X-Net: تقسيم جلطة الدماغ باستخدام التوافقي العميق المنفصل والارتباطات طويلة المدى

ازداد معدل الإصابة بسكتة دماغية بشكل سريع في السنوات الأخيرة. لمساعدة المتخصصين في قياس الأنسجة المصابة ووضع خطط العلاج، أصبحت طرق التقطيع الآلي ضرورية للغاية للممارسات السريرية. مؤخرًا، ساهمت النهج المستندة إلى التعلم العميق والطرق المستخدمة لاستخراج المعلومات السياقية في العديد من مهام تقطيع الصور. ومع ذلك، فإن أدائها محدود بسبب عدم كفاية تدريب عدد كبير من المعلمات، مما يؤدي أحيانًا إلى فشل في التقاط الارتباطات البعيدة. لحل هذه المشكلات، نقترح استخدام شبكة X-Net التي تعتمد على التفتيت العميق والفصل (Depthwise Separable Convolution) وتصمم عملية غير محلية تُعرف باسم وحدة تشابه الميزات (Feature Similarity Module - FSM) لتقاط الارتباطات البعيدة. يسمح التفتيت العميق المُعتمد بتقليل حجم الشبكة، بينما توفر الوحدة FSM المستحدثة استخراجًا أكثر فعالية للمعلومات السياقية الكثيفة، مما يساعد على تحقيق تقسيم أفضل. تم تقييم فعالية X-Net على مجموعة بيانات مفتوحة هي "الرسوم التشريحية للأنسجة المصابة بعد السكتة الدماغية" (ATLAS)، حيث حققت أداءً متفوقًا مقارنة بست طرق متقدمة أخرى. نوفر رمزنا والنماذج الخاصة بنا على الرابط https://github.com/Andrewsher/X-Net.