ثورة جديدة في تحليل الصور المرضية: SegMix تكسر القيود بأسلوب تعلم مبتكر!

في عالم تحليل الصور المرضية، يعد تمييز المناطق المتأثرة بالأمراض أو النمو غير الطبيعي مهمة حيوية، حيث يُسهم بشكل كبير في التشخيص والعلاج. ومع ذلك، تواجه العديد من التحديات في الحصول على بيانات تمييز عالية الجودة على مستوى البيكسل، نظراً للمتطلبات الكبيرة من الأطباء المختصين. الأمر الذي يحد من تطبيقات التعلم العميق في هذا المجال.

وللتغلب على هذه العقبة، يتيح تخفيف شروط العلامات إلى تصنيفات على مستوى الصورة استخدام المزيد من البيانات وفتح المزيد من السيناريوهات المختلفة. واحدة من الطرق المستخدمة هي الاستفادة من خرائط تنشيط الفئات (Class Activation Map - CAM) لتوليد تسميات بيكسل زائفة لأغراض التمييز الدلالي باستخدام بيانات تصنيف على مستوى الصورة فقط. على الرغم من ذلك، فإن هذه الطريقة قد تفتقر إلى استكشاف الخصائص الأساسية لصور الأمراض، مما يؤدي إلى تحديد مناطق صغيرة غير كافية للتغليف الزائف.

في هذا السياق، تقدم الدراسة الجديدة طريقة مبتكرة للتعلم المبني على ردود الفعل باستخدام أسلوب الإرجاع، مستوحاة من أسلوب التعلم المنهجي (Curriculum Learning)، الذي يهدف إلى إنتاج أقنعة تمييز دلالي زائفة بجودة أعلى. حيث يتم إجراء إعادة خلط (Patch Level Shuffle) لصور الأمراض، مما يسمح للنموذج بضبط استراتيجية الخلط بناءً على ردود الفعل من التعلم السابق. وقد أظهرت النتائج التجريبية أن مقاربتنا تفوق الأساليب المتاحة حاليًا في ثلاث مجموعات بيانات مختلفة.