CycleMix: استراتيجية شاملة لتقسيم الصور الطبية من خلال الإشراف على الرسم السريع

تُعد عملية تجميع مجموعة كبيرة من بيانات التدريب المُعلَّمة بشكل كامل تكلفةً عالية، خاصةً في مهام تقسيم الصور الطبية. بينما تُعدّ "الإشارات التخطيطية" (Scribble)، التي تمثل شكلًا أضعف من التصنيف، أكثر قابلية للحصول عليها عمليًا، إلا أن تدريب نماذج التقسيم باستخدام تدريب محدود من الإشارات التخطيطية لا يزال يُشكّل تحديًا. وللتغلب على هذه الصعوبات، نقترح إطارًا جديدًا لتقسيم الصور الطبية القائم على التعلم من الإشارات التخطيطية، يُعرف باسم CycleMix، والذي يعتمد على مزيج من تقنيات التكبير (augmentation) والاتساق الدائري (cycle consistency). فيما يتعلق بتكبير التدريب، يستخدم CycleMix استراتيجية mixup مع تصميم خاص للإغلاق العشوائي، بهدف زيادة أو تقليل الإشارات التخطيطية. أما بالنسبة للتنظيم في التدريب، فيعزز CycleMix هدف التدريب من خلال إدخال خسائر الاتساق (consistency losses) لمعاقبة التقسيمات غير المتوافقة، مما يؤدي إلى تحسين كبير في أداء التقسيم. وقد أظهرت النتائج على مجموعتي بيانات مفتوحتين، وهما ACDC وMSCMRseg، أن الطريقة المقترحة حققت أداءً مبهرًا، حيث تتفوّق أو توازي دقة النماذج المدربة بالكامل على بيانات معلّمة. ويُمكن الوصول إلى الشيفرة المصدرية والتعليقات التخطيطية المُعدّة من قبل خبراء لمجموعة بيانات MSCMRseg عبر الرابط التالي: https://github.com/BWGZK/CycleMix.