انتقل إلى المحتوى

تجزئة أورام الدماغ في صور الرنين المغناطيسي (MRI)

مقارنة بين ثلاث صيغ من U-Net لتجزئة أورام الدماغ على شرائح ثنائية الأبعاد من صور الرنين المغناطيسي (MRI) في BraTS-Africa (أربعة أنماط تصوير)، مع تطبيق Streamlit لمقارنة التنبؤات بالقناع المرجعي (ground truth).
  • Deep Learning
  • Medical Imaging
  • Computer Vision
التاريخ
يونيو 2025
النتيجة
U-Net بمشفِّر مدرَّب مسبقًا: 0.963 Dice على الاختبار (تقسيم على مستوى الشريحة)
  • U-Net بمشفِّر ResNet34 مدرَّب مسبقًا: 0.963 Dice
  • U-Net نفسها مدرَّبة من الصفر: 0.506 Dice
  • تقسيم على مستوى الشريحة: تقدير متفائل

ما مدى أهمية المشفِّر (encoder) المدرَّب مسبقًا عند تجزئة أورام الدماغ من مجموعة بيانات MRI صغيرة؟

افتح التطبيق

أنماط MRI الأربعة وقناع الورم، شريحة بعد شريحة

الإعداد

  • البيانات: BraTS-Africa، 146 مريضًا (استُبعد واحد بسبب ملف تالف). لكل فحص أربعة أنماط MRI (T1، وT1 مع مادة التباين، وT2، وFLAIR) وقناع للورم أعدّه خبير.
  • من 3D إلى 2D: تُرصّ الأنماط الأربعة كأربع قنوات إدخال، وتُقيَّس كل قناة إلى المجال [0, 1]. يُحتفظ فقط بالشرائح التي تحتوي على ورم، وهذا يعطي 10,692 شريحة ثنائية الأبعاد.
  • التقسيم: 70% للتدريب، و15% للتحقق، و15% للاختبار (1,604 شريحة اختبار).
  • دالة الخسارة: الإنتروبيا التقاطعية الثنائية (binary cross-entropy) مضافًا إليها خسارة Dice، حتى لا تطغى بكسلات الخلفية على الأورام الصغيرة.
  • النماذج:
    • ResNetUNet: شبكة U-Net بمشفِّر ResNet34 مدرَّب مسبقًا على ImageNet.
    • BaselineUNet: شبكة U-Net قياسية مدرَّبة من الصفر.
    • TransUNet (مبسّط): بديل عن TransUNet مبني على CNN فقط، بلا كتل المحوِّل (transformer) حتى الآن.

النتائج

النموذجDice على الاختبار
ResNetUNet (مشفِّر مدرَّب مسبقًا)0.963
BaselineUNet (من الصفر)0.506
TransUNet (مبسّط)0.069

خسارة التدريب لكل نموذج

ما الذي تقوله الأرقام فعلًا

  • المشفِّر المدرَّب مسبقًا هو الفارق. مع مفكِّك التشفير (decoder) نفسه والبيانات نفسها، رفع البدءُ من أوزان ImageNet قيمة Dice من 0.51 إلى 0.96.
  • نموذج TransUNet المبسّط فشل، مع أن خسارة التدريب فيه تقاربت. من دون كتل المحوِّل ومع وصلات تخطٍّ (skip connections) أضعف، لم يتعلم التفاصيل المكانية التي تحتاجها المهمة. هو نقطة بداية وليس نتيجة.
  • نتيجة الاختبار متفائلة. أُجري التقسيم على مستوى الشريحة لا على مستوى المريض، ولذلك تظهر شرائح متجاورة من المريض نفسه في مجموعتي التدريب والاختبار معًا، وهي تكاد تكون متطابقة في مظهرها. كما أن الاختبار لا يحتوي إلا على شرائح فيها ورم، ولذلك لا تُقاس الإنذارات الكاذبة على الشرائح السليمة. التقسيم على مستوى المريض، مع تضمين الشرائح السليمة، هو الخطوة التالية الأمينة، ومن المرجّح أن يعطي نتيجة أدنى.
  • هذا مشروع تعليمي وليس أداة سريرية. لا شيء هنا جرى التحقق من صلاحيته للاستخدام الطبي.

مقارنة تنبؤ بالقناع المرجعي داخل التطبيق

الأدوات المستخدمة

Python، وPyTorch وtorchvision (ResNet34 مدرَّب مسبقًا)، وNiBabel لفحوص NIfTI، وNumPy، وStreamlit للتطبيق. أربعة دفاتر (notebooks) تغطي الاستكشاف، والمعالجة المسبقة، والتدريب والمقارنة المعيارية، والاستدلال.

Deep Learning · Self-Supervised LearningDistill-SSLمعلّمون بالتعلم الذاتي الإشراف، وطلاب صغارDeep Learning · Signal Processingتشخيص أعطال المحامل بشبكة عصبية التفافية أحادية البعد (1D CNN)