اكتشاف RadiomicNet: البنية الهجينة الخفيفة الثورية لتفسير تصوير الصور الطبية

تتقدم تقنيات التعلم العميق بخطى ثابتة في مجال تصوير الصور الطبية، لكنها تواجه العديد من التحديات الحرجة مثل التعقيد الرياضي، ومتطلبات المعلمات الكبيرة، ونقص القدرة على تفسير النتائج بطريفة سريرية. في هذا السياق، نقدم لكم RadiomicNet، بنية هجينة جديدة تجمع بين التعلم العميق وميزات الراديو ميكس المصممة يدويًا لرفع مستوى تعلم التقسيم.

**ما هو RadiomicNet؟**
RadiomicNet هو نظام مبتكر يعتمد على هيكلية تقريبية ثنائية والتي تعزز التعلم العميق من خلال دمج ميزات الراديو ميكس بشكل مباشر ضمن عملية تعلم التقسيم. أحد المساهمات الرئيسية هو بوابة الانتباه للراديو ميكس (Radiomics Attention Gate - RAG) التي تبدأ في الاستفادة من ميزات مصفوفة التوافق الرمادي (Gray-Level Co-occurrence Matrix - GLCM) وأنماط ثنائية محلية (Local Binary Pattern - LBP) لتعديل انتباه الاتصال التخطيطي ضمن مشفر ومفكك خفيف الوزن مستند إلى MobileNetV2.

**نتائج استثنائية**
استطاع RadiomicNet الوصول إلى معامل تشابه دايس (Dice Similarity Coefficient - DSC) يبلغ 0.763 ± 0.231 على مجموعة بيانات صورة الثدي (Breast Ultrasound Images - BUSI) و0.854 ± 0.112 على مجموعة بيانات كفازير-سيج (Kvasir-SEG)، متجاوزًا نموذج U-KAN بنسبة 1.2% و1.8% على التوالي. ولم يتطلب RadiomicNet سوى 3.27 مليون معلمة، وهو أقل بكثير من النماذج السابقة مثل U-Net وU-KAN.

**تفسير قرارات التقسيم**
تظهر تحليلات أهمية الميزات المبنية على التدرج أن عدم تجانس GLCM (15.24%) وطاقة GLCM (14.56%) وEntropy LBP (11.49%) تعتبر العناصر الأساسية في تقديم تفسيرات طب ية ذات مغزى للقرارات.

**لماذا RadiomicNet؟**
هذا البحث يوضح أن النماذج القابلة للتفسير والمضغوطة المرتبطة بالمعرفة الميدانية يمكن أن تحقق أداءً متميزًا في تقسيم الصور مع تقليل واضح في العبء الحاسوبي.