تحسين التجزئة متعددة الأعضاء في البطن باستخدام شبكات عصبية عميقة مُقيَّدة بالحدود ثلاثية الأبعاد

يُعد التقييم الكمي للمنطقة البطنيّة من خلال التصوير المقطعي المحوسب (CT) الذي تم اكتسابه سريريًا مطلوبًا لتقسيم الأعضاء البطنية بشكل متزامن. وبفضل توفر موارد حسابية عالية الأداء، أصبحت الطرق القائمة على التعلم العميق تحقق أداءً متقدمًا في مجال تقسيم صور التصوير المقطعي المحوسب ثلاثية الأبعاد للمنطقة البطنيّة. ومع ذلك، فإن الطبيعة المعقدة للأعضاء ذات الحدود الضبابية تعيق قدرة الطرق القائمة على التعلم العميق على تقسيم هذه الأعضاء التشريحية بدقة. وبشكل خاص، تكون البكسلات الواقعة على حدود الأعضاء أكثر عرضة للخطأ في التوقع بسبب التغير الكبير في شدة الإشارة في حدود الأعضاء المتجاورة. تُدرس هذه الورقة إمكانية تحسين أداء تقسيم الصور البطنية للشبكات المُشفرة-المُفكّكة ثلاثية الأبعاد الحالية من خلال الاستفادة من مهمة التنبؤ بالحدود بين الأعضاء كمهمة مكملة. ولحل مشكلة تقسيم الأعضاء المتعددة في المنطقة البطنيّة، نُدرّب الشبكة المُشفرة-المُفكّكة ثلاثية الأبعاد على تقسيم الأعضاء البطنية وحدودها المقابلة في صور التصوير المقطعي المحوسب من خلال التعلم متعدد المهام. وتُدرّب الشبكة بطريقة نهائية-إلى-نهائية باستخدام دالة خسارة تدمج خسارتين مخصصتين لكل مهمة، أي خسارة تقسيم العضو الكامل وخرسارة التنبؤ بالحدود. ونستكشف نوعين مختلفين من التراكيب الشبكية بناءً على مدى مشاركة الأوزان بين المهمتين ضمن إطار موحد للتعلم متعدد المهام. ولتقييم فعالية استخدام مهمة التنبؤ بالحدود المكملة في تحسين تقسيم الأعضاء المتعددة في المنطقة البطنيّة، نستخدم ثلاث شبكات مُشفرة-مُفكّكة متقدمة: 3D UNet، 3D UNet++، و3D Attention-UNet. وتُقاس فعالية استخدام معلومات الحدود بين الأعضاء في تقسيم الأعضاء المتعددة في المنطقة البطنيّة على مجموعتين من بيانات التصوير المقطعي المحوسب البطنيّة المتوفرتين للجمهور. وقد لوحظ تحسن نسبي قصوى بنسبة 3.5% و3.6% في متوسط درجة دايسي (Mean Dice Score) على مجموعتي بيانات Pancreas-CT وBTCV على التوالي.