MILD-Net: شبكة مخففة بحد أدنى من فقدان المعلومات لتمييز الحالات الغدد في صور الأنسجة القولونية

تحليل التركيب الغدي في صور علم الأمراض النسيجي للقولون هو خطوة مهمة في تحديد درجة سرطان القولون. على الرغم من أهمية هذه المهمة، فإن التقطيع اليدوي هو مجهد ومستغرق للوقت ويمكن أن يعاني من الذاتية بين علماء الأمراض. وقد أدى ظهور علم الأمراض الحاسوبي إلى تطوير طرق آلية للتقطيع الغدي تهدف إلى التغلب على تحديات التقطيع اليدوي. ومع ذلك، فإن هذه المهمة ليست بسيطة بسبب التنوع الكبير في مظهر الغدد والصعوبة في التمييز بين بعض الهياكل النسيجية الغدية وغير الغدية. بالإضافة إلى ذلك، فإن قياس عدم اليقين ضروري لصنع القرارات التشخيصية. لمعالجة هذه التحديات، نقترح شبكة عصبية كاملة الترابط (fully convolutional neural network) تقاوم فقدان المعلومات الناجم عن التجميع الأقصى (max-pooling) بإعادة إدخال الصورة الأصلية في نقاط متعددة داخل الشبكة. كما نستخدم تقنية التجميع الهرمي الفضائي مع معدلات توسع مختلفة (atrous spatial pyramid pooling) للحفاظ على الدقة والتجميع متعدد المستويات. لدمج عدم اليقين، نقوم بتطبيق تحويلات عشوائية أثناء الاختبار للحصول على نتيجة تقطيع محسنة تولد أيضًا خريطة عدم اليقين، مما يسلط الضوء على المناطق المبهمة. نوضح أن هذه الخريطة يمكن استخدامها لتحديد مؤشر يستبعد التوقعات ذات عدم اليقين العالي. تحقق الشبكة المقترحة أداءً رائدًا على مجموعة بيانات تحدي GlaS وعلى مجموعة بيانات مستقلة ثانية لسرطان القولون المستقيمي (colorectal adenocarcinoma). بالإضافة إلى ذلك، نقوم بتقطيع الغدد حسب الحالات في صور الشرائح الكاملة من مجموعتي بيانات أخريتين لإبراز قابلية تعميم طريقتنا. كامتداد لهذه الطريقة، نقدم MILD-Net+ لأجل تقطيع الغدد واللومين بشكل متزامن، مما يزيد من قوة التشخيص للشبكة.