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 15 دقيقة

التقطيع: U-Net وnnU-Net

Segmentation: U-Net and nnU-Net

البنية التي هيمنت على تقطيع الصور الطبية، وإطار يضبط إعداداتها تلقائياً.

تقدّمك في المسار0%

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):

  1. ترتيب البيانات بالصيغة المطلوبة مع ملف dataset.json.
  2. تشغيل التخطيط والمعالجة المسبقة التلقائيين.
  3. تدريب الإعدادات (2D، 3D بدقة كاملة، 3D متسلسل) بتحقق متقاطع خماسي.
  4. 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 unet في 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

  1. 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.

  2. ما الذي يضبطه nnU-Net تلقائياً؟

    إعادة المعاينة والتطبيع وحجم الرقعة وعمق الشبكة وحجم الدفعة وإعدادات التدريب والمعالجة اللاحقة.

المصادر والمراجع

  1. Ronneberger, Fischer & Brox (2015) — U-Net
  2. Isensee et al. (2021) — nnU-Net (Nature Methods)
  3. nnU-Net GitHub
  4. MONAI Documentation

إكمال الدرس