كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

تحليل الصور الطبية بالذكاء الاصطناعي متوسط · Intermediate 12 دقيقة

البيانات ثلاثية الأبعاد والتعزيز

3D Data and Augmentation

الرقع والذاكرة والتعزيز المناسب طبياً، ومتى يصبح التعزيز ضاراً.

تقدّمك في المسار0%

إدارة الذاكرة

الأسلوبالفكرة
الرقعقطع 96³ أو 128³ مثلاً
المعاينة المتوازنةنسبة من الرقع تتمركز على الآفات
الدقة المختلطةحسابات بدقة 16 بت
نقاط الحفظ للتدرجإعادة حساب بعض التفعيلات لتوفير الذاكرة

تعزيز بـ MONAI

from monai.transforms import (Compose, RandCropByPosNegLabeld, RandFlipd, RandAffined,
                              RandGaussianNoised, RandAdjustContrastd)
aug = Compose([
    RandCropByPosNegLabeld(keys=["image", "label"], label_key="label",
                           spatial_size=(96, 96, 96), pos=1, neg=1, num_samples=4),
    RandAffined(keys=["image", "label"], prob=0.3, rotate_range=(0.2, 0.2, 0.2),
                scale_range=(0.1, 0.1, 0.1), mode=("bilinear", "nearest")),
    RandFlipd(keys=["image", "label"], prob=0.5, spatial_axis=2),   # فقط إذا كان مناسباً تشريحياً
    RandGaussianNoised(keys=["image"], prob=0.15, std=0.05),
    RandAdjustContrastd(keys=["image"], prob=0.15, gamma=(0.8, 1.2)),
])

تعزيز حسب الوسيلة

الوسيلةتعزيز مفيد
الرنينانحياز الحقل، تشوهات الحركة
المقطعيةضجيج بمستويات مختلفة، تغير سماكة الشريحة
الأنسجةتعزيز التلوين، تغير التكبير
الموجات فوق الصوتيةضجيج حبيبي، تغير العمق

حدود

  • التعزيز لا يعوض نقص التنوع الحقيقي في المراكز والأجهزة والمرضى.
  • التعزيز غير الواقعي قد يضر الأداء.
  • قيّم أثر كل تعزيز بتجربة حذف (ablation)، لا بالحدس.

مصطلحات الدرس

التدريب بالرقع Patch-based Training
تدريب النموذج على مقاطع صغيرة من الحجم بدلاً من الحجم الكامل لتقليل استهلاك الذاكرة.
التشوه المرن Elastic Deformation
تعزيز يطبق تشويهاً ناعماً عشوائياً يحاكي التغير الطبيعي في شكل الأنسجة.

الملخص

الحجوم ثلاثية الأبعاد تستهلك ذاكرة كبيرة، فيُدرَّب النموذج على رقع مع معاينة متوازنة بين الخلفية والآفة. التعزيز يعوض قلة البيانات: تحويلات هندسية (دوران، وتحجيم، وتشوه مرن)، وتحويلات شدة (جاما، وضجيج، وتغير التباين)، وتحويلات خاصة بالوسيلة (انحياز الحقل في الرنين، وتفاوت التلوين في الأنسجة). يجب أن يبقى التعزيز واقعياً تشريحياً: قلب الصورة يساراً ويميناً قد يكون غير مناسب عندما يكون الجانب مهماً.

أسئلة مراجعة

  1. متى يكون القلب الأفقي تعزيزاً غير مناسب؟

    عندما يكون الجانب مهماً سريرياً، مثل موضع القلب أو تحديد الجهة في التقرير، أو عندما يغيّر التسمية.

  2. لماذا نعاين الرقع بشكل متوازن؟

    لأن الرقع العشوائية ستكون غالباً خلفية، فلا يرى النموذج الآفات بما يكفي.

المصادر والمراجع

  1. TorchIO — Augmentation
  2. MONAI — Transforms
  3. Tellez et al. (2019) — Quantifying the effects of data augmentation and stain color normalization in histopathology

إكمال الدرس