في عالم تشخيص الأمراض الجلدية المدعوم بالذكاء الاصطناعي، يعد تحديد آفات الجلد خطوة حيوية تؤثر بشكل مباشر على دقة التحليل ومصنفات الأمراض. إلا أن الصور المشتقة من الفحص الجلدي (dermoscopic images) تحمل تحديات كبيرة تتعلق بالحواف الضبابية، وانخفاض التباين، وتنوع الأشكال، بالإضافة إلى وجود تشويشات مثل الشعر والظلال.

مؤخراً، أثبتت نماذج الانتشار (diffusion models) كفاءتها الكبيرة في تقسيم الصور الطبية بفضل قدرتها على إزالة الضوضاء بشكل تدريجي ونمذجة التوزيع. ولكن، على الرغم من هذه الفوائد، فإن الطرق الحالية لا تزال تواجه صعوبات في تفاعل الميزات عبر المستويات المختلفة واستعادة تفاصيل الحواف.

لمعالجة هذه المشكلات، قدم الباحثون نموذج MLFFM-SegDiff، وهو نموذج يعتمد على مفهوم دمج الميزات متعددة المستويات لتقسيم آفات الجلد. يعتمد هذا النموذج على إطار عمل الانتشار ويضم مشفر U-Net ذو مسارين، ووحدة دمج ميزات متعددة المستويات (MLFFM)، ودالة خسارة حساسة للحواف.

يعمل المشفر الثنائي المسار على تعزيز التفاعل بين ميزات القناع الضوضائي وميزات الصورة الجلدية، بينما يُحسن MLFFM الاتصالات عبر الانتباه، وتوافق المقياس، والدمج المتكيف بين المستويات. هذه التصميمات تمكّن المشفر من الاستفادة المشتركة من الإشارات السطحية حول الحواف والتمثيلات الدلالية العميقة، مما يحسن جودة إعادة بناء القناع.

أثبتت التجارب على قواعد البيانات ISIC2018 وPH2 وHAM10000 أن MLFFM-SegDiff يتفوق على الأساليب التقليدية مثل DermoSegDiff وU-Net وSwinUNETR من حيث دقة التصنيف ومؤشر Jaccard ومعدل الاسترجاع. حيث حقق نموذجنا معدل مؤشر Jaccard يبلغ 0.8546 ومعامل Dice يبلغ 0.9207، مما يثبت فعالية استراتيجية الدمج متعددة المستويات في تحسين أداء تحليل الآفات.

سيتم إصدار الشيفرة المصدرية للنموذج بعد النشر.

ما رأيكم في هذا الإنجاز العلمي الجديد؟ شاركونا آراءكم في التعليقات!