في عالم تطور تقنيات التعلم العميق، برز استخدام الشبكات العصبية التلافيفية (Convolutional Neural Networks) كأداة رئيسية في تحليل الصور الطبية، بفضل قدرتها على تعلم الميزات المكانية الهرمية. لكن التحدي يكمن في تركيزها على مجال واحد فقط، مما يعوق قدرتها على التقاط الأنماط العالمية الشاملة ويفوتها فرز الخصائص ذات الطابع الترددي للصورة.

لمواجهة هذه التحديات، نقدم لكم شبكة S$^3$F-Net، وهي إطار عمل ثنائي الفرع مصمم للتعلم من التمثيلات المكانية والطيفية في وقت واحد. تجمع S$^3$F-Net بين CNN عميق للتمثيلات المكانية وآخر سطحي يُعرف باسم SpectraNet، الذي يعتمد على طبقة مصفاة طيفية (SpectralFilter) تستفيد من نظرية الالتواء (Convolution Theorem). هذه الطبقة تطبق مجموعة من المرشحات القابلة للتعلم على الطيف الترددي الكامل للصورة بوساطة ضرب عنصر بعنصر، مما يتيح لها اكتساب مجال استجابة عالمي بشكل لحظي.

تم تقييم شبكة S$^3$F-Net عبر أربعة مجموعات بيانات للصور الطبية تغطي مجموعة متنوعة من الأنماط، حيث أظهرت أداءً متفوقًا على الموديلات التقليدية ذات الطابع المكاني. بلغت نسبة دقة الشبكة 98.76% على مجموعة بيانات BRISC2025، بينما نجحت في الوصول إلى 93.11% على مجموعة بيانات أشعة الصدر المصابة بالالتهاب الرئوي، متفوقة على العديد من النماذج الأعمق.

كما أثبتت التحليلات التي أجريناها أن S$^3$F-Net تستطيع ضبط اعتمادها الديناميكي على كل فرع بناءً على الخواص المرضية المدخلة. يمكن العثور على كود المصدر وأوزان النماذج المدربة مسبقًا على GitHub [رابط_المقال].

فما رأيكم في هذه التطورات المذهلة في مجال التصوير الطبي؟ شاركونا آراءكم في التعليقات!