تحسين التدريب على تحويلات الصور القطبية يُحسّن تقسيم الصور الطبية

الخطوة الأساسية في التشخيص القائم على الصور الطبية هي تقسيم الصور (Image Segmentation). من الأمثلة الشائعة لتقسيم الصور الطبية تحديد الهياكل الفردية ذات الشكل البيضاوي. وتشمل هذه الفئة معظم الأعضاء مثل القلب والكلى، فضلاً عن الآفات الجلدية، والتوابع (البوليبات)، وأشكال أخرى من الشذوذ. لقد ساهمت الشبكات العصبية بشكل كبير في تحسين نتائج تقسيم الصور الطبية، لكنها ما زالت تتطلب كميات كبيرة من البيانات التدريبية وأزمنة تدريب طويلة لتحقيق التقارب. في هذه الورقة، نقترح طريقة عامة لتحسين أداء الشبكات العصبية في تقسيم الصور الطبية، وزيادة كفاءة البيانات في المهام التي تهدف إلى تقسيم كائن واحد يُوزّع تقريبًا بشكل بيضاوي. نقترح تدريب الشبكة العصبية على تحويلات قطبية (Polar Transformations) للبيانات الأصلية، بحيث يكون مركز التحويل هو نقطة مركز الكائن. يؤدي هذا إلى تقليل الأبعاد، بالإضافة إلى فصل مهام التقسيم عن مهام التحديد المكاني، مما يمكّن الشبكة من التقارب بسهولة أكبر. علاوةً على ذلك، نقترح طريقتين مختلفتين لتحديد نقطة الأصل القطبية المثلى: (1) التقدير من خلال نموذج تقسيم تم تدريبه على صور غير قطبية، و(2) التقدير من خلال نموذج تم تدريبه على توقع الأصل المثالي. تم تقييم طريقة العمل لدينا في مهام تقسيم الكبد، والبوليبات، والآفات الجلدية، ودهون القلب البطينية (Epicardial Adipose Tissue). ونُظهر أن طريقة العمل تُنتج نتائج من الدرجة الأولى (State-of-the-art) في تقسيم الآفات والكبد والبوليبات، وتفوق معظم الهياكل الشائعة للشبكات العصبية المستخدمة في تقسيم الصور البيولوجية والطبية. بالإضافة إلى ذلك، عند استخدامها كخطوة ما قبل المعالجة، تُحسّن طريقة العمل كفاءة البيانات بشكل عام عبر مختلف المجموعات البيانات والهياكل الشبكية.