רשת מיזוג אדפטיבית רב-סקאלתית לסגמנטציה של שכבות הרשתית ונוזלים בסריקות B-optical coherence tomography

סריקות עין חדים יותר לשגרת טיפול בראייה

מחלות כמו סוכרת וניוון מקולרי הקשור לגיל יכולות לפגוע ברשתית — הרקמה הרגישה לאור בחלק האחורי של העין — כבר לפני שמבחינים בשינויים בראייה. סורקים מודרניים הנקראים אופטית קוהרנטיות טומוגרפית (OCT) מספקים לרופאים תצוגות חתך מפורטות של הרשתית, אך פירוש התמונות האלו באופן ידני איטי ועלול לפספס סימני אזהרה עדינים. המחקר הזה מציג מערכת מחשוב מתקדמת, AMDF‑Net, שנועדה לעקוב באופן אוטומטי אחר שכבות הרשתית והשקעים של נוזל בדיוק גבוה — מה שיכול לאפשר אבחון ומעקב מהירים ואמינים יותר של מחלות עיני עיוורון.

מדוע נוזל בעין חשוב כל כך

בכמה מצבים עיניים נפוצים — כולל בצקת מקולרית סוכרתית, ניוון מקולרי הקשור לגיל ובעיות בעורקי או בעצבי הרשתית — נוצרים לא מעט שלוליות קטנות של נוזל בתוך הרשתית או מתחתיה. גודלן, צורתן והמיקום המדויק שלהן מספקים לרופאים מידע האם הטיפול משפיע או שהמחלה מחמירה. תמונות OCT קולטות תכונות אלו בפרטים רבים, אך הרשתית מורכבת משכבות דקות להפליא המסתלסלות ומחפיפות זו את זו. הנוזל מטשטש גבולות ועלול להופיע כגושים לא סדירים. תוכנות מסורתיות ואפילו כלי למידה עמוקה מוקדמים מתקשים לעיתים להפריד נכון בין השכבות והנוזלים כאשר התמונות רועשות, הניגוד נמוך או דפוס המחלה חריג.

עוזר דיגיטלי חדש לתמונות OCT

המפתחים יצרו את AMDF‑Net (Adaptive Multi‑Domain Fusion Network) כדי להתמודד עם האתגרים האלה ישירות. המערכת מקבלת סריקות OCT גולמיות של העין ומנקה אותן תחילה באמצעות חיזוק קצוות, הפחתת רעש והתאמת בהירות, כך שמבנים עדינים יבלטו ותמונות מסורקים שונים ייראו דומות יותר. לאחר מכן הנתונים עוברים דרך שתי מסלולים משלימים: אחד מתמקד בפרטים מקומיים קטנים כגון גבולות דקים בין שכבות, והשני מנתח תבניות רחבות יותר על פני כל הסריקה, תופס את אופן ההתכופפות של השכבות ואת המקומות שבהם נוזל נוטה להצטבר. בלוק מיזוג מיוחד משלב את שתי הפרספקטיבות הללו ומשתמש במנגנון תשומת לב — דרך אוטומטית "לתת יותר תשומת לב" לאזורים מידעיים — כדי להבליט תכונות שסביר להן לייצג רקמה פגועה.

לראות אנטומיה ומחלה יחד

מעבר לשרטוט אנטומיה בריאה בלבד, AMDF‑Net כולל מודול הממקד גם בתבניות מחלה המופיעות בחולים אמיתיים — כגון כיסי נוזל תוך‑רשתית ותת‑רשתית או אזורים שבהם הרקמה התומכת התרוממה. חלק זה של הרשת לומד במהלך האימון להדגיש דפוסי תמונה שסימן מחלה שכיחים, ועדיין לעקוב אחר מבנה השכבות התקין. המערכת מנוהלת על ידי פונקציית אובדן מעוצבת בקפידה — ציון מתמטי שהיא שואפת למקסם — שמתגמל גם מילוי אזורים מדויק וגם גבולות חדים. על ידי שילוב משוב מבוסס-אזור ומשוב ממוקד-קצה במהלך הלמידה, המודל מונע ליצור סגמנטציות שלא רק חופפות היטב עם סימוני מומחים אלא גם מציגות קווי מתאר חלקים ובעלי משמעות קלינית.

נבדק על חולים וסורקים רבים

כדי להעריך עד כמה AMDF‑Net עובד בפועל, המחברים בדקו אותו על שלוש מאגרים ציבוריים ידועים של OCT ועל מאגר קליני מהעולם האמתי שנלקח מבית חולים עיניים עמוס. מערכים אלה מכסים מחלות שונות, מותגי סורק ואיכויות תמונה משתנות, כולל אזורים מאתגרים סביב עצב הראייה ושלוליות נוזל זעירות שרוב האלגוריתמים מפספסים. בכל המאגרים, AMDF‑Net התאמה או עלה על שיטות מובילות, שיפר ציוני דיוק נפוצים בכ‑3 עד 5 נקודות אחוז והקטין שגיאות נראות כמו שבירות בקווי השכבות או זיהוי שגוי של גושי נוזל. חשוב לציין שהמערכת התמודדה עם תמונות ממייצרי סורק שונים עם ירידות ביצועים קטנות בלבד — דרישה מפתח לשימוש שוטף במרפאות.

מה המשמעות עבור חולים ומרפאות

עבור לא‑מומחים, המסר המרכזי הוא ש‑AMDF‑Net פועל כמו עוזר דיגיטלי מאומן היטב שיכול במהירות ובאמינות לעקוב אחר מבנה הרשתית ונקודות הבעיה בסריקות OCT. באמצעות עיבוד כמויות גדולות של תמונות, המערכת עשויה לסייע לרופאי עיניים לזהות מחלה מוקדם יותר, לעקוב אחר שינויים עדינים בין ביקורים ולהתאים טיפולים במדויק יותר, גם בהגדרות עבודה עמוסות או עם משאבים מוגבלים. למרות שהשיטה דורשת כיום יותר כוח חישובי ממודלים פשוטים יותר, המחברים מציינים ששיפורים עתידיים וטכניקות דחיסה עשויים להפוך אותה למהירה דיה לשימוש שגרתי ליד הכיסא. בטווח הארוך, כלים כמו AMDF‑Net עשויים לעזור לשמר ראייה על‑ידי הפיכת סריקות עין מורכבות למפות ברורות ופועלות של בריאות הרשתית.

ציטוט: Mani, P., Ramachandran, N., Sowmya, V. et al. Multi-scale adaptive fusion network for retinal layer and fluid segmentation in optical coherence tomography B-scans. Sci Rep 16, 10600 (2026). https://doi.org/10.1038/s41598-026-44006-5

מילות מפתח: אופטית קוהרנטיות טומוגרפית, מחלות רשתית, סגמנטציה בלמידה עמוקה, בינה מלאכותית בהדמיה רפואית, בצקת מקולרית