الانتباه الذاتي متعدد المقياس لتقسيم الصور الطبية

رغم أن شبكات العصب الاصطناعية التلافيفية (CNNs) تدفع بعجلة التقدم في مجال تقسيم الصور الطبية، فإن النماذج القياسية لا تزال تعاني من بعض العيوب. أولاً، استخدام الأساليب متعددة المقياس، أي هياكل الترميز-التفكيك (Encoder-Decoder Architectures)، يؤدي إلى استخدام مكرر للمعلومات، حيث يتم استخراج الميزات الأولية المتشابهة عدة مرات على مقياس مختلف. ثانياً، لا يتم نمذجة الارتباطات البعيدة بين الميزات بكفاءة، مما ينتج عنه تمثيلات ميزات تمييزية غير مثلى مرتبطة بكل فئة معنوية. في هذا البحث، نحاول التغلب على هذه القيود من خلال الهيكل المقترح، وذلك عن طريق التقاط ارتباطات سياقية أكثر غنى باستخدام آليات الانتباه الذاتي المنظمة (Guided Self-Attention Mechanisms). يمكن لهذه الطريقة دمج الميزات المحلية مع اعتماداتها العالمية المرتبطة بها، بالإضافة إلى تسليط الضوء على الخرائط القنوات المتداخلة بطريقة تكيفية. علاوة على ذلك، يوجه الخسارة الإضافية بين الوحدات المختلفة آليات الانتباه لتجاهل المعلومات غير ذات الصلة والتركيز على المناطق الأكثر تمييزاً في الصورة من خلال التشديد على ارتباطات الميزات ذات الأهمية. قمنا بتقييم النموذج المقترح في سياق تقسيم الدلالات على ثلاثة مجموعات بيانات مختلفة: الأعضاء البطنية، الهياكل القلب والأوعية الدموية والأورام الدماغية. سلسلة من التجارب الاستبعادية تدعم أهمية وحدات الانتباه هذه في الهيكل المقترح. بالإضافة إلى ذلك، بالمقارنة مع شبكات التقسيم الرائدة الأخرى، يقدم نموذجنا أداءً أفضل في التقسيم، حيث يزيد من دقة التوقعات ويقلل الانحراف المعياري. وهذا يدل على كفاءة طريقتنا في إنتاج تقسيمات آلية دقيقة وموثوقة للصور الطبية. لقد جعلنا رمز البرمجيات متاحًا بشكل عام عبر الرابط https://github.com/sinAshish/Multi-Scale-Attention