شبكة التحويل المتكررة للبروز: دمج مؤشرات بصرية متعددة المراحل لتمييز الأعضاء الصغيرة

نهدف إلى تقسيم الأعضاء الصغيرة (مثل البنكرياس) من صور التصوير المقطعي المحوسب للبطن. نظرًا لأن الهدف غالبًا ما يشغل منطقة صغيرة نسبيًا في الصورة الإدخال، يمكن أن تصبح الشبكات العصبية العميقة بسهولة مشتتة بسبب الخلفية المعقدة والمتغيرة. لحل هذه المشكلة، اقترح الباحثون نهجًا خشنًا إلى دقيق، حيث استخدموا التنبؤ من المرحلة الأولى (الخشنة) لتحديد منطقة إدخال أصغر للمرحلة الثانية (الدقيقة). رغم فعاليته، تعامل هذا الخوارزمي مع المرحلتين بشكل منفصل، مما نقص من قدرته على تحسين الدالة الطاقية العالمية وحدّ من قدرته على دمج المؤشرات البصرية متعددة المراحل. فقد أدت المعلومات السياقية الناقصة إلى تقارب غير مرضٍ في التكرارات، وأحيانًا كانت المرحلة الدقيقة تنتج دقة تقسيم أقل من المرحلة الخشنة.في هذا البحث، نقدم شبكة تحويل البارزة المتكررة (Recurrent Saliency Transformation Network). الابتكار الرئيسي هو وحدة تحويل البارزة التي تقوم بتحويل خريطة احتمالية التقسيم من التكرار السابق إلى أوزان فضائية وتطبق هذه الأوزان على التكرار الحالي بشكل متكرر. وهذا يوفر لنا فائدة ثنائية. أثناء التدريب، يسمح بالتحسين المشترك عبر الشبكات العميقة التي تعالج مقاييس الإدخال المختلفة. أثناء الاختبار، ينتشر المعلومات البصرية متعددة المراحل خلال التكرارات لتحسين دقة التقسيم. تظهر التجارب في مجموعة بيانات تقسيم البنكرياس الخاصة بمكتبة الصحة الوطنية الأمريكية (NIH) الدقة الرائدة في مجالها والتي تتفوق على أفضل النتائج السابقة بمتوسط يزيد عن 2٪. كما تم الإبلاغ عن دقات أعلى بكثير لعدة أعضاء صغيرة في مجموعة بيانات أكبر جمعناها بأنفسنا. بالإضافة إلى ذلك، يتمتع نهجنا بخصائص تقارب أفضل مما يجعله أكثر كفاءة وموثوقية في التطبيق العملي.