تجزئة أورام الدماغ المبكرة اعتمادًا على التعلم العميق الهجين وشبكات كولموغوروف–أرنولد
##plugins.themes.bootstrap3.article.main##
الملخص
تُعد أورام الدماغ الأولية، وعلى وجه الخصوص الورم الأرومي الدبقي متعدد الأشكال (GBM) والأورام الدبقية منخفضة الدرجة (LGGs)، من أكثر الأورام فتكًا. وعلى الرغم من التقدم في التصوير الطبي، لا يزال التصوير بالرنين المغناطيسي متعدد المعايير يمثل تحديًا سريريًا من حيث الدقة في التحديد المبكر لمناطق الورم الفرعية. كما تواجه الخوارزميات الآلية الحالية صعوبات تتعلق بحساسية تحديد الحدود، والتعميم عبر بروتوكولات التصوير المختلفة، إضافة إلى التقاط السياق العالمي بعيد المدى.
في هذا البحث، نقدم نموذجًا هجينًا يُعرف باسم CNN-Mamba-KAN، يجمع بين ثلاث مقاربات تعلم عميق بهدف تطوير استراتيجية قوية لتجزئة أورام الدماغ. يعتمد النموذج على مُشفِّر تلافيفي من نوع ResNet-50 لاستخلاص الخصائص المحلية الهرمية عبر ثلاث مقاييس مكانية، بالتوازي مع فروع تعتمد على نموذج الحالة-الفضائية Mamba-2 (SSM) لاستخلاص الاعتماديات الحجمية العالمية بكفاءة خطية. ويتم دمج هذه التمثيلات باستخدام آليات دمج تعتمد على الانتباه المتقاطع.
تم تصميم البنية مع عنق زجاجة متعدد الدقة مُعزز بالانتباه، يستند إلى نسخة مطورة من وحدة الانتباه التلافيفي (CBAM). والأهم من ذلك، يستخدم المُفكِّك (Decoder) دوال تفعيل من نوع B-spline قابلة للتعلم، مُنفذة ضمن طبقات شبكات كولموغوروف–أرنولد (KAN) بدلًا من الشبكات الإدراكية متعددة الطبقات (MLP)، مما يعزز القدرة التعبيرية للنموذج.
تم تدريب النموذج باستخدام دالة خسارة مركبة تجمع بين Dice وFocal وخسارة الحدود (Boundary Loss)، بهدف معالجة مشكلة عدم توازن الفئات وتحسين دقة تحديد الحواف. وقد تم تقييم النموذج على مجموعة بيانات BraTS 2024 باستخدام التحقق المتقاطع بخمس طيات، حيث حقق أداءً متقدمًا وفق أحدث المعايير.
بلغ معامل التشابه Dice (DSC) للنموذج 92.4%، في حين بلغ متوسط مسافة Hausdorff بنسبة 95% (HD95) مقدار 3.21 ملم، وذلك عبر فئات الورم الكلي (Whole Tumor)، ونواة الورم (Tumor Core)، والورم المعزز (Enhancing Tumor). وأظهرت النتائج تحسنًا ذا دلالة إحصائية (p < 0.05) مقارنة بنماذج حديثة مثل EfficientMed وMambaND، مع كفاءة عالية من حيث عدد المعاملات (48.3 مليون) وزمن الاستدلال (1.8 ثانية لكل حجم).
من خلال الدمج بين الاستخلاص المحلي عبر الشبكات التلافيفية، والسياق العالمي باستخدام نماذج الحالة-الفضائية، وفك التشفير التكيفي عبر شبكات KAN، يساهم نموذج CNN-Mamba-KAN في تحسين دقة تجزئة المناطق الفرعية الحرجة للأورام. وبالتالي، يوفر أداة آلية فعّالة لدعم التخطيط العلاجي القائم على التصوير بالرنين المغناطيسي وتشخيص المرضى في البيئات السريرية..
