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 الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

أساسيالمعماريات الهجينة

يو-نت بالانتباه

Attention U-Net

U-Net مع بوابات انتباه (attention gates) على وصلات التخطي تتعلم إبراز المناطق ذات الصلة وكتم الخلفية قبل دمج السمات.

نظرة عامة

الاسميو-نت بالانتباه – Attention U-Net
سنة الظهور2018
الباحثونOzan Oktay، Jo Schlemper، Loic Le Folgoc وآخرون
الورقة الأصليةAttention U-Net: Learning where to look for the pancreas arXiv
نوع البياناتصور
المجالاتتحليل الصور الطبية

المشكلة التي تحلها

الأعضاء الصغيرة مثل البنكرياس تشغل جزءاً صغيراً من الصورة، فتنقل وصلات التخطي كثيراً من سمات الخلفية غير المفيدة.

الخلفية والتطور

ما قبلها: يو-نت

  1. 2018

    قُدمت في MIDL 2018 وجُرّبت على تجزئة البنكرياس في صور CT. [مرجع]

الفكرة الأساسية

قبل ربط خريطة المشفّر $x$ بفك التشفير، تُحسب خريطة أوزان $\alpha\in[0,1]$ لكل بكسل باستخدام إشارة بوابة $g$ من المستوى الأعمق. تُضرب $x$ بـ $\alpha$ فتمر المناطق المهمة فقط.

مثال: عند تجزئة البنكرياس، تتعلم البوابة إعطاء قيم قريبة من 1 حول البنكرياس وقيم قريبة من 0 في الكبد والأمعاء.

المخطط التفاعلي

مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.

اختر طبقة من المخطط.

المكونات

المكوّنالوظيفة
Encoder/Decoderكما في U-Net
Gating Signal gسمات المستوى الأعمق
Attention Gateدمج جمعي ثم Sigmoid
Skip Connectionربط السمات بعد الضرب بالأوزان

المعادلات

1. بوابة الانتباه

$$\alpha_i=\sigma_2\!\left(\psi^{\top}\sigma_1\!\left(W_x^{\top}x_i+W_g^{\top}g_i+b_g\right)+b_\psi\right),\qquad \hat{x}_i=\alpha_i\,x_i$$

الرموز
$x_i$سمات المشفّر عند البكسل i
$g_i$إشارة البوابة
$\sigma_1$ReLU
$\sigma_2$Sigmoid
الأبعاد
$\alpha_i\in[0,1]$ لكل بكسل
مثال عددي
إذا كانت قيمة ما قبل Sigmoid تساوي $2$ فإن $\alpha\approx0.88$، وإذا كانت $-2$ فإن $\alpha\approx0.12$.
علاقتها بالمعمارية
تحدد مقدار ما يمر من كل بكسل عبر وصلة التخطي.

آلية العمل خطوة بخطوة

  1. يمر الدخل في مشفّر U-Net.
  2. في كل مستوى لفك التشفير تُحسب إشارة البوابة.
  3. تُحسب خريطة α من x وg.
  4. تضرب سمات التخطي بـ α.
  5. تُربط بفك التشفير ويستمر رفع الدقة.

المزايا والقيود

المزايا

  • تحسّن تجزئة الأهداف الصغيرة.
  • إضافة خفيفة على U-Net.
  • تعطي خرائط انتباه قابلة للعرض.

القيود

  • تزيد التكلفة قليلاً.
  • الفائدة تعتمد على المهمة وليست مضمونة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • تجزئة أعضاء صغيرة أو آفات في خلفية كبيرة.

لا تناسب

  • عندما تشغل الأهداف معظم الصورة.

التطبيقات

المجالالاستخدام
تحليل الصور الطبيةتجزئة البنكرياس والآفات الصغيرة في CT وMRI.

كود PyTorch

كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.

Python (PyTorch)
# Attention U-Net مصغّرة
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F

torch.manual_seed(0)

# 2) تعريف النموذج
def block(ci, co):
    return nn.Sequential(nn.Conv2d(ci, co, 3, padding=1), nn.BatchNorm2d(co), nn.ReLU(),
                         nn.Conv2d(co, co, 3, padding=1), nn.BatchNorm2d(co), nn.ReLU())
class AttentionGate(nn.Module):
    def __init__(self, cx, cg, ci):
        super().__init__()
        self.wx, self.wg = nn.Conv2d(cx, ci, 1), nn.Conv2d(cg, ci, 1)
        self.psi = nn.Conv2d(ci, 1, 1)
    def forward(self, x, g):
        a = torch.sigmoid(self.psi(F.relu(self.wx(x) + self.wg(g))))   # B×1×H×W
        return x * a
class AttUNet(nn.Module):
    def __init__(self, c=1, k=2):
        super().__init__()
        self.e1, self.e2, self.mid = block(c, 8), block(8, 16), block(16, 32)
        self.up2, self.ag2, self.d2 = nn.ConvTranspose2d(32, 16, 2, 2), AttentionGate(16, 16, 8), block(32, 16)
        self.up1, self.ag1, self.d1 = nn.ConvTranspose2d(16, 8, 2, 2), AttentionGate(8, 8, 4), block(16, 8)
        self.out = nn.Conv2d(8, k, 1)
    def forward(self, x):
        e1 = self.e1(x); e2 = self.e2(F.max_pool2d(e1, 2)); m = self.mid(F.max_pool2d(e2, 2))
        u2 = self.up2(m);  d2 = self.d2(torch.cat([u2, self.ag2(e2, u2)], 1))
        u1 = self.up1(d2); d1 = self.d1(torch.cat([u1, self.ag1(e1, u1)], 1))
        return self.out(d1)

# 3) إعداد البيانات
# أهداف صغيرة (دوائر بنصف قطر 2–3) في خلفية فيها مربعات مشتتة
def make(n, S=32):
    yy, xx = torch.meshgrid(torch.arange(S), torch.arange(S), indexing='ij')
    cx, cy, r = torch.randint(6, 26, (n,)), torch.randint(6, 26, (n,)), torch.randint(2, 4, (n,))
    mask = ((xx[None] - cx[:, None, None]) ** 2 + (yy[None] - cy[:, None, None]) ** 2 <= r[:, None, None] ** 2).long()
    X = mask[:, None].float() * 1.5 + 0.4 * torch.randn(n, 1, S, S)
    for i in range(n):
        a, b = torch.randint(0, S - 6, (2,)).tolist()
        X[i, 0, a:a + 6, b:b + 6] += 0.6       # مشتّت: مربع أخفت
    return X, mask
X_train, y_train = make(256)
X_test, y_test = make(64)
model = AttUNet()

# 4) الخسارة: CE موزونة لأن الهدف صغير
loss_fn = nn.CrossEntropyLoss(weight=torch.tensor([1.0, 5.0]))
opt = torch.optim.Adam(model.parameters(), lr=1e-2)

# 5) حلقة التدريب
for epoch in range(8):
    model.train()
    for i in range(0, len(X_train), 32):
        xb, yb = X_train[i:i + 32], y_train[i:i + 32]
        loss = loss_fn(model(xb), yb)
        opt.zero_grad(); loss.backward(); opt.step()
    print(f"epoch {epoch}  loss={loss.item():.4f}")

# 6) التقييم بمعامل Dice
model.eval()
with torch.no_grad():
    pred = model(X_test).argmax(1)
inter = ((pred == 1) & (y_test == 1)).sum().item()
print(f"test Dice = {2 * inter / max(1, (pred == 1).sum().item() + (y_test == 1).sum().item()):.3f}")

# 7) الاستدلال
with torch.no_grad():
    print("foreground pixels in first test image:", int(model(X_test[:1]).argmax(1).sum()))

نُفّذ هذا الكود بتاريخ 2026-11-20 في 5.5 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test Dice = 0.974

عدد المعاملات القابلة للتدريب في المثال: model = 30٬008.

هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.

جرّب وتعمّق

معماريات مرتبطة

أساسي2015

يو-نت

U-Net

معمارية تجزئة على شكل حرف U: مسار تقليص يلتقط السياق، ومسار توسيع يستعيد الدقة المكانية، مع وصلات تخطٍّ تنقل التفاصيل الدقيقة بين المستويات المتقابلة.

الأساسياتالمعماريات الهجينة

متوسط2021

ترانس-يو-نت

TransUNet

نموذج تجزئة طبية يستخدم مشفّراً هجيناً: CNN (ResNet-50) تستخرج خريطة سمات، تُقسم إلى رقع وتُمرر عبر ViT، ثم مفكك متتالٍ لرفع الدقة (CUP) يدمج سمات CNN عالية الدقة عبر وص…

المعماريات الهجينةمعماريات المحولات

أساسي2018

الشبكات الالتفافية المعززة بالانتباه

Attention-based CNN (Attention CNN)

شبكات التفافية تضيف وحدات انتباه خفيفة تعيد وزن القنوات (أي السمات أهم) أو المواقع (أين ينظر النموذج)، بتكلفة حسابية صغيرة جداً.

المعماريات الهجينة

أفكار بحثية

  • تقييم بوابات الانتباه مقابل Swin-UNETR في تجزئة الآفات الصغيرة مع تحليل الحساسية حسب حجم الآفة.

اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.

اختبر فهمك

  1. مفهوم

    أين تُوضع بوابات الانتباه في Attention U-Net؟

  2. مفهوم

    ما مدى قيم معاملات الانتباه α في البوابة؟

  3. مفهوم

    لأي نوع من المهام تفيد بوابات الانتباه أكثر؟

المراجع

  1. Oktay, O., Schlemper, J., Le Folgoc, L., Lee, M., Heinrich, M., Misawa, K., et al. (2018). Attention U-Net: Learning where to look for the pancreas. Medical Imaging with Deep Learning (MIDL). https://arxiv.org/abs/1804.03999

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20

  2. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI), LNCS 9351, 234–241. https://doi.org/10.1007/978-3-319-24574-4_28

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20