في عالم الطب الحديث، تعتبر دقة تقسيم الصور الطبية أمراً حيوياً لتقييم صحة القلب. لكن تقسيم الرنين المغناطيسي القلبي (CMR) يواجه تحديات متعددة، مثل انخفاض التباين بين الأنسجة وصعوبة تحديد الحدود بدقة. هنا يبرز دور أداة CardiacNAS، التي تقدم نهجًا مبتكرًا في استخدام البحوث العصبية التطورية (Evolutionary Neural Architecture Search).

تجمع CardiacNAS بين شبكة تشبه UNet وبيئة بحث فريدة مصممة خصيصًا لتصوير القلب. تضم هذه البيئة عناصر مثل عمق الشبكة، عرضها، حجم الكيرنل، حجم الفلتر، التركيز، الدمج، التفعيل، الانخفاض، والتوسع المتبقي. ما يميز هذه الأداة هو أنها تأخذ بعين الاعتبار الموارد المستخدمة، وتعالج الكفاءة من خلال تحسين كل من معامل تشابه Dice (DSC) والمسافة القصوى من نوع Hausdorff (HD95) مقارنةً بحجم النموذج وعمليات الفاصلة العائمة (FLOPs) ضمن ميزانيات محددة.

تعمل الأداة عن طريق توليد نماذج مرشحة من supernet، وتدريبها ضمن ميزانيات استباقية، ثم تطويرها من خلال عمليات الإخصاب، والطفرة، والاختيار النخبوي. تم تقييم الفعالية في مجموعة بيانات ACDC، حيث أظهرت النتائج أن النموذج حقق متوسط DSC يبلغ 93.22% ومسافة HD95 تصل إلى 4.73 مم مع استخدام 3.58 مليون معلمة و14.56 GFLOPs، مما يدل على توازن مثالي بين الدقة والكفاءة.

علاوة على ذلك، تشير التحليلات إلى أن الخيارات التي تم البحث عنها في التركيز والدمج، إلى جانب التوسع المتبقي، أسهمت في تحسين دقة الحدود واستقرار النموذج. وبالتالي، توفر CardiacNAS نهجًا مدروسًا ومواردًا ملائمة لتقسيم CMR مع تقديم تقارير شفافة عن تعقيد الهيكل وميزانية الحوسبة.