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

أساسيالأساسياتالمعماريات الهجينة

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.

نظرة عامة

الاسميو-نت – U-Net
سنة الظهور2015
الباحثونOlaf Ronneberger، Philipp Fischer، Thomas Brox
الجهةUniversity of Freiburg
الورقة الأصليةU-Net: Convolutional networks for biomedical image segmentation DOI arXiv
نوع البياناتصور
المجالاتالرؤية الحاسوبية، تحليل الصور الطبية

المشكلة التي تحلها

تجزئة الصور الطبية تتطلب تحديداً دقيقاً على مستوى البكسل مع عدد قليل من الصور المعنونة.

الخلفية والتطور

ما قبلها: الشبكة العصبية الالتفافية، Fully Convolutional Networks

  1. 2015

    قُدمت في MICCAI 2015 لتجزئة الخلايا في صور المجهر. [مرجع]

  2. 2018

    أضافت Attention U-Net بوابات انتباه على وصلات التخطي. [مرجع]

  3. 2021

    أتمتت nnU-Net ضبط إعدادات U-Net لكل مجموعة بيانات. [مرجع]

الفكرة الأساسية

المشفّر يقلّص الدقة ويضاعف القنوات فيلتقط "ماذا" يوجد في الصورة. فك التشفير يرفع الدقة تدريجياً ليحدد "أين". وصلات التخطي تدمج خرائط المشفّر عالية الدقة مع خرائط فك التشفير، فلا تضيع الحواف الدقيقة.

مثال: في صورة رنين للدماغ 128×128، تُنتج U-Net قناعاً بالحجم نفسه يحدد لكل بكسل هل هو ورم أم نسيج سليم.

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
Inputصورة $C\times H\times W$
Encoderكتل (Conv-ReLU)×2 ثم MaxPool
Bottleneckأعمق مستوى بأكبر عدد قنوات
Decoderرفع الدقة (ConvTranspose أو Upsample) ثم التفاف
Skip Connectionsربط (concatenation) خرائط المشفّر بفك التشفير
Outputالتفاف 1×1 بعدد الفئات
Loss FunctionCross-Entropy أو Dice أو مزيجهما

المعادلات

1. معامل Dice

$$\mathrm{Dice}(P,G)=\frac{2|P\cap G|}{|P|+|G|}$$

الرموز
$P$القناع المتنبأ به
$G$القناع الحقيقي
الأبعاد
بين 0 و1
مثال عددي
$|P|=50,\;|G|=40,\;|P\cap G|=30\Rightarrow \mathrm{Dice}=60/90\approx0.667$.
علاقتها بالمعمارية
المقياس الأكثر استخداماً لتقييم التجزئة الطبية، ومنه تشتق خسارة Dice.

2. خسارة Dice التفاضلية

$$\mathcal{L}_{Dice}=1-\frac{2\sum_i p_i g_i+\epsilon}{\sum_i p_i+\sum_i g_i+\epsilon}$$

الرموز
$p_i$احتمال البكسل i
$g_i$التسمية 0 أو 1
$\epsilon$ثابت صغير للاستقرار
الأبعاد
عدد قياسي
مثال عددي
إذا تطابق القناعان تماماً فإن $\mathcal{L}_{Dice}=0$.
علاقتها بالمعمارية
مفيدة عندما تكون المنطقة المستهدفة صغيرة مقارنة بالخلفية.

آلية العمل خطوة بخطوة

  1. تدخل الصورة إلى المشفّر.
  2. كل مستوى يضاعف القنوات ويقلّص الدقة.
  3. يصل التمثيل إلى الاختناق.
  4. يرفع فك التشفير الدقة مستوى بمستوى.
  5. في كل مستوى تُربط خرائط المشفّر المقابلة.
  6. يعطي التفاف 1×1 درجات الفئات لكل بكسل.

المزايا والقيود

المزايا

  • دقة عالية في التجزئة مع بيانات قليلة.
  • بنية مرنة تمتد إلى 3D بسهولة.
  • خط أساس قوي جداً في التصوير الطبي.

القيود

  • مجال الرؤية محدود بالالتفاف؛ العلاقات البعيدة جداً تحتاج إضافات.
  • استهلاك ذاكرة مرتفع في النسخ ثلاثية الأبعاد.

متى تُستخدم؟ ومتى لا؟

تناسب

  • تجزئة الأعضاء والأورام والخلايا.
  • أي مهمة خرجها صورة بنفس الأبعاد (مثل إزالة الضوضاء).

لا تناسب

  • التصنيف على مستوى الصورة فقط، حيث تكفي CNN أبسط.

التطبيقات

المجالالاستخدام
تحليل الصور الطبيةتجزئة الأورام والأعضاء في CT وMRI.
الرؤية الحاسوبيةتجزئة دلالية وصور الأقمار الصناعية.
الذكاء الاصطناعي التوليديالشبكة الأساسية لإزالة الضوضاء في نماذج الانتشار.

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)
# U-Net مصغّرة للتجزئة الثنائية
# 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 UNet(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.d2 = nn.ConvTranspose2d(32, 16, 2, 2), block(32, 16)
        self.up1, self.d1 = nn.ConvTranspose2d(16, 8, 2, 2), 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))
        d2 = self.d2(torch.cat([self.up2(m), e2], 1))      # وصلة تخطٍّ
        d1 = self.d1(torch.cat([self.up1(d2), e1], 1))
        return self.out(d1)                                # B×K×H×W

# 3) إعداد البيانات
# صور 32×32 فيها دائرة واحدة بموضع ونصف قطر عشوائيين؛ الهدف قناع الدائرة
def make(n, S=32):
    yy, xx = torch.meshgrid(torch.arange(S), torch.arange(S), indexing='ij')
    cx, cy, r = torch.randint(8, 24, (n,)), torch.randint(8, 24, (n,)), torch.randint(4, 8, (n,))
    mask = ((xx[None] - cx[:, None, None]) ** 2 + (yy[None] - cy[:, None, None]) ** 2 < r[:, None, None] ** 2).long()
    X = mask[:, None].float() + 0.4 * torch.randn(n, 1, S, S)
    return X, mask
X_train, y_train = make(256)
X_test, y_test = make(64)
model = UNet()

def dice(pred, target):
    inter = ((pred == 1) & (target == 1)).sum().item()
    return 2 * inter / max(1, (pred == 1).sum().item() + (target == 1).sum().item())

# 4) دالة الخسارة والمحسّن (Cross-Entropy لكل بكسل)
loss_fn = nn.CrossEntropyLoss()
opt = torch.optim.Adam(model.parameters(), lr=1e-2)

# 5) حلقة التدريب
for epoch in range(6):
    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)        # Forward Pass: B×2×H×W مقابل B×H×W
        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)
print(f"test Dice = {dice(pred, y_test):.3f}")

# 7) الاستدلال: قناع صورة واحدة
with torch.no_grad():
    m = model(X_test[:1]).argmax(1)[0]
print("predicted foreground pixels:", int(m.sum()))

نُفّذ هذا الكود بتاريخ 2026-11-20 في 4.0 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test Dice = 0.972

عدد المعاملات القابلة للتدريب في المثال: model = 29٬650.

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

جرّب وتعمّق

معماريات مرتبطة

أساسي2018

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.

المعماريات 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

متقدم2022

يو-نيتر

UNETR

نموذج تجزئة ثلاثي الأبعاد مشفّره ViT خالص على رقع حجمية 16³، تُؤخذ تمثيلات من طبقاته (3، 6، 9، 12) وتُعاد تشكيلها وترفع بالالتفاف المعكوس لتغذي مفككاً التفافياً عبر وصلا…

المعماريات الهجينةمعماريات المحولات

متقدم2022

سوين يو-نيتر

Swin UNETR (Swin-UNETR)

نموذج تجزئة حجمي مشفّره Swin Transformer هرمي (نوافذ محلية مُزاحة ودمج رقع) يعطي سمات بخمسة مقاييس، تتصل بمفكك التفافي عبر وصلات تخطٍّ، وقد طُوّر لتجزئة أورام الدماغ في…

المعماريات الهجينةمعماريات المحولات

متقدم2020

نماذج الانتشار

Diffusion Models (DDPM)

تفسد البيانات تدريجياً بإضافة ضوضاء غاوسية عبر T خطوة، ثم تتعلم شبكة عكس هذه العملية بالتنبؤ بالضوضاء المضافة، فيُولَّد مثال جديد بإزالة الضوضاء خطوة بخطوة بدءاً من ضوضا…

الشبكات التوليدية

أفكار بحثية

  • مقارنة U-Net وnnU-Net وSwin-UNETR على مجموعة بيانات بروستاتا واحدة ببروتوكول تقسيم على مستوى المريض.

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

اختبر فهمك

  1. مفهوم

    ما وظيفة وصلات التخطي في U-Net؟

  2. رياضي

    ما قيمة Dice إذا كان $|P|=|G|=20$ و$|P\cap G|=10$؟

  3. مفهوم

    في أي مجال ظهرت U-Net أول مرة؟

المراجع

  1. 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

  2. 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

  3. Isensee, F., Jaeger, P. F., Kohl, S. A. A., Petersen, J., & Maier-Hein, K. H. (2021). nnU-Net: A self-configuring method for deep learning-based biomedical image segmentation. Nature Methods, 18(2), 203–211. https://doi.org/10.1038/s41592-020-01008-z

    DOIتحقق آلي عبر Crossref – 2026-11-20