الشبكات التوليدية التنافسية لتركيب الصور الطبية: دراسة تجريبية

أصبحت الشبكات التوليدية التنافسية (GANs) أكثر قوةً بشكل متزايد، حيث تُولِّد صورًا واقعية بصريًا مذهلة تُقلّد محتوى مجموعات البيانات التي تم تدريبها على نسخها. أحد المواضيع المتكررة في مجال التصوير الطبي هو ما إذا كانت GANs قادرة أيضًا على إنتاج بيانات طبية قابلة للاستخدام، كما هي في إنشاء صور RGB واقعية. في هذه الدراسة، نقوم بدراسة متعددة GANs ومتعددة التطبيقات لتقييم الفوائد التي تقدمها GANs في مجال التصوير الطبي. تم اختبار هندسات GAN متنوعة، بدءًا من DCGAN الأساسية وصولاً إلى GANs المعتمدة على الأسلوب الأكثر تطورًا، على ثلاث وسائط تصوير طبي وثلاثة أعضاء، وهي: التصوير بالرنين المغناطيسي الديناميكي للقلب (cardiac cine-MRI)، والتصوير المقطعي المحوسب للكبد (liver CT)، والصور ثلاثية الألوان للشبكية (RGB retina images). تم تدريب GANs على مجموعات بيانات معروفة وشائعة الاستخدام، حيث تم حساب مؤشر FID لقياس وضوح الصور المولَّدة بصريًا. كما تم اختبار فائدتها من خلال قياس دقة التجزئة (segmentation accuracy) لشبكة U-Net تم تدريبها على الصور المولَّدة.أظهرت النتائج أن GANs ليست متساوية في الأداء، إذ أن بعضها غير مناسب تمامًا لتطبيقات التصوير الطبي، بينما تُظهر أخرى أداءً أفضل بكثير. تُظهر أفضل GANs قدرتها على إنتاج صور طبية واقعية من حيث معايير FID، بحيث يمكنها خداع خبراء مدربين في اختبار تورينغ البصري، وتحقيق نتائج مقبولة من حيث بعض المقاييس. ومع ذلك، تشير نتائج التجزئة إلى أن لا إحدى GANs قادرة على إعادة إنتاج الغنى الكامل لمجموعات البيانات الطبية.