تحسين تقسيم صور أورام الدماغ باستخدام نموذج Unet المعتمد على وحدة GSConv وآلية الانتباه ECA

في هذه الورقة، يتم مناقشة نموذج محسن لتقسيم الصور الطبية لأورام الدماغ، وهو خوارزمية تعلم عميق تعتمد على بنية U-Net. بناءً على U-Net التقليدية، نقدم وحدة GSConv وآلية الانتباه ECA لتحسين أداء النموذج في مهام تقسيم الصور الطبية. من خلال هذه التحسينات، يتمكن النموذج الجديد من U-Net من استخراج واستخدام الميزات متعددة المقاييس بشكل أكثر كفاءة مع التركيز بمرونة على القنوات المهمة، مما يؤدي إلى تحسين نتائج التقسيم بشكل ملحوظ. خلال التجربة، يتم تدريب النموذج المحسن من U-Net وتقييمه بشكل منهجي. من خلال النظر إلى منحنيات الفقد من مجموعة التدريب ومجموعة الاختبار، نجد أن قيم الفقد لكل منهما تتراجع بسرعة إلى أدنى نقطة بعد الثامن من العصر، ثم تتقارب تدريجياً وتستقر. يُظهر هذا أن نموذجنا يتمتع بقدرة تعلم جيدة وقدرة تعميم. بالإضافة إلى ذلك، من خلال مراقبة التغير في نسبة التقاطع المتوسطة (mIoU)، يمكننا أن نرى أنه بعد العصر الخامس والثلاثين، تقترب الميو من 0.8 وتظل مستقرة، مما يثبت صحة النموذج بشكل أكبر. بالمقارنة مع U-Net التقليدية، تظهر النسخة المحسنة المعتمدة على وحدة GSConv وآلية الانتباه ECA مزايا واضحة في تأثير التقسيم. خاصة في معالجة حواف صورة ورم الدماغ، يمكن أن يوفر النموذج المحسن نتائج تقسيم أكثر دقة. لا يساهم هذا الإنجاز فقط في تحسين دقة تحليل الصور الطبية، بل يوفر أيضًا دعمًا تقنيًا أكثر موثوقية للتشخيص السريري. باختصار، يوفر النموذج المحسن من U-Net المعتمد على وحدة GSConv وآلية الانتباه ECA المقترحة في هذه الورقة حلاً جديدًا لتقسيم الصور الطبية لأورام الدماغ، ويساعد أداؤه المتفوق في تحسين اكتشاف الأمراض وتأثيرات العلاج، وهو ذو أهمية كبيرة في المجالات ذات الصلة. في المستقبل، نأمل في استكشاف إمكانيات تطبيق هذه الطريقة في أنواع أخرى من معالجة الصور الطبية لدفع تطوير التصوير الطبي.