RRWNet: شبكة تحسين تكراري لتقسيم وتصنيف الشرايين وال靜 الوعائية الشبكية بشكل فعّال

تُعدّ عيار وتكوين الأوعية الدموية الشبكية مؤشرات حيوية مهمة لعدد من الأمراض والظروف الطبية. ويُعدّ التحليل الشامل للشبكة الوعائية الشبكية يتطلب تقسيم الأوعية الدموية وتصنيفها إلى شرايين و靜脈، وعادةً ما يتم ذلك على صور ملونة لقناة العين (التصوير الشبكي). ومع ذلك، فإن إجراء هذه المهام يدويًا يتطلب جهدًا كبيرًا ويعرض النتائج لاحتمال الأخطاء البشرية. وعلى الرغم من اقتراح عدة طرق آلية لمعالجة هذه المهمة، إلا أن الحالة الحالية للتقنية تواجه تحديات ناتجة عن أخطاء تصنيف واضحة تؤثر على الاتساق الطبقي للخرائط الناتجة عن التقسيم. في هذه الدراسة، نقدم RRWNet، وهي إطار عمل جديد يعتمد على التعلم العميق من الطرف إلى الطرف، ويُعالج هذه القيود. يتكوّن هذا الإطار من شبكة عصبية متعددة الطبقات بالكامل تقوم بتحسين تدريجي ومتكرر لخرائط التقسيم الدلالي، حيث تصحح الأخطاء الواضحة في التصنيف، وبالتالي تحسّن الاتساق الطبقي. وبشكل خاص، يتكوّن RRWNet من شبكتين فرعيتين متخصصتين: شبكة أساسية (Base subnetwork) تُنتج خرائط تقسيم أولية من الصور المدخلة، وشبكة تحسين متكررة (Recursive Refinement subnetwork) تقوم بتحسين هذه الخرائط بشكل تكراري وتراكمي. وتبين النتائج المقدمة على ثلاث مجموعات بيانات عامة مختلفة الأداء المتميز للطريقة المقترحة، حيث تُنتج خرائط تقسيم أكثر اتساقًا طبقيًا وأقل عرضة لأخطاء التصنيف الواضحة مقارنة بالطرق الحالية. بالإضافة إلى ذلك، تُظهر الوحدة التحسينية المتكررة داخل RRWNet فعاليتها في معالجة ما بعد الخرائط الناتجة عن طرق أخرى، مما يُبرز إمكاناتها الواسعة. سيتم إتاحة رمز النموذج، والوزن، والتنبؤات الناتجة على منصة GitHub عبر الرابط التالي: https://github.com/j-morano/rrwnet.