شبكات متعددة المهام مع انتباه موجه عبر المهام لتقسيم الأورام الدماغية في مرحلة واحدة

ظهرت عدم التوازن في الفئات كأحد التحديات الرئيسية لتقسيم الصور الطبية. تخفف استراتيجية التسلسل الهرمي للنموذج (MC) بشكل كبير من مشكلة عدم التوازن في الفئات من خلال تشغيل مجموعة من النماذج العميقة الفردية لتحقيق تقسيم خشن إلى دقيق. ومع ذلك، على الرغم من أدائها المتميز، فإن هذه الطريقة تؤدي إلى تعقيد غير مرغوب فيه في النظام وتتجاهل الارتباط بين النماذج. لمعالجة هذه العيوب، نقترح نموذجًا عميقًا خفيف الوزن، أي شبكة متعددة المهام ذات مرور واحد (OM-Net)، للتعامل مع عدم التوازن في الفئات بشكل أفضل مما يفعله MC، مع الحاجة فقط إلى حساب بمرور واحد. أولاً، تقوم OM-Net بدمج المهام التقسيمية المنفصلة في نموذج عميق واحد يتكون من معلمات مشتركة لتعلم الخصائص المشتركة، بالإضافة إلى معلمات خاصة بالمهمة لتعلم الخصائص التمييزية. ثانياً، لتحسين OM-Net بشكل أكثر فعالية، نستفيد من الارتباط بين المهام لتصميم استراتيجية نقل البيانات التدريبية عبر الإنترنت واستراتيجية تدريب قائمة على التعليم بالتدريج (curriculum learning). ثالثاً، نقترح أيضًا مشاركة نتائج التنبؤ بين المهام وتصميم وحدة انتباه موجه عبر المهام (CGA) التي يمكنها إعادة ضبط استجابات الخصائص القناوية بشكل تكيفي بناءً على الإحصائيات الخاصة بالفئة. رابعاً وأخيراً، يتم تقديم طريقة ما بعد المعالجة البسيطة والفعالة لتكرار نتائج التقسيم. تم إجراء تجارب واسعة النطاق لإظهار فعالية التقنيات المقترحة. وبشكل أكثر إثارة للإعجاب، حققنا أداءً قياسيًا على مجموعة اختبار BraTS 2015 ومجموعة التحقق عبر الإنترنت BraTS 2017. باستخدام هذه الأساليب المقترحة، حصلنا أيضًا على المركز الثالث المشترك في تحدي BraTS 2018 بين 64 فريقًا مشاركًا. الرمز متاح علنًا على https://github.com/chenhong-zhou/OM-Net.