Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

סגמנטציה של גידול מוח באמצעות 3D-UNET רב-קניוני בעל שני מסלולים עם DenseNet ותשומת לב מרחבית

· חזרה לאינדקס

מדוע זה חשוב למטופלים ולרופאים

גידולי מוח נמנים עם הסוגים המפחידים ביותר של סרטן, וזיהוי מהיר ושרטוט מדויק של גבולותיהם בסריקות הוא קריטי לתכנון ניתוחים, קרינה וטיפולים נוספים. מחקר זה מציג שיטת ראייה ממוחשבת חדשה המסוגלת לתאר במדויק את צורת הגידולים ב-MRI, במטרה לתמוך ברדיולוגים עם תוצאות מהירות ויותר עקביות.

כיצד סריקות מוח חושפות בעיות נסתרות

הדמיית מוח מודרנית משתמשת בכמה סוגי סריקות MRI, שכל אחת מדגישה מאפיינים שונים של הרקמות. חלקן מדגישות את ליבת הגידול, אחרות את הנפיחות סביבו, ואחרות מראות שינויים בנוזלים סביב הגידול. באופן מסורתי רופאים מסמנים ידנית את גבולות הגידול בסריקות אלה — תהליך גוזל זמן ועלול להשתנות בין מומחים. שיטות אוטומטיות מבוססות למידה עמוקה שיפרו משימה זו, אך רבות מהן עדיין מתקשות עם גידולים בעלי צורות בלתי סדירות, קצוות מטושטשים או הבדלי בהירות חזקים בין תמונות.

Figure 1. מודל בינה מלאכותית ממיר סריקות MRI מסוגים שונים למפות תלת־ממדיות ברורות של אזורי הגידול
Figure 1. מודל בינה מלאכותית ממיר סריקות MRI מסוגים שונים למפות תלת־ממדיות ברורות של אזורי הגידול

דרך חכמה יותר לקרוא תמונות MRI

המחברים תכננו מודל חדש המטפל בסגמנטציה כמשימה תלת־ממדית, ובוחן את נפח המוח חתך אחרי חתך במקום רק תמונות שטוחות. הרשת שלהם כוללת שני "מסלולים" מקבילים שמעבדים קלטי MRI שונים במקביל, ותופסים הן פרטים עדינים והן הקשר רחב. בתוך המסלולים הללו מבנה בשם DenseNet מעביר מידע קדימה ביעילות כך שפרטים מוקדמים, כמו קצוות זעירים, נשמרים ומיושמים שוב ברמות העמוקות יותר. המודל גם פועל ברב־קנה, לומד מתכונות קטנות ומרחבים גדולים, מה שמסייע כאשר גידולים משתנים במידה רבה בגודל ובצורה.

מאפשרים למודל להתמקד במקומות החשובים

כדי לחדד את יכולת זיהוי האזורים הבעייתיים, הרשת משתמשת במנגנון תשומת לב מרחבית. מרכיב זה לומד להדגיש אזורים בסריקות שיש להם סבירות גבוהה יותר להכיל רקמת גידול, תוך דיכוי רקע מוחי תקין. באופן אפקטיבי, המודל "מתבונן ביתר קשב" באזורים חשודים ו"מתעלם" מאזורים פחות אינפורמטיביים. החוקרים שיפרו עוד את הלמידה על ידי הכנה מוקפדת של הנתונים: נורמליזציה של עוצמות, שינוי גודל של נפחים כדי להתאים למגבלות זיכרון ושימוש בהגדלת נתונים כדי לפצות על קטגוריות עם דוגמאות מועטות, כמו גידולים קטנים בולטים.

Figure 2. מבט שלב־אחר־שלב על ה-AI הדו־מסלולי הממוקד באזורים הסרטניים ומפיק מתארים נקיים של הגידול
Figure 2. מבט שלב־אחר־שלב על ה-AI הדו־מסלולי הממוקד באזורים הסרטניים ומפיק מתארים נקיים של הגידול

כמה טוב זה עובד בפועל

השיטה אומנה ונבחנה על מערך הנתונים BraTS 2020 לסריקות גידול מוח, אוסף נפוץ המסומן על־ידי מומחים, ולאחר מכן נבדקה שוב על סט BraTS 2021 העדכני יותר. לאורך אזורי הגידול העיקריים — החלק הפעיל המבליט, ליבת הגידול וההיקף המלא הכולל את הנפיחות סביבו — השיג המודל ציוני Dice קרובים ל־1, המצביעים על חפיפה כמעט מושלמת עם המתארים המומחים. הוא גם הראה רגישות וספציפיות גבוהות מאוד, כלומר כמעט תמיד מצא רקמת גידול כשהייתה קיימת ובמעט מקרים תייג רקמה בריאה בצורה שגויה. בנקודה חשובה, תוצאות חזקות אלה נשמרו גם בערכת הנתונים המופרדת של 2021, מה שמעיד על יכולת הכללה מעבר לתמונות שעליהן אומן תחילה.

מה זה עשוי להצביע לגבי הטיפול בעתיד

במילים פשוטות, המחקר מראה כי מודל למידה עמוקה דו־מסלולי ורב־קניוני ומתוכנן בקפידה יכול להפוך נתוני MRI מורכבים למפות גידול תלת־ממדיות מדויקות שתואמות בצמידות לעבודה המומחית. למרות שהמערכת עדיין זקוקה לאופטימיזציה במהירות ובדיקות רחבות יותר בקליניקות אמיתיות, ביצועיה מרמזים על כלים שיכולים לחסוך זמן לרדיולוגים, להפחית אי־ודאות ולהעניק הנחייה עקבית יותר לנתחים ואונקולוגים בטיפול באנשים עם גידולי מוח.

ציטוט: 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

מילות מפתח: סגמנטציה של גידול מוח, MRI, למידה עמוקה, 3D U-Net, הדמיה רפואית