التقطيع: U-Net وnnU-Net
Segmentation: U-Net and nnU-Net
البنية التي هيمنت على تقطيع الصور الطبية، وإطار يضبط إعداداتها تلقائياً.
بنية U-Net
- المشفر: طبقات تلافيفية وتصغير متتالٍ لالتقاط السياق.
- عنق الزجاجة: أعمق تمثيل.
- المفكك: تكبير متتالٍ مع دمج خرائط المشفر عبر وصلات التخطي.
- المخرج: خريطة احتمالات لكل فئة لكل بكسل.
خسارة Dice
$$\mathcal{L}_{Dice} = 1 – \frac{2\sum_i p_i g_i + \epsilon}{\sum_i p_i + \sum_i g_i + \epsilon}$$
الممارسة الشائعة: \(\mathcal{L} = \mathcal{L}_{Dice} + \mathcal{L}_{CE}\).
نموذج 3D بـ MONAI
import torch
from monai.networks.nets import UNet
from monai.losses import DiceCELoss
model = UNet(spatial_dims=3, in_channels=1, out_channels=3,
channels=(16, 32, 64, 128, 256), strides=(2, 2, 2, 2), num_res_units=2)
loss_fn = DiceCELoss(to_onehot_y=True, softmax=True)
x = torch.randn(2, 1, 96, 96, 96)
y = torch.randint(0, 3, (2, 1, 96, 96, 96))
print(loss_fn(model(x), y).item())nnU-Net
خطوات الاستخدام العامة (راجع التوثيق للإصدار الحالي):
- ترتيب البيانات بالصيغة المطلوبة مع ملف
dataset.json. - تشغيل التخطيط والمعالجة المسبقة التلقائيين.
- تدريب الإعدادات (2D، 3D بدقة كاملة، 3D متسلسل) بتحقق متقاطع خماسي.
- اختيار أفضل إعداد أو مجموعة منها تلقائياً.
الاستدلال على حجوم كاملة
الحجوم كبيرة، فيُستخدم الاستدلال بنافذة منزلقة مع تداخل وتجميع الاحتمالات، مثل sliding_window_inference في MONAI.
الدرس
unetفي مسار الرؤية الحاسوبية يشرح البنية العامة؛ هنا نركز على التطبيق ثلاثي الأبعاد وممارسات المجال.
مصطلحات الدرس
- nnU-Net no-new-Net
- إطار يضبط تلقائياً المعالجة المسبقة ومعمارية U-Net والتدريب وفق خصائص مجموعة البيانات.
- خسارة Dice Dice Loss
- خسارة مبنية على معامل Dice تقيس التداخل بين القناع المتنبأ به والحقيقي، وتتأثر أقل بعدم توازن الخلفية.
- وصلات التخطي Skip Connections
- وصلات تنقل خرائط السمات من المشفر إلى المفكك على المستوى نفسه للحفاظ على التفاصيل المكانية.
الملخص
U-Net شبكة مشفر ومفكك بوصلات تخطٍّ تجمع السياق العام مع التفاصيل المكانية، وصُممت أصلاً للصور الطبية الحيوية. خسارة Dice أو مزيجها مع الإنتروبيا المتقاطعة يناسب عدم التوازن بين الخلفية والبنية الصغيرة. nnU-Net إطار يضبط المعالجة المسبقة والبنية والتدريب تلقائياً بحسب خصائص البيانات، وقد حقق أداءً قوياً في كثير من المسابقات، فأصبح خط أساس يُتوقع مقارنته في الأوراق الجديدة.
أسئلة مراجعة
-
لماذا لا تكفي الإنتروبيا المتقاطعة وحدها عند تقطيع ورم صغير؟
لأن الخلفية تهيمن على عدد البكسلات، فيمكن تحقيق خسارة منخفضة مع تجاهل الورم؛ Dice يركز على التداخل مع البنية.
-
ما الذي يضبطه nnU-Net تلقائياً؟
إعادة المعاينة والتطبيع وحجم الرقعة وعمق الشبكة وحجم الدفعة وإعدادات التدريب والمعالجة اللاحقة.
المصادر والمراجع
إكمال الدرس
أكملت كل دروس المسار! يمكنك الآن طلب شهادة إكمال المسار.
اطلب الشهادة