعلاج.

الاستشهاد: Chen, D., Wu, J., Zhang, XY. et al. A frequency-spatial dual perception network for efficient and accurate medical image segmentation. Sci Rep 16, 7259 (2026). https://doi.org/10.1038/s41598-026-38093-7

الكلمات المفتاحية: تقسيم الصور الطبية, التعلّم العميق, مجال التردد, نماذج الحالة الحالة, آفات الجلد والأعضاء