SAME++: إطار عمل لتسجيل الصور الطبية مُعزَّز بالتمثيلات التشريحية ذاتية التدريب باستخدام عينة مستقرة وتحويل منظم

يُعد التسجيل الصوري مهمة أساسية في تحليل الصور الطبية. ومن المثالي أن يركّز التسجيل على محاذاة البكسلات المتماثلة من حيث المعنى، أي المواقع الأنسجة نفسها. ومع ذلك، فإن الطرق الحالية غالبًا ما تُحسّن مقاييس التشابه التي تُحسب مباشرةً على قيم الشدة أو على ميزات مُصممة يدويًا، والتي تفتقر إلى المعلومات الدلالية الأنسجة. وقد تؤدي هذه مقاييس التشابه إلى حلول غير مثلى، خاصة في الحالات التي توجد فيها تشوهات كبيرة، أو اختلافات أنسجة معقدة، أو صور من أنواع مختلفة. في هذه الدراسة، نقدم طريقة سريعة ودقيقة لتسجيل الصور الطبية ثلاثية الأبعاد بدون تدريب (unsupervised)، مبنية على خوارزمية التضمين الأنسجة ذاتية التدريب (Self-supervised Anatomical eMbedding - SAM)، التي تُمكّن من حساب تطابق أنسجة كثيف بين صورتين على مستوى البكسل. ونُسمّي نهجنا "SAME++" (تسجيل مُعزز بـ SAM)، والذي يُفكّك عملية التسجيل إلى أربع خطوات: التحويل التآملي (affine transformation)، والتشوه الأولي (coarse deformation)، والتحويل غير المعلمي العميق (deep non-parametric transformation)، وتحسين المثاليات (instance optimization). وباستخدام تضمينات SAM، نُعزز هذه الخطوات من خلال العثور على تطابقات أكثر تماسكًا وتوفير ميزات ذات توجيه دلالي أفضل. وقد قُمنا بتقييم SAME++ بشكل واسع باستخدام أكثر من 50 عضوًا مُعلّمًا في ثلاث مهام صعبة لتسجيل الصور بين الأفراد، تشمل أجزاء مختلفة من الجسم. وبصفتها إطارًا كاملًا للتسجيل، تتفوّق SAME++ على الطرق الرائدة بنسبة 4.2% إلى 8.2% من حيث دقة مقياس دايسي (Dice score)، مع سرعة تفوق طرق التحسين العددي بعشرات أو مئات المرات. يُمكن الوصول إلى الكود عبر الرابط: \url{https://github.com/alibaba-damo-academy/same}.