تحقيق تجزئة دقيقة للصور الطبية غير المتوازنة: دراسة مقارنة

الملخص

أن تجزئة الصور الطبية مهمة جوهرية في المجال الطبي، إذ تعتمد بشكل متزايد على تقنيات التعلم العميق، لكنها تواجه تحديات مستمرة مثل اختلال توازن الفئات، حيث تشغل الآفات مساحة محدودة مقارنة بالخلفية. تعتمد جودة التجزئة بدرجة كبيرة على اختيار دوال الخسارة المناسبة القادرة على معالجة الاختلال بفعالية. تهدف هذه الورقة إلى مقارنة أداء نموذج LeViT-UNet، وهو نموذج هجين يجمع بين الشبكات التلافيفية وكتل المحولات، باستخدام دالتي الخسارة Focal Loss وFocal-Tversky Loss لمعالجة اختلال توازن الفئات. تم تدريب النموذج وتقييمه على مجموعة بيانات للأشعة المقطعية لتجويف البطن المعروفة بعدم توازن فئاتها، وتم قياس دقة التجزئة باستخدام مؤشري Dice وJaccard إلى جانب تحليل استقرار التدريب. أظهرت النتائج أن استخدام دالة Focal Loss يسرّع من تقارب النموذج ويحقق أداءً جيدًا في المراحل الأولى من التدريب من خلال التركيز على العينات الصعبة، بينما توفر دالة Focal-Tversky Loss توازنًا أفضل بين الحساسية والنوعية، مما يعزز استقرار النموذج ويحسّن قدرته على التعميم في البيانات غير المتوازنة. تُبرز النتائج أهمية اختيار دوال خسارة مناسبة لمتطلبات المهمة لتحسين جودة تجزئة الصور الطبية، وتؤكد أن دمج LeViT-UNet مع Focal-Tversky Loss يقدّم إطارًا موثوقًا وفعّالًا لتطبيقات طبية تتطلب دقة عالية.