الملخص تعتبر التجزئة الدقيقة لأورام الرئة ثلاثية الأبعاد على الأشعة المقطعية ضرورية للتشخيص الاستئصالي والتخطيط الافتراضي قبل العملية. ومع ذلك، تواجه هذه المهمة تحديات كبيرة: الطرق التقليدية للتجزئة غالبا ما تكون محدودة بحساسية المعايير والتدخل اليدوي، في حين أن الأساليب المعتمدة على التعلم العميق فقط مقيدة بندرة البيانات الطبية المعلّمة وتعاني من حواف الأورام غير المنتظمة ومنخفضة التباين. للتغلب على هذه القيود، نقترح أنبوب عمل هجيني تلقائي بالكامل يجمع بين التوطين المعتمد على الذكاء الاصطناعي مع خوارزمية تجزئة قابلة للتفسير. تستخدم الطريقة أولاً كاشف MONAI 3D RetinaNet المدرب مسبقًا لتوطين الأورام وإنتاج بذور، تليها عملية نمو منطقة تتكون من أربع نقاط مع عتبات تكيفية وقيود ديناميكية، وأخيرًا تعيد بناء الورم باستخدام خوارزمية Marching Cubes. تم تقييم الطريقة المقترحة على مجموعة مختارة من الحالات من مجموعة بيانات LIDC-IDRI، حيث حققت متوسط درجة Dice قدرها 0.935 لتجزئة الأورام، متجاوزة نماذج أخرى مثل I-3D DenseUNet (0.831) و3D MultiResUNet (0.866) وCNN هجين (0.720). من خلال دمج التعلم العميق للتوطين القوي وخوارزمية نمو المنطقة المقيدة لتحديد الحدود بدقة، توفر طريقتنا محيطات أورام ثلاثية الأبعاد مستقرة ونماذج تفاعلية، مما يظهر وعدًا كبيرًا في مساعدة التخطيط الافتراضي قبل العمليات بالمنظار الصدري.
لي وآخرون (سون) درسوا هذا السؤال.