تواجه الصور فوق الصوتية (Ultrasound) تحديات كبيرة في دقة تحديد الهياكل التشريحية، خاصة تلك الصغيرة، نظرًا للضوضاء وتغير ظروف التصوير. لتجاوز هذه المشكلة، تم تقديم تقنية جديدة تُعرف بـ "Segment Anything Small" (SAS)، وهي طريقة بسيطة ولكن فعالة تتميز بقدرتها على تحسين أداء نماذج التعلم العميق في تحليل الصور.

تعتمد تقنية SAS على استراتيجيتين رئيسيتين: الأولى هي محاكاة أحجام الأعضاء المختلفة عن طريق تغيير حجم العينات وإدماجها في خلفية داكنة، والثانية هي إدخال ضوضاء في مناطق محددة لتقليد نسيج الأنسجة المتنوع. تمنح هذه التحولات للبيانات التدريبية مظهراً طبيعياً ومتعدد الاستخدامات دون التسبب في إدخال معلومات خاطئة أو تشويهات، مما يعزز مرونة النموذج أمام الضوضاء والتغيرات.

أظهرت الاختبارات التي أُجريت على مجموعة بيانات طبية مُدارة أن تقنية SAS تحقق تحسينات ملحوظة في الأداء حيث زادت درجات DICE بنسبة تصل إلى 0.35، مع متوسط تحسين بلغ 0.16. كما توفر النماذج القابلة للتحكم من خلال النقاط دقة أكبر في التحكم والتحسين التكيفي، مما يحقق أداءً مماثلاً لأوامر تحديد الصناديق باستخدام نقطتين فقط.

تعتبر تقنية SAS بمثابة أداة قوية لدفع التحليل الطبي للصور، خاصةً في البيئات المجهدة من حيث الموارد، حيث تساهم في تعزيز دقة التحليلات دون الحاجة لمجهودات ضخمة في التعليق البشري.