تجزئة أورام الدماغ باستخدام 3D-UNET متعدد المقاييس ذو مسارين مع DenseNet والانتباه المكاني

لماذا يهم هذا المرضى والأطباء

تعد أورام الدماغ من أكثر أنواع السرطان إثارة للخوف، وكشفها بسرعة ورسم حدودها بوضوح على الصور أمر حيوي لتخطيط الجراحة والإشعاع والعلاجات الأخرى. تعرض هذه الدراسة طريقة رؤية حاسوبية جديدة يمكنها تتبع الشكل التفصيلي لأورام الدماغ على صور الرنين المغناطيسي بدقة لافتة، بهدف دعم أخصائيي الأشعة بنتائج أسرع وأكثر اتساقًا.

كيف تكشف صور الدماغ المشاكل الخفية

تستخدم تقنيات تصوير الدماغ الحديثة عدة أنواع من فحوصات الرنين المغناطيسي، كل منها يبرز خصائص نسيجية مختلفة. بعضها يبرز لب الورم، وبعضها الآخر يوضح الورم المحيط والورم الدموي المحيط، وبعضها يظهر تغيرات السوائل حول النمو. يقوم الأطباء تقليديًا برسم حدود الورم يدويًا على هذه الصور، وهي عملية تستغرق وقتًا وقد تختلف من خبير لآخر. حسنت الطرق الآلية المعتمدة على التعلم العميق هذه المهمة، لكن الكثير منها لا يزال يواجه صعوبة مع الأورام ذات الأشكال غير المنتظمة أو الحواف المشوشة أو الفروق الكبيرة في السطوع بين الصور.

طريقة أذكى لقراءة صور الرنين المغناطيسي

صمم المؤلفون نموذجًا جديدًا يتعامل مع مشكلة التجزئة كمهمة ثلاثية الأبعاد، ينظر إلى حجم الدماغ شريحة بشريحة بدلاً من الاعتماد على الصور المسطحة فقط. تحتوي شبكتهم على مسارين متوازيين يعالجان مدخلات رنين مغناطيسي مختلفة في آن واحد، مما يلتقط كلًا من التفاصيل الدقيقة والسياق الواسع. داخل هذه المسارات، يمرر هيكل يسمى DenseNet المعلومات إلى الأمام بكفاءة بحيث تُحفظ التفاصيل المبكرة، مثل الحواف الدقيقة، وتُعاد استخدامها في المستويات الأعمق. يعمل النموذج أيضًا على مقاييس متعددة، متعلمًا من السمات الصغيرة والمناطق الكبيرة على حد سواء، مما يساعد عندما تتباين الأورام كثيرًا في الحجم والشكل.

إتاحة التركيز للنموذج حيث يهم

لتوضيح رؤيته للمناطق المشكوك فيها، تستخدم الشبكة آلية انتباه مكاني. يتعلم هذا المكون تمييز مناطق الصور التي من المرجح أن تحتوي على نسيج ورمي، مع تقليل أهمية خلفية الدماغ الطبيعية. فعليًا، "ينظر" النموذج بتركيز أكبر إلى المناطق المشبوهة و"يتجاهل" المناطق الأقل معلوماتية. حسّن الباحثون التعلم أيضًا عبر إعداد البيانات بعناية: طبّعوا الشدات، وأعادوا تحجيم الحجوم لتناسب حدود الذاكرة، واستخدموا زيادة بيانات للتعويض عن فئات ذات أمثلة أقل، مثل الأورام صغيرة التعزيز.

ما مدى فعاليته عمليًا

تم تدريب الطريقة واختبارها على مجموعة بيانات أورام الدماغ BraTS 2020، وهي مجموعة مستخدمة على نطاق واسع من صور الرنين المغناطيسي الموسومة بخبرة، ثم تم التحقق منها مرة أخرى على مجموعة BraTS 2021 الأحدث. عبر مناطق الورم الرئيسية — الجزء النشط المعزز، لب الورم، والمجال الكامل بما في ذلك التورم المحيط — حقق النموذج درجات Dice قريبة من 1، مما يشير إلى تداخل شبه كامل مع الحدود المرسومة من الخبراء. كما أظهر حساسية ونوعية عاليتين جدًا، مما يعني أنه كاد يجد نسيج الورم عندما كان حاضرًا ونادرًا ما صنّف الأنسجة السليمة خطأً. ومن المهم أن هذه النتائج القوية ثبتت أيضًا على مجموعة 2021 المنفصلة، مما يشير إلى أن المنهج قد يعمم خارج الصور التي دُرّب عليها أصلاً.

ما الذي قد يعنيه ذلك للرعاية المستقبلية

بعبارات بسيطة، تُظهر هذه الدراسة أن نموذج تعلم عميق مصمم بعناية ثنائي المسار ومتعدد المقاييس يمكنه تحويل بيانات الرنين المغناطيسي المعقدة إلى خرائط ثلاثية الأبعاد دقيقة للورم تطابق عمل الخبراء عن قرب. بينما يحتاج النظام بعد إلى تحسين من حيث السرعة وتجارب أوسع في العيادات الحقيقية، فإن أدائه يوحي بأدوات يمكن أن تساعد أخصائيي الأشعة في توفير الوقت وتقليل عدم اليقين وتقديم إرشاد أكثر اتساقًا للجراحين وأطباء الأورام عند علاج مرضى أورام الدماغ.

الاستشهاد: AlSekait, D.M., Zakariah, M., Dubey, P. et al. Brain tumor segmentation using dual-stream multiscale 3D-UNET with dense net and spatial attention. Sci Rep 16, 15416 (2026). https://doi.org/10.1038/s41598-026-43470-3

الكلمات المفتاحية: تجزئة أورام الدماغ, الرنين المغناطيسي, التعلم العميق, 3D U-Net, التصوير الطبي