גישת־היברידית לחלוקה מדויקת של נגעי עור באמצעות LEDNet ו‑Swin‑UMamba

מדוע מיפוי שומות חשוב

סרטן העור, ובכלל זה הצורה המסוכנת מלנומה, מתחיל לעתים קרובות ככתם קטן ואי־סדיר על העור. רופאים משתמשים בתמונות תקריב מיוחדות, שנקראות תמונות דרמוסקופיות, כדי לבחון כתמים אלה, אבל מעקב ידני מדויק אחר מתאר כל נגע הוא איטי ותלוי במתבחן. מחקר זה מציג שיטה ממוחשבת חדשה שמשרטטת באופן אוטומטי גבולות מדויקים מאוד סביב נגעי עור בתמונות כאלה — שלב שיכול לסייע בזיהוי מוקדם ובמוניטורינג אמין יותר של סרטן העור.

מקצוות מטושטשים לקווי מתאר חדים

תוכנות מסורתיות לניתוח תמונות רפואיות טובות בזיהוי תבניות כלליות אך נוטות "לטשטש" פרטים דקים שבהם העור הבריא פוגש את הרקמה החשודה. בסרטן העור קצוות אלה הם קריטיים: גבולות מאורכים או מטושטשים יכולים להצביע על סכנה. מערכות קיימות רבות מחמיצות חלקים מהנגע או כוללות יותר מדי עור מסביב, במיוחד כאשר התמונה רועשת, בעלת ניגוד נמוך או מושפעת משיער וצללים. המחברים טוענים שכדי לפתור בעיה זו יש צורך בכלי שמסוגל לראות בו־זמנית את התמונה הגדולה ואת הפרטים הקטנים והאי־סדירים.

מומחה דיגיטלי דו‑חלקי

החוקרים תכננו מערכת היברידית המשלבת שני רכיבים משלימים. הראשון, שנקרא LEDNet (רשת לזיהוי קצוות נגעים), מיועד למצוא גבולות מדויקים. הוא משווה זוגות של תמונות נגע כדי להבליט הבדלים בין הכתם לעור הסמוך, ואז מעדן מידע זה עם מודול "הכוונת קצוות" שמפיק מפת קצוות נקייה — למעשה קו מתאר דק של הנגע. הרכיב השני, Swin‑UMamba, מתמקד במבנה הכללי של התמונה. הוא משתמש ברעיונות מודרניים לעיבוד רצפים, שפותחו במקור לטקסט ארוך ולטורי זמן, כדי לקשר מידע מחלקים מרוחקים של התמונה ולהבין את צורתו ומרקמו של הנגע במלואם. יחד, המודולים המתמקדים בקצוות ובקונטקסט מחזקים זה את זה, ומניבים קווי מתאר נקיים ומהימנים יותר.

הלימוד של המערכת מתמונות עור מהעולם האמיתי

כדי לבדוק עד כמה הגישה שלהם יעילה, הצוות בחן אותה על שלושה אוספים נפוצים של תמונות דרמוסקופיות: ISIC‑2017, ISIC‑2018 ו‑Ph2. כל מאגר כולל תמונות עור יחד עם מסכות שצוירו בידי מומחים המסמנות היכן הנגע מתחיל ומסתיים. החוקרים ייצרו תחילה מפות קצה פשוטות מהמסכות הקיימות באמצעות טכניקה קלאסית שנקראת גלאי הקצוות של קני (Canny). מפות אלה, יחד עם התמונות המקוריות, הוזנו למודל ההיברידי. הביצועים נמדדו באמצעות מדדי סטנדרט המשווים את החלוקה של המחשב לסימוני המומחים, כולל ציוץ Dice, המתקרב ל‑1.0 כאשר ההתאמה כמעט מושלמת.

תוצאות המתחרות עם שרטוט מומחים

בכל שלושת המאגרי הנתונים המודל ההיברידי עלה על אלטרנטיבות מוכרות כגון U‑Net, רשתות מבוססות קשב ועיצובים עדכניים קלים אחרים. במאגרים ISIC‑2017 ו‑ISIC‑2018 ציוני ה‑Dice עמדו סביב 0.97, ובתמונות האיכותיות של Ph2 הם הגיעו לכ‑0.98, מה שמעיד על התאמה קרובה מאוד לגבולות שצוירו בידי אנשים. השיטה הראתה גם רגישות גבוהה (מעט פיקסלים של נגע שנפספסו), סגוליות גבוהה (מעט פיקסלים בריאים שסומנו בטעות כנגע) ודיוק כולל חזק. מפות חום חזותיות הראו שהמערכת מתרכזת באופן טבעי בגבול הנגע — האזור שמעסיק את הקלינאים ביותר — במקום להתבלבל על ידי ארטיפקטים ברקע.

לקראת בדיקות עור מהירות ועקביות יותר

המחברים מסכמים שמסגרת LEDNet–Swin‑UMamba ההיברידית שלהם מציעה כלי חזק ויעיל לשרטוט אוטומטי של נגעי עור בתמונות דרמוסקופיות. על ידי שילוב עקיבה מדויקת אחרי הקצוות עם הבנה גלובלית של צורת הנגע, השיטה מספקת סגמנטציות שהן גם חדות וגם אמינות, אפילו לשומות אי‑סדירות או מורכבות. אף שאינה תחליף לדרמטולוגים, מערכת כזו יכולה להפוך לעוזר בעל ערך — להאיץ את סקירת התמונות, לצמצם מחלוקות בין מומחים ולעזור להבטיח ששינויים חשודים בעור יזוהו ויופקחו מוקדם ככל האפשר.

ציטוט: 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

מילות מפתח: סרטן העור, מלנומה, הדמיה רפואית, למידה עמוקה, סגמנטציה של נגעים