ابتكار ثوري في اختبار قوة أنظمة تقسيم الأشعة المقطعية باستخدام استراتيجيات متعددة للفساد

توصلت الأبحاث الحديثة في مجال الذكاء الاصطناعي إلى فكرة مثيرة لتحسين فعالية أنظمة تقسيم الأشعة المقطعية (CT Segmentation) باستخدام إطار عمل مُبتكر يُعرف باسم "RAMP" (Robustness via Augmented Multi-corruption Pipeline). حيث أثبت تقرير حديث أن أنظمة تقسيم الأشعة تعتمد عادةً على التعلم العميق للوصول إلى دقة عالية على صور مرجعية نظيفة، إلا أن أدائها قد يتراجع بشكل ملحوظ عندما تُواجه ظروف تصوير سريرية متنوعة مثل الضوضاء وفقدان الدقة وتغير التباين.

تعتبر هذه التحديات عائقًا كبيرًا أمام نشر هذه التقنيات بشكل موثوق في عيادات التصوير الطبي. وقد أُعد مفهوم "RAMP" ليكون الحل لعلاج هذه القضايا من خلال دمج أنواع متعددة من التحريفات خلال التدريب، مما يمكّن النماذج من التعامل مع انحرافات الصور التي قد تحدث في الحياة الواقعية.

استمرت التجارب على نظام "RAMP"، الذي أظهر أداءً متقدمًا بالاعتماد على اختبارات صحية تشمل عدة أعضاء. في benchmark الخاص ببيئة تصوير ضوضائية، حقق "RAMP" تحسينًا كبيرًا في متوسط دقة "Dice" من 0.610 إلى 0.753، كما قلّص الفجوة بين الأداء على الصور النظيفة والمُفسَدة من 0.264 إلى 0.064. وفي سياق دراسات أخرى مثل Abdomen1K، سجل "RAMP" أيضًا تحسيناً ملحوظاً.

رغم أن "RAMP" لم يكن الأسرع في تحقيق أعلى مستويات الدقة على الصور النظيفة، إلا أنه تقدم في تقليل فقدان كفاءة التقسيم في أسوأ الحالات التي شهدت تدهوراً شديداً في جودة الصورة. تشير هذه النتائج إلى أن استخدام استراتيجيات التحريف المتعددة يُمكن أن يمثل منهجاً عملياً لتعزيز موثوقية أنظمة تقسيم الأشعة المقطعية في البيئات السريرية المتنوعة.