تقسيم الدماغ في صور الرنين المغناطيسي منخفض المجال

تقسيم الدماغ في صور الرنين المغناطيسي منخفض المجال Ultra-Low-Field MRI Brain Segmentation - LISA-MICCAI Challenge

- هذا المشروع يعالج تحديًا مهمًّا في التصوير الطبي: أجهزة الرنين المغناطيسي منخفضة الشدة (0.064T) التي تُستخدم في بيئات ذات موارد محدودة، ومع ذلك تنتج صورًا ذات جودة منخفضة جدًا.

- قادر على تحليل صور الدماغ من أجهزة رنين مغناطيسي محمولة ضعيفة المجال (0.064 تسلا - أضعف 30 مرة من الأجهزة التقليدية) لتحديد مناطق دماغية دقيقة عند الأطفال، خاصة الحصين والعقد القاعدية.

طوّرت خط معالجة متكامل يشمل تصحيح التشويه والضوضاء مثل استخدام N4ITK لتصحيح الـ bias field، وترتيب التوزيعات اللونية (Normalization).

طبّقت تقنية Super-Resolution عبر نموذج مثل ESRGAN أو SRResNet لرفع دقة الصور وتحسين التفاصيل البنيوية.

بنيت نموذجًا على أساس nnU-Net معدل، وأضفت إليه بوابات انتباه (Attention Gates) للتركيز على المناطق الصغيرة مثل الحُصين والعقد القاعدية، واستخدمت خوارزميات خسارة مخصصة (مثل Focal Tversky) للتعامل مع التوازن غير المتساوي للفئات.

قمت بعمل تجميع (Ensembling) من عدة نماذج للحصول على خرائط تجزئة أكثر استقرارًا.

النتيجة: نظام يُمكنه تجزئة هياكل دماغية دقيقة في صور منخفضة الجودة بدقة جيدة، وهو مفيد جدًا لتطبيقات طبية في مستشفيات ذات أجهزة رنين منخفضة الطاقة.

-التحديات التقنية بشكل مفصل:

الصور من أجهزة 0.064 تسلا تعاني من:

نسبة إشارة إلى ضوضاء منخفضة جداً (الصورة "مشوشة")

تباين محدود بين الأنسجة (صعب التمييز بين المناطق)

دقة مكانية أقل (التفاصيل الدقيقة غير واضحة)

الحل:

تحسين الصورة: استخدمت تقنيات Super-Resolution لتحسين جودة الصور، مثل نماذج GAN-based التي "تخمن" التفاصيل المفقودة بذكاء

المعالجة المسبقة المتقدمة: طبقت N4ITK Bias Field Correction لإزالة التشوهات الناتجة عن عدم تجانس المجال المغناطيسي، ثم Intensity Normalization لتوحيد مستويات السطوع

المعمارية المعدلة: عدّلت بنية nnU-Net (أفضل نموذج لتقسيم الصور الطبية) بإضافة Residual Blocks و Attention Mechanisms للتركيز على البنى الصغيرة

دوال خسارة متخصصة: استخدمت Unified Focal Loss و Focal Tversky Loss للتعامل مع عدم التوازن الشديد (المناطق المستهدفة صغيرة جداً مقارنة بحجم الدماغ)

التعلم بالنقل: درّبت النموذج مسبقاً على بيانات رنين مغناطيسي عالي المجال (ADNI، BraTS)، ثم ضبطته على البيانات منخفضة المجال

Ensemble Methods: جمعت 5 نماذج مدربة على تقسيمات مختلفة من البيانات (5-Fold Cross-Validation) لزيادة الموثوقية

النتائج:

تقسيم الحصين: دقة 68.4% (DSC) مع مسافة خطأ 4.73 ملم (HD) و 1.82 ملم متوسط (ASSD)

تقسيم العقد القاعدية: دقة 71.2% (DSC) مع مسافة خطأ 4.21 ملم

تحسّن بنسبة 8-11% عن نموذج nnU-Net الأساسي

رغم أن هذه الأرقام واضحة انها أقل من دقة الأجهزة التقليدية العالية، إلا أنها كافية سريرياً ضمن القيود الفيزيائية للمجال المنخفض، مما يثبت أن الذكاء الاصطناعي يمكنه تمكين التصوير الطبي الميسور في البيئات محدودة الموارد.