في السنوات الأخيرة، أصبح اهتمام الأبحاث بتوليد صور طبية اصطناعية واقعية في تزايد مستمر. هذا الاتجاه يهدف إلى التغلب على ندرة البيانات العامة المتاحة لتعزيز أبحاث الذكاء الاصطناعي ودعم التعليم في هذا المجال. قد اعتمد معظم العمل على توليد الأشعة السينية السنية (Panoramic Radiographs) بشكل شبه حصري على الشبكات التنافسية العكسية (Generative Adversarial Networks - GANs).

ومع ذلك، هناك ثلاث قيود رئيسية تتكرر في هذا السياق:
1. معظم الصور المولدة تقتصر على منطقة دنتو ألفية مقطوعة، بدلًا من توفير صورة كاملة.
2. الدراسات أظهرت أن الأطباء لا يزالون قادرين على تمييز الصور الاصطناعية بدقة تتراوح بين 78-82%.
3. التدريب العدائي يعاني من حساسية تجاه عدم الاستقرار وفقدان الأنماط.

لذا، يُعتبر توليد صورة أشعة سنية كاملة بالحجم الكامل وبوضوح تشخيصي باستخدام نموذج الانحدار العكسي خيارًا واعدًا، ولكنه يتطلب تكلفة عالية في مراحل التحويل.

هنا يأتي دور مشروع PanoDiff-SR، وهو نظام متكامل من مرحلتين تم تطويره خصيصًا لأشعة الأشعة السينية البانورامية. النموذج مستخدم هو نموذج تصحيح ضوضاء الانحداري (Denoising Diffusion Implicit Model - PanoDiff) الذي يُولد صورة ابتدائية منخفضة الدقة، ثم يتم تحسين هذه الصورة من خلال مرحلة عالية من التركيز عبر نموذج محول الانتباه الهجين (Hybrid Attention Transformer - HAT) لتوفير صورة عالية الدقة.

تقنية فصل الخطوات التوليدية عن خطوات التحقق تتيح الحصول على صور بانورامية كاملة بدقة تشخيصية باستخدام جهاز GPU واحد بسعة 47 جيجابايت. كما أظهرت الفجوة بين 7243 صورة حقيقية وصورية ذات دقة عالية أنها 40.5، فيما حصلت الصور الحقيقية على درجات مرتفعة في تقييم الابتكار مقارنة بالنماذج الاصطناعية.

من خلال إجراء تقييم على 600 صورة، تمكنت مجموعة من الخبراء السريريين من تمييز الصور الحقيقية عن الاصطناعية بنسبة دقة متوسطة بلغت 68.5%، وهو ما يدل على تقدم ملحوظ مقارنة بالدراسات القائمة على نموذج GAN.

إذا كنت مهتمًا بالتطويرات الجديدة في مجالات الذكاء الاصطناعي والأشعة السينية، تابع هذا المشروع المتقدم عبر الرابط الرسمي للمشروع وشاركنا برأيك في التعليقات!