טכנולוגיית סגמנטציה של תמונות עמוד השדרה המשולבת U-ResNet ותשומת לב רגישת-צורה

למה סריקות של עמוד השדרה צריכות כלים חכמים יותר

כאבי גב הם אחת הסיבות השכיחות ביותר לפנייה לרופא, וסורקים מודרניים כמו MRI ו-CT יכולים לחשוף את העצמות והדיסקים הקטנים המרכיבים את עמוד השדרה בפירוט מרשים. אך הפיכת אותן תמונות באפוריות לקווי מתאר ברורים של מהו עצם, מהו דיסק, והיכן מסתתרת המחלה עדיין נעשית לעתים קרובות בעבודה ידנית, פרוסת אחר פרוסה. מאמר זה מציג מערכת בינה מלאכותית חדשה שיכולה לבצע מעקב אוטומטי אחר מבני עמוד השדרה ובעיות שכיחות בדיוק ובמהירות גבוהים יותר, לסייע לרדיולוגים ולמנתחים לקבל החלטות טובות יותר ולהפחית עומס עבודה.

האתגר בקריאת עמוד השדרה

עמוד השדרה הוא עמוד מורכב המורכב מרכיבים קטנים רבים: חוליות מסודרות זו על גבי זו, דיסקים רכים ביניהן, ועקומות עדינות שמשתנות מהצוואר עד המותניים. מחלות כמו דיסקים פריצים, שברים דחיסתיים וסקוליוזיס יכולות לעוות את המבנה הזה באופן דרמטי. שיטות מחשוב מסורתיות מתקשות להתמודד עם השונות הזו, ואפילו מודלים רבים של למידה עמוקה עושים טעויות בגבולות שבין עצם לדיסק או נכשלות כאשר האנטומיה נראית חריגה מאוד. תיחום ידני על ידי מומחים איטי, בלתי עקבי וקשה למדידה בבתי חולים עמוסים, במיוחד ככל שיותר עובדים משרדיים וסטודנטים צעירים מפתחים בעיות גב.

רשת מותאמת לתמונות עמוד השדרה

כדי להתמודד עם הבעיות האלה, המחברים מעצבים מודל למידה עמוקה ייעודי לעמוד השדרה המבוסס על גרסה משופרת של רשת רפואית פופולרית בשם U-Net. השלד המותאם שלהם, בשם U-ResNet, מעוצב בצורה של U: צד אחד מדחס בהדרגה את התמונה כדי לתפוס הקשר כללי, בעוד הצד השני מרחיב אותה בחזרה כדי ליצור מפת פרטים של כל מבנה. העיצוב החדש מאזנן עומק ויעילות כך שיוכל לעבוד על סריקות ברזולוציה גבוהה ללא צורך במחשבי-על. הוא גם מאחד תכונות בקנה מידה מרובים, מה שמאפשר לרשת להתמקד גם בגוף חוליה גדול וגם בדיסקים קטנים ודקים יותר, ומבצע נורמליזציה של המידע כך שהרשת עצמה תוכל לטפל גם בתמונות MRI וגם ב-CT.

ללמד את המודל לכבד צורה

חידוש מרכזי הוא מודול "תשומת לב רגישת-צורה" שמלמד את הרשת במפורש איך עמוד שדרה בריא נראה בדרך כלל ואיך מחלה יכולה לכופף או לשבור את הדפוסים האלה. לפני שהתמונות מגיעות למודול זה, שלב קדם-עיבוד מחלץ מידע קונטורי—באופן מהותי מתארים של עצמות ודיסקים—מהסריקות. בתוך המודול, הרשת משווה את רמזי הצורה האלה עם מה שלמדה מהתמונה עצמה, מחזקת אותות שבהם השניים מסכימים ומתאימה כשמחלה גורמת לעיוות. זה מאפשר למערכת להתמקד במבני עמוד השדרה האמיתיים, אפילו כשהם דחוסים, בולטים או מעוקלים, תוך דיכוי רקמות רקע מסיחות כגון שריר ושומן.

איזון בין אזורים שלמים לקצוות חדים

תרומה מרכזית נוספת היא אסטרטגיית אימון שמאזנת בין שני מטרות מתחרות: לכסות את כל היקף כל מבנה ולשרטט את הקצוות שלו בחדות. המחברים מעצבים פונקציית הפסד משולבת—בעצם כלל אימון—שמנחה את המודל איך להשתפר. חלק אחד מדגיש תיקון כל האזור של חוליה או דיסק, מה שחשוב למדידת נפחים והידרדרות. חלק אחר מתמקד בדיוק הגבולות, שהוא משמעותי בעת תכנון ניתוח או מעקב אחר התקדמות מחלה. המודל מתאים אוטומטית כמה הוא מתחשב בכל חלק בהתאם לגודל ולבהירות המבנה, והוא מוסיף אילוץ נפח כדי שהמדידות המספריות יתאימו לציפיות הרופאים בפרקטיקה קלינית.

להעמיד את המערכת למבחן

החוקרים מעריכים את הגישה שלהם על שתי ערכות נתונים משמעותיות: סריקות MRI של עמוד שדרה מותני, עשירות בפרטי רקמות רכות, ואוסף CT של כל עמוד השדרה שכולל את הצוואר, בית החזה והמותן ומכסה מגוון מצבים, כולל סקוליוזיס ושברים דחיסתיים. בהשוואה לתשעה שיטות מתקדמות אחרות, המודל שלהם משיג את הציונים הגבוהים ביותר בכמעט כל קטגוריה, מאיכות סגמנטציה כללית ודיוק גבולות ועד דירוג מידת הבלאי של דיסק בין-חולייתי. הוא עושה זאת תוך שימוש בחישובים ובפרמטרים פחותים מאשר רבים מהרעיונות המתחרים, מה שהופך אותו מתאים יותר להפעלה על חומרת בתי חולים סטנדרטית או אף על מכשירים בעלי צריכת כוח נמוכה.

מה זה אומר למטופלים ולצוות הרפואי

במילים פשוטות, עבודה זו מראה שלהקנות לבינה מלאכותית הבנה גם של הצורות וגם של הגבולות של מבני עמוד השדרה יכולה להפוך קריאות אוטומטיות של סריקות עמוד השדרה לאמינות ושימושיות קלינית יותר. המודל לא רק מתווה חוליות ודיסקים בדיוק גבוה יותר, כולל כאלה קטנים או מעוותים קשות, אלא גם רץ במהירות מספקת כדי להשתלב בזרמי עבודה בעולם האמיתי. למרות שהוא עדיין זקוק לבדיקה במחלות עמוד שדרה נדירות יותר ובבתי חולים נוספים, הוא מציע צעד מבטיח לקראת סיוע ממוחשב שגרתי וחד-דיוקי באבחון בעיות גב, בתכנון ניתוחים ובמעקב אחר החלמה.

ציטוט: Zhao, D., Qin, R., Chai, Z. et al. Spinal disease image segmentation technology integrating U-ResNet and shape-aware attention. Sci Rep 16, 12465 (2026). https://doi.org/10.1038/s41598-026-42870-9

מילות מפתח: דימות עמוד שדרה, סגמנטציה של תמונות רפואיות, למידה עמוקה, מחשבי וטומוגרפיית תהודה מגנטית של עמוד השדרה, אבחון כאבי גב