في عالم الطب الحديث، يُعتبر تصوير الأورام من أهم الأدوات التشخيصية، وتلعب تقنيات ترجمة الصور (Image-to-Image Translation) دورًا بارزًا في تحسين دقة هذا التصوير. تركز دراسة جديدة على استخدام أطر توليد مبتكرة لتحقيق نتائج مبهرة في تحويل أنماط صور طبية مختلفة دون الحاجة إلى فحوصات إضافية.

تتطرق هذه الدراسة إلى تقييم مقارن مُستنسخ وموحد لتقنيات ترجمة الصور ثلاثية الأبعاد (3D) في تصوير الأورام. تم تصميم هذا الإطار لتوحيد إعدادات المعالجة المسبقة، وتقسيم البيانات، وطرق الاستدلال، والتقييم متعدد المستويات عبر مهام سريرية متنوعة.

تمت مقارنة سبعة نماذج توليدية، تشمل ثلاث شبكات خصومة توليدية (GANs) وهي: Pix2Pix وCycleGAN وSRGAN، وأربع نماذج توليد كامنة (Latent Generative Models). تمت التجارب على أحد عشر مجموعة بيانات تغطي ثلاثة مناطق تشريحية (الرأس/الرقبة، الرئة، والحوض) وأربعة اتجاهات للترجمة (من صور CT إلى CT، ومن MRI إلى CT، ومن CT إلى PET، ومن MRI T2-weighted إلى T2-FLAIR)، مما يشمل 77 تجربة تحت ظروف تدريب وتقييم موحدة.

تظهر النتائج أن شبكات الخصومة (GANs) تتفوق على النماذج التوليدية الكامنة في جميع المهام، مع تحقيق SRGAN لنتائج ذات دلالة إحصائية ملحوظة. كما تكشف التحليلات المتعلقة بالآفات أن جميع النماذج تواجه صعوبة في التعامل مع الآفات الصغيرة، وفي تحويل صور CT إلى PET، أثبتت النماذج قدرة أكبر على استنساخ شكل الآفة مقارنةً بالكثافة المرتبطة بالامتصاص.

كذلك، أُجري اختبار Turing بصري على 17 طبيبًا، بما في ذلك 15 طبيب أشعة، يظهر دقة تصنيف قريبة من المصادفة (56.7%)، مما يؤكد أن الأحجام الاصطناعية غالبًا ما تكون غير قابلة للتفريق عن الفحوصات الحقيقية، بينما تكشف عن انفصال بين المقاييس الكمية وتفضيلات الأطباء السريرية.

تفتح هذه الدراسة آفاقًا جديدة للتطبيقات المختلفة في التصوير الطبي، حيث تعزز من فعالية عمليات التشخيص وتعزز من قدرة الأطباء على اتخاذ قرارات سليمة مبنية على بيانات دقيقة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.