تُعد نماذج الانحلال (Diffusion Models) من أهم الأدوات في مجال الذكاء الاصطناعي، حيث تنتج بيانات تركيبية عالية الجودة. لكن، يواجه هذا النوع من النماذج تحديًا كبيرًا يتمثل في بطء الاستدلال. هنا يأتي دور نموذج 3D Variable-Step Denoising Diffusion Probabilistic Model (VS-DDPM) الذي تم تطويره لتحسين جودة التوليد مع تسريع عملية الاستدلال بعدة عوامل.

في إطار التحديات التي تتعلق بتصوير الدماغ (BraTS2025) وتصوير الأشعة (SynthRAD2025)، تم اختبار نموذج VS-DDPM على أربعة مهام رئيسية، وهي: معالجة الصور الناقصة للرنين المغناطيسي (MRI)، إزالة الأورام، والتحويل بين الأشعة المقطعية (Computed Tomography) والتصوير بالرنين المغناطيسي.

نجح النموذج في تحقيق أداء متفوق بعلامات Dice بلغت 0.80، 0.83، و0.88 لمناطق الأورام مثل منطقة الأورام المحسنة، والنواة، والمنطقة الكاملة. كما حقق أيضًا مؤشرات عُليا في جودة الصور مثل مؤشر التشابه الهيكلي (Structural Similarity Index - SSIM) بلغ 0.95.

عند الحديث عن إزالة الأورام من الصور بالرنين المغناطيسي، كان النموذج قادرًا على تحقيق معدل الخطأ الجذري (Root Mean Squared Error - RMSE) بمقدار 0.053، ونسبة إشارة إلى ضوضاء قمة (Peak Signal-to-Noise Ratio - PSNR) بلغت 26.77، بالإضافة إلى مؤشر SSIM بلغ 0.918.

بينما أظهر النموذج أداءً تنافسياً في مهام تحويل الصور بين MRI وsCT وأيضًا CBCT وsCT، لم يصل إلى المؤشرات العُلوي (SOTA) في هذه المهام، ربما بسبب حساسية خطوط معالجة البيانات قبل وبعد المعالجة أو تكوينات دالة الخسارة.

مجمل القول، يقدم نموذج VS-DDPM حلاً قويًا وقابلًا للتكيف لتوليد صور طبية ثلاثية الأبعاد عالية الدقة. وكود المصدر متاح أيضًا على [رابط الكود].