R-CNN עם מסכה מונחית אזור והמיזוג Haralick-ResNet לזיהוי מדויק של מחלת עורקי הלב בתמונות אנגיוגרפיית CT

מדוע סריקות לב ברורות חשובות

מחלת עורקי הלב היא אחת הסיבות המובילות לתמותה ברחבי העולם, ואחת הדרכים הנפוצות לזהות אותה מוקדם היא באמצעות סריקות CT מיוחדות שמציגות את כלי הדם של הלב. תמונות תלת־ממד אלה יכולות לחשוף הצרות מסוכנות ומשקעים שומניים לפני שיתפתח התקף לב. אבל במציאות, התמונות לעיתים קרובות מטושטשות, עמוסות ברקמות חופפות ומלאות רעש. מאמר זה מציג מערכת מחשוב חכמה שמנקה את התמונות המסורבלות האלה, עוקבת אחר כלי דם של הלב בדיוק רב יותר ומסמנת מחלה באמינות גבוהה, ובכך עשויה לספק לרופאים כלי חד יותר לאבחון מוקדם.

האתגר בקריאת תמונות לב

אנגיוגרפיית CT של העורקים הכליליים יוצרת מפות מפורטות של העורקים המספקים דם ללב. עם זאת, תמונות אלה רחוקות ממושלמות: טשטוש תנועה כתוצאה מהפעימה, ניגודיות נמוכה בין הכלים לרקמות הסובבות ומשקעים של סידן שנראים דומים למבנים סמוכים — כל אלה מקשים על הפרשנות. שיטות מחשוב מסורתיות מנסות לחדור לעורקים באמצעות כללים פשוטים, כגון בחירת פיקסלים שמעבר לסף בהירות או מעקב אחרי קצוות. כלים ישנים אלה נוטים להיכשל כאשר הכלי דם דק, מפותל או מכוסה על ידי אנטומיה אחרת, מה שעלול להוביל לאי־גילוי של מחלה או לאיתות שווא.

עקיבה מונחית של כלי דם הלב

כדי להתמודד עם תמונות מסובכות אלה, המחברים מציעים שיטה חדשה לשרטוט העורקים הכליליים בשם Region-Guided Mask R-CNN. ראשית, שלב פשוט של גידול אזורים מסמן אזורי כלי דם סבירים, באמצעות דמיון גס בעוצמת האות כדי להציג היכן עשויים להיות העורקים. לאחר מכן מודל למידה עמוקה מתקדם לוקח את הרמזים הללו ומדייק אותם למסכות כלי דם חדים, עצם־על־עצם. המערכת מוסיפה סוג של "תשומת לב" ויזואלית שלומדת להתמקד באזורים הרלוונטיים ולהתעלם מהפרעות, ומשתמשת בכיול מדויק יותר כדי שלא יאבדו פרטים עדינים. במבחנים על מאגר נתונים ציבורי של סריקות לב מ-206 חולים, העקיבה המונחית זו השיגה דיוק גבוה יותר וחפיפה טובה יותר עם שרטוטי מומחים מאשר רשתות סגמנטציה נפוצות כמו U-Net ו-V-Net.

מיזוג מרקם ותובנות למידה עמוקה

זיהוי מחלה אינו מסתכם רק בשרטוט גבולות כלי הדם; הוא דורש גם הבנת הבדלים עדינים בתוך דפנות העורק. החוקרים בנו רכיב שני, הנקרא Haralick-ResNet Fusion, כדי ללכוד גם את המרקם העדין וגם דפוסים רחבי היקף. חלק אחד מודד תכונות מרקם קלאסיות — כיצד גווני הפיקסלים חוזרים, הניגודיות והאופן שבו הם משתלבים — בעוד חלק אחר, רשת עמוקה מודרנית (ResNet), לומד רמזים חזותיים מורכבים ישירות מהנתונים. שני הזרמים הללו מתמזגים לתיאור עשיר ואחיד של כל אזור עורקי. הייצוג הממוזג הזה מסייע למערכת להבחין בין כלי דם נורמליים לאלה המושפעים מפלאק או הצרות, גם כאשר ההבדלים החזותיים קלים.

מתמונות לתשובה ברורה של כן-או-לא

השלב הסופי בשרשרת הוא רשת קונבולוציה עמוקה שלוקחת את התכונות הממוזגות ומחליטה האם קיימת מחלת עורקי לב. הממיין מרכיב שכבות רבות של מסננים קטנים כדי לזהות דפוסים בקננים שונים, ואז מדחס אותם להחלטה. באמצעות הכנת נתונים קפדנית, נירמול תמונה והגדלת מאגר הנתונים, המודל הגיע לדיוק זיהוי מחלה כולל של כ־98.3 אחוז. הוא גם התעל על רשתות סיווג תמונה ידועות כגון VGG-16, ResNet-50, InceptionV3 ו-EfficientNet-B3 במשימה זו, תוך שמירה על זמן חישוב וקצב פריימים סבירים.

מה זה אומר לטיפול בלב

מנקודת מבט של אדם מן השורה, עבודה זו עוסקת בלימוד מחשבים לקרוא סריקות לב ביתר זהירות ובעקביות מאשר מערכות קיימות. על ידי מעקב ראשוני אחר העורקים בעזרת תשומת לב מונחית אזור, ולאחר מכן מיזוג רמזי מרקם קלאסיים עם תובנות של למידה עמוקה, ולבסוף מתן פסק דין בטוח של כן או לא, השיטה מתמודדת עם המכשולים העיקריים שהגבילו ניתוח אוטומטי של תמונות CT כליליות. למרות שהיא עדיין תלויה בסריקות באיכות טובה ודורשת אימות קליני נוסף, הגישה מרמזת שכלים חכמים מקצה־אל־קצה מבוססי בינה מלאכותית עשויים בקרוב לסייע לרדיולוגים לזהות מוקדם ובמהימנות רבה יותר מחלות לב מסוכנות, ובכך לכוון טיפול לפני שהסימפטומים יהפכו לאיום חיים.

ציטוט: Revathi, G., Mathew, O.C. Region guided mask R-CNN with Haralick ResNet fusion for accurate coronary artery disease detection in computed tomography angiography images. Sci Rep 16, 12231 (2026). https://doi.org/10.1038/s41598-026-43951-5

מילות מפתח: מחלת עורקי הלב, דימות CT קרדיאלי, סגמנטציה של תמונות רפואיות, אבחון באמצעות למידה עמוקה, זיהוי משקעים לבביים