يُعتبر تقسيم الهياكل الرقيقة المعقدة، مثل الأوعية الدموية في الشبكية (retinal vessels) والشرايين الدماغية (cerebral vasculature)، تحديًا كبيرًا في مجال الطب بسبب التباين المنخفض والتقطع المتكرر وعدم التوازن الشديد في الفئات. ورغم أن النماذج الحديثة القائمة على الشبكات العصبية الالتفافية (Convolutional Neural Networks) وTransformers قد حسّنت من الأداء في هذا المجال، إلا أنها لا تزال تعاني من إنتاج توقعات مجزأة وتفشل في استعادة الفروع الدقيقة.

لذلك، يأتي نموذج CSWinUNETR الجديد كحل مبتكر يتجاوز هذه التحديات. يعتمد CSWinUNETR على هيكل أساسي قادر على تقسيم الهياكل الرقيقة في الصور ثنائية وثلاثية الأبعاد. يبرز هذا النموذج بتقنية الانتباه الذاتي على شكل شرائط متقاطعة (cross-shaped stripe self-attention) التي تساهم في نمذجة السياق لمسافات طويلة، فضلاً عن إدخال تحولات دورية لتعزيز تبادل المعلومات عبر الشرائط.

من أجل الحفاظ بشكل أفضل على التفاصيل الدقيقة، تم إدخال وحدة لتحسين التفاصيل متعددة المقاييس (detail-enhanced multi-scale self-attention) التي تجمع الميزات السياقية من تمثيلات متعددة الدقة. بالإضافة إلى ذلك، تم اقتراح تقنية التفاف الثعبان الديناميكي (dynamic snake convolution) التي تعيد بناء نوى منحنيات كثيفة موثوقة من نقاط التحكم المتوقعة بشكل متفرق، مما يُسهل تبعية الهندسة المعقدة.

تمت تجربة النموذج على أربعة معايير في مجالات مثل طب العيون، تصوير الأوعية العصبية وطب الجلد، حيث أظهر CSWinUNETR أداءً متفوقًا باستمرار مقارنة بأحدث الطرق دون الحاجة إلى معالجة ما بعد محددة للمهمة أو خسائر واعية للت topology. يُمكنك العثور على كود النموذج المتاح على رابط GitHub. ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات!