في عالم الصور الطبية، تُعتبر عملية تقسيم الأوعية الدموية من المراحل الأساسية التي تؤثر بشكل كبير على نتائج التشخيص والعلاج. لكن، ما زالت هذه العملية تحمل تحديات عديدة نتيجة لوجود تركيبات وعائية معقدة وظروف تصوير متنوعة. في السنوات الأخيرة، شهدنا تطورات مثيرة في تقنيات الذكاء الاصطناعي، لكن القليل منها تمكن من تقديم حلول شاملة وقابلة للتطبيق عبر أنواع متعددة من الأنسجة والبيانات.

يقف نموذج "Segment Anything Model" (SAM) كأحد النماذج الواعدة في مجال تقسيم الصور الطبية، لكنه يواجه صعوبات في استغلال البنية الوعائية الدقيقة، مما يؤدي إلى نتائج ليست بالقدر المتوقع. هنا يأتي دور الابتكار الجديد: ReG-SAM.

يعد ReG-SAM إطار عمل مبتكر مبني على SAM ومصمم خصيصًا لتقسيم الأوعية الدموية في الصور ثنائية الأبعاد، حيث يستفيد من مجموعة رسوم بيانية مرجعية لتعزيز التمثيلات الوعائية. ويتضمن هذا النظام تمثيلات واعية للأنماط مأخوذة من الأقنعة المرجعية، مثل "graph prompt embeddings" (GPEs) التي تشفر الميزات المكانية العالمية، و"vascular prototype embeddings" (VPEs) التي تلتقط الخصائص الدقيقة للأنماط الوعائية.

ولأن الأقنعة الوعائية اللازمة لهذه العملية لا تتوفر أثناء الاستنتاج، قام الباحثون بتطوير قاعدة بيانات وعائية تعتمد على الأنماط، وابتكار خطتين للتعلم القائم على الرسم البياني لإنشاء GPEs وVPEs باستخدام عينات من قاعدة البيانات.

لقد أثبتت التجارب الواسعة النطاق عبر 19 مجموعة بيانات أن ReG-SAM يتفوق باستمرار على المعايير الحالية، حتى في الحالات المعقدة التي تشمل الأوعية الرفيعة، مما يعكس الإمكانات الكبيرة لهذا النظام الجديد في تحسين الدقة الطبية.