ResTransUNet: شبكة هجينة ذات مُشفرَين للتجزئة التلقائية للكبد في صور الأشعة المقطعية

لماذا يهم هذا في رعاية المرضى

يعتمد الأطباء على صور الأشعة المقطعية لرؤية الكبد بوضوح عند التخطيط لعلاج السرطان أو الجراحة، لكن حتى الآن لا تزال العديد من المستشفيات تطلب من الخبراء تتبّع العضو يدويًا على مئات الصور. هذا عمل بطيء ومتعب وقد يختلف من شخص لآخر. تقدم الأبحاث الموصوفة هنا برنامجًا حاسوبيًا يمكنه تحديد محيط الكبد تلقائيًا وبدرجة عالية من الدقة، مما قد يساعد أخصائيي الأشعة على العمل بشكل أسرع وجعل رعاية الكبد أكثر اتساقًا.

تحويل الصور الخام إلى محاور أعضاء واضحة

يتعامل البحث مع مشكلة عملية للغاية: كيف نعلّم الحاسوب العثور على الكبد في صور الأشعة المقطعية المشوشة وذات التباين المنخفض حيث تكون حدود الأعضاء غالبًا ضبابية أو مكسورة. تقنيات الصورة التقليدية مثل العتبة أو نمو المنطقة تكافح عندما يبدو الكبد مشابهًا للأنسجة المجاورة. كانت أنظمة التعلم الآلي المبكرة تعتمد على قواعد وميزات مصممة يدويًا، مما حدّ من قدرتها على التكيف مع مرضى جدد. حسّنت نماذج التعلم العميق الأحدث، خاصة تلك المبنية على شبكات ذات شكل U، الأداء بتعلّم الميزات مباشرة من البيانات، لكنها لا تزال تفقد بعض السياق الأوسع في الصورة، وهو أمر حاسم عندما تكون الحواف غير واضحة.

دماغ ثنائي المسار لرؤية التفاصيل والسياق

لتجاوز هذه المشكلات، يقدم المؤلفون نموذجًا يسمى ResTransUNet يمزج بين طريقتين مختلفتين لمعالجة الصور. أحد المسارين هو مسار التلافيف الكلاسيكي، المستوحى من تصميم U-Net الشائع، وهو جيد جدًا في التقاط التفاصيل المحلية الدقيقة والأشكال الدقيقة. المسار الآخر مبني من كتل المحولات، وهي عائلة أحدث من النماذج تبرع في رؤية العلاقات بعيدة المدى عبر الصورة، مثل كيفية ارتباط أجزاء بعيدة من الكبد ببعضها. الفكرة الأساسية هي السماح لهذين المسارين بالعمل جنبًا إلى جنب والتواصل طوال الشبكة، بحيث يمزج كل مرحلة معالجة بين الحواف المحلية الحادة والفهم السياقي الشامل.

كيف يتعلّم النموذج ما الذي يجب التركيز عليه

داخل مسار التلافيف، تستخدم الشبكة وصلات متبقية ووحدات انتباه على مستوى القنوات للحفاظ على تدفق المعلومات المفيدة ولتسليط الضوء على الأنماط الأكثر إفادة. مكوّن خاص يسمى وحدة تحسين الميزات يعمل كجسر بين مساري المحولات والتلافيف. عند عدة أعماق في الشبكة، يأخذ هذه الوحدة النظرة العالمية من المحول والميزات المحلية من التلافيف، يجمعهما، ثم يتعلّم قوة مساهمة كل قناة. بالإضافة إلى ذلك، تنظر كتلة متعددة المقاييس إلى الصورة بعدة مستويات تقريب افتراضية في آن واحد، مما يساعد النموذج على التعامل مع أكباد بأحجام وأشكال مختلفة ومع مناطق متكسرة إلى قطع صغيرة.

الاختبار على أنواع عديدة من الصور

درّب الباحثون واختبروا ResTransUNet أساسًا على مجموعة كبيرة عامة لصور الأشعة المقطعية للكبد استُخدمت في تحدٍ دولي، ثم تحققوا من مدى قابليته للنقل إلى ثلاث مجموعات بيانات معروفة أخرى. قاسوا مقدار التداخل بين الكبد المرسوم حاسوبيًا والمحاور التي رسمها الخبراء، وعدد الحالات التي ضمّن فيها نسيجًا زائدًا، ومقدار خطأ الحجم المتبقي. عبر كل هذه الاختبارات، سجل النموذج الجديد نتائج أعلى باستمرار من ثمانية طرق منافسة قوية، بما في ذلك متغيرات U-Net الكلاسيكية وأنظمة أخرى تستخدم المحولات بالفعل. أظهر قوة خاصة في الحالات الصعبة ذات مناطق كبد صغيرة أو مجزأة وفي الصور التي يصعب فيها رؤية حدود الكبد.

من المختبر إلى غرفة القراءة

بالنسبة لغير المتخصص، الخلاصة أن هذا العمل يقدّم أداة تلقائية قادرة على رسم محيط الكبد في صور الأشعة المقطعية بدقة قريبة من خبراء البشر، مع عمل موثوق عبر مجموعات بيانات وأجهزة متنوعة. من خلال مزج مسار متمرّس على التفاصيل مع مسار واعٍ بالسياق، يقلّل ResTransUNet من المناطق المفقودة والإنذارات الكاذبة. رغم أن المؤلفين يشيرون إلى أن التطبيق العملي سيتطلب دمجًا دقيقًا مع أنظمة المستشفيات واختبارًا على نطاق أوسع من الماسحات الضوئية ومجموعات المرضى، إلا أن النهج يظهر كيف أن التوليف الذكي لأفكار التعلم العميق الحديثة يمكنه تحويل الصور الطبية المعقدة إلى خرائط واضحة وموثوقة للتشخيص وتخطيط العلاج.

الاستشهاد: Wang, Y. ResTransUNet: a dual-encoder hybrid network for automated liver segmentation in CT scans. Sci Rep 16, 15366 (2026). https://doi.org/10.1038/s41598-026-46342-y

الكلمات المفتاحية: تجزئة الكبد, الأشعة المقطعية, التعلم العميق, شبكة المحوّلات, التصوير الطبي