في عالم التصوير الطبي، تهيمن معماريات على شكل حرف U منذ فترة طويلة، وقد تم استخدام نماذج Transformers بشكل واسع لنمذجة الاعتماديات على نطاق بعيد. لكن ماذا لو كانت هناك طريقة جديدة تمزج الكفاءة مع القدرة على التعامل مع الاختلافات في النسق؟ هذه هي الفكرة التي يحملها نموذج Attention-Mamba الجديد الذي تم تقديمه.

يعد هذا النموذج بديلاً فعالاً لهياكل U التقليدية، حيث يبني فروعًا موازية على مستويات مختلفة للحصول على ميزات متعددة المقاييس، مما يسهل عملية التنبؤ بالمزيد من الدقة. ما يميز Attention-Mamba هو دمج نموذج Mamba، الذي يقوم بالتقاط الاعتماديات طويلة المدى بكفاءة منخفضة التكلفة.

حيث يعتمد التصميم على معمارية ذات مسارين مع وصلات جانبية تجمع بين المعلومات الدلالية عالية المستوى والتفاصيل المكانية منخفضة المستوى. وتم إدخال وحدة محاذاة تكرارية (Recursive Alignment Module - RAM) لتحسين التفاصيل المكانية في الميزات ذات الدقة المنخفضة من خلال عملية محاذاة تدريجية، مما يجعلها جاهزة للتعلم العالمي وإدماج المقاييس المتعددة.

لكي يتحقق التكامل في البيانات على مستويات مختلفة، تم بناء فروع Mamba الموازية على الميزات المحاذاة، مما يتيح تحسين تمثيلات عالمية هرمية. وليس هذا فحسب، بل تم تقديم آلية انتباه مبنية على Mamba لتسهيل دمج التنبؤات متعددة المقاييس، وتعزيز تبادل المعلومات عبر القنوات والأبعاد المكانية.

أظهرت تجارب أجريت عبر ثلاث طرق تصوير (MRI، CT، والديرموسكوبي) تفوق النموذج المقترح في القدرة على التعميم. وبالمقارنة مع الشبكات الحديثة المعتمدة على CNN ثنائية الأبعاد وTransformers، أثبت نموذج Attention-Mamba تفوقه في أداء تقسيم الصور على مجموعات بيانات Synapse وACDC وISIC-2018 وPH2، مع المحافظة على كفاءة عالية حيث يحتوي على 14.05 مليون معلمة فقط مع تعقيد حسابي معتدل يبلغ 8.94 GFLOPs.

هذا النموذج يمثل خطوة كبيرة نحو تحسين طرق تقسيم الصور في المجالات الطبية، مما يسهم بشكل كبير في تعزيز دقة التشخيص والتقديرات الطبية.

ما رأيكم في هذا الابتكار الثوري؟ هل ترون أن هذه التقنية ستحدث ثورة في مجال التصوير الطبي؟ شاركونا آرائكم في التعليقات.