CauSSL: التعلم شبه المراقب المُلهم بالسببية لتقسيم الصور الطبية

أظهر التعلم شبه المُراقب (SSL) مؤخرًا نجاحًا كبيرًا في تقسيم الصور الطبية، مما عزز بشكل ملحوظ كفاءة البيانات مع عدد محدود من التسميات. ومع ذلك، وعلى الرغم من الفوائد التجريبية التي تُظهرها هذه الطرق، لا تزال هناك مخاوف في الأدبيات العلمية بشأن الأساس النظري والتفسير لتقسيم الصور الطبية باستخدام التعلم شبه المُراقب. وللتوسع في معالجة هذه المشكلة، تقدم هذه الدراسة أولًا مخططًا سببيًا جديدًا يُوفّر أساسًا نظريًا لطرق تقسيم الصور الطبية شبه المُراقبة السائدة. ويأخذ المخطط السببي المقترح بعين الاعتبار متغيرين وسيطين إضافيين، تم تجاهلها في الدراسات السابقة. واستنادًا إلى هذا المخطط السببي المُقترح، نقدم لاحقًا نهجًا جديدًا مستوحى من السببية ضمن إطار التدريب التعاوني يُسمى CauSSL، بهدف تحسين التعلم شبه المُراقب في تقسيم الصور الطبية. وبشكل محدد، نشير أولًا إلى أهمية الاستقلال الخوارزمي بين الشبكتين أو الفروع في التعلم شبه المُراقب، وهي نقطة غالبًا ما تُهمل في الأدبيات. ثم نقترح قياسًا إحصائيًا جديدًا للاستقلال الخوارزمي غير القابل للحساب، ونعزز هذا الاستقلال لاحقًا من خلال عملية تحسين من نوع دالة دالة دالة القيمة القصوى والدنيا (min-max). يمكن دمج طريقة العمل هذه بمرن في مختلف الطرق الحالية للتعلم شبه المُراقب لتحسين أدائها. وقد تم تقييم طريقة العمل هذه على ثلاث مهام صعبة في تقسيم الصور الطبية باستخدام هندستين 2D و3D، وقد أظهرت تحسنًا متسقًا مقارنة بالطرق الرائدة حاليًا. وتم إتاحة الشفرة المصدرية للعمل بشكل عام عبر الرابط التالي: https://github.com/JuzhengMiao/CauSSL.