שיפור ניגודיות בתמונות MRI של המוח באמצעות שוויון היסטוגרמה דו-חתכי מבוסס אלגוריתם גנטי

סריקות מוח חדות יותר לתשובות מוקדמות יותר

כשתרפאים מחפשים גידולים במוח, הם מסתמכים לעתים קרובות על סריקות MRI. אך רבות מהתמונות האלו סובלות מניגודיות נמוכה, מה שהופך את ההבחנה בין רקמה תקינה וגידול פוטנציאלי לעדינה ומטעה. מאמר זה מציג שיטה מחשובית חדשה שמבהירה ומחדדת תמונות MRI של המוח, במטרה לעזור לרדיולוגים ולמערכות בינה מלאכותית לזהות גידולים באופן אמין יותר תוך שמירה על נאמנות כוללת לסריקה המקורית.

מדוע תמונות מטושטשות של המוח הן בעיה

בסריקת MRI טיפוסית של המוח, גווני אפור מייצגים מבנים שונים: אזורים כהים עשויים להיות רקע, גוונים בינוניים מצביעים על רקמת מוח, ונקודות בהירות יותר יכולות לסמן עצם או גידול. כאשר הניגודיות ירודה, גוונים אלה ממזגים זה בזה ומסתירים בעיות קטנות או בשלבים מוקדמים. זה משפיע הן על המומחים הקוראים את הסריקה בעין והן על כלי למידת מכונה מודרניים התלויים בהבדלים ברורים בהבהרה. במשך שנים החוקרים השתמשו במשפחת טריקים הנקראת שוויון היסטוגרמה כדי למתוח ולפזר מחדש את רמות הבהירות בתמונה, מה שהופך אזורים כהים לכהים יותר ואזורי בהירות לבהירים יותר. אמנם שיטות אלה יכולות לשפר את הנראות, אך לעתים הן גורמות למראה חריף או לא טבעי, או עיוותים בהבהרה הכוללת שעשויים להטעות באבחון.

מגישה אחידה לכל אחת — לשיפור מותאם

שיטות שיפור מסורתיות נוטות לטפל בכל הפיקסלים באופן קשיח. חלק מהן מחלקות את טווח הבהירות לשתי מחציות פשוטות או לכמה אזורים קבועים ומשפרות כל חלק בנפרד. אחרות, כגון גישות פופולריות של "הגבלה על ניגודיות", מחלקות את התמונה לרובדים ומעבדות כל רובד בנפרד כדי למנוע הגברה מופרזת של רעש. אסטרטגיות אלה עוזרות, אך מניחות שכל תמונה תתאים לאותה תבנית — דבר שלרוב אינו נכון בנתונים רפואיים אמיתיים. הטכניקה החדשה המוצעת במחקר זה נוקטת בגישה גמישה יותר. במקום לפעול לפי חוקים קבועים בעיוורון, היא מנתחת כיצד בהירות הפיקסלים מחולקת בפועל ב-MRI מסוים ואז מעצבת מחדש את החלוקה כך שתפריד טוב יותר בין אזורים שנחשדים כמנורמליים לבין רקמה חשודה.

חיתוך טווח הבהירות לשלוש חתיכות חכמות

הלב של השיטה נקרא שוויון היסטוגרמה דו-חתכי. דמיינו את ערכי הבהירות של התמונה כטווח הררי המוצג על גרף, עם פסגות שם רבים מהפיקסלים חולקים עצמת תאורה דומה. ב-MRI של המוח, אשכול גדול אחד מייצג בדרך כלל רקמת מוח רגילה, בעוד אשכול קטן יותר בעוצמה גבוהה יותר עשוי להכיל עצמות או אזורי גידול. המחברים מציעים שתי נקודות חיתוך לאורך טווח הבהירות, המחלקות אותו לשלוש זונות: רקע כהה, רקמת מוח ברמת ביניים, ומבנים בהירים. אזור האמצע, המתאים בעיקר לרקמת מוח תקינה, מדוכא בכוונה כדי שיופיע כהה יותר, בעוד אזורים הכהים והבהירים נמתחים בדרכים שונות. טיפול אסימטרי זה מדגיש פוטנציאליים של גידולים באופן ברור יותר על רקע מרוסן, אך עדיין שואף להימנע מהמראה החזק והלא טבעי שהשיטות הפשוטות יותר עלולות לייצר.

להניח לאבולוציה לבחור את ההגדרות הטובות ביותר

בחירה מדויקת של מיקום שתי נקודות החיתוך קריטית. אם הן נקבעות באופן לקוי, פרטים חשובים עלולים להיעלם או שהתמונה תעוות יתר על המידה. במקום לכוונן ידנית ערכים אלו, החוקרים משתמשים באלגוריתם גנטי — אסטרטגיית חיפוש בהשראת האבולוציה. הם מתחילים בזוגות אקראיים רבים של נקודות חיתוך ומ"אבולוציוניים" אותם שוב ושוב, שומרים על אלה שמניבים תמונות טובות יותר ומשלבים אותם למועמדים חדשים. איכות כל מועמד נשפטת באמצעות מספר מדדים מספריים של ניגודיות ודמיון מבני, שמטרתם לאזן בין נראות פרטים דקים לנאמנות לסריקה המקורית. תהליך אוטומטי זה מתאים את השיפור לכל MRI בנפרד, במקום להסתמך על נוסחה אחת לכל התמונות.

תצפיות ברורות יותר מבלי לאבד את התמונה הכוללת

כדי לבדוק את הגישה שלהם, המחברים יישמו אותה על 1,838 תמונות MRI של מוח שנלקחו משלוש ערכות נתונים ציבוריות והשוו את התוצאות לכמה שיטות שיפור ידועות. השיטה שלהם הניבה באופן עקבי ציונים גבוהים יותר במדדים שמעניקים חשיבות לניגודיות חזקה אך מפוזרת היטב, תוך שמירה על מבנה התמונה בקרבה סבירה למקור, כפי שמשתקף במדדי דמיון ושימור בהירות מקובלים. דוגמאות ויזואליות מראות גידולים הבולטים יותר לאחר העיבוד. במילים פשוטות, השיטה החדשה מחדדת סריקות מוח איפה שזה הכי חשוב — סביב אזורים חשודים — מבלי לשנות באופן קיצוני את התמונה. אם תאומץ בעבודת שגרה קלינית או כשלב קדם-עיבוד למערכות בינה מלאכותית, גישה זו עשויה לסייע לזיהוי גידולים במוח באופן אמין יותר, במיוחד בסריקות בעלות ניגודיות נמוכה ויציבות נמוכה.

ציטוט: Bukhori, I., Sim, K.S., Gan, K.B. et al. Contrast enhancement for brain MRI images via genetic algorithm-based dual cut histogram equalization. Sci Rep 16, 13834 (2026). https://doi.org/10.1038/s41598-026-42868-3

מילות מפתח: MRI מוח, זיהוי גידול, ניגוד תמונה, אלגוריתם גנטי, הדמיה רפואית