الرؤية الحاسوبية
تقسيم أورام الدماغ في صور MRI
Brain Tumor MRI Segmentation
تقسيم ورم الدماغ في صور MRI متعددة المتتاليات بشبكة U-Net ثنائية الأبعاد على الشرائح، وتقييم بمعامل Dice على مستوى المريض.
وصف المشكلة
مهمة Task01 BrainTumour من Medical Segmentation Decathlon: أحجام MRI رباعية القنوات (FLAIR وT1 وT1-Gd وT2) مع أقنعة لثلاث مناطق ورمية. نبسّط إلى تقسيم «ورم مقابل خلفية» على شرائح محورية.
حالة المشروع: دليل تنفيذ كامل بالخطوات والكود. لم يُشغّل الكود في بيئة إعداد الأكاديمية لأنه يحتاج Deep Learning Toolbox، Image Processing Toolbox، Computer Vision Toolbox وتنزيل البيانات، لذلك لا نعرض نتائج رقمية؛ شغّله في MATLAB وسجّل نتائجك بالمقاييس المذكورة.
الأهداف التعليمية
- قراءة صور NIfTI ومعالجتها
- التقسيم على مستوى المريض
- تدريب U-Net مع خسارة Dice
- حساب Dice لكل مريض
البيانات المطلوبة
484 حجماً تدريبياً بصيغة NIfTI (.nii.gz)، كل حجم 240×240×155×4، مع أقنعة بقيم 0–3. التنزيل يحتاج نحو 7 GB.
مصدر البيانات:
خطوات التنفيذ
- نزّل Task01_BrainTumour.tar وفك الضغط.
- قسّم المرضى 70/15/15 قبل أي معالجة.
- استخرج الشرائح المحورية وطبّع كل قناة لكل مريض.
- احتفظ بكل الشرائح التي فيها ورم ونسبة من الشرائح السليمة.
- درّب U-Net بـ 4 قنوات وفئتين.
- احسب Dice لكل مريض على حجم الاختبار كاملاً.
المعالجة المسبقة
- قص الهوامش السوداء.
- تطبيع z-score لكل قناة داخل قناع الدماغ.
- دمج تسميات الورم الثلاث في فئة واحدة.
الخوارزمية
U-Net ثنائية الأبعاد (unet، R2024a+) بعمق مشفر 4، وخسارة Dice عامة، وAdam.
كود MATLAB
files = dir(fullfile('Task01_BrainTumour', 'imagesTr', 'BRATS_*.nii.gz'));
n = numel(files); rng(2); p = randperm(n);
trIds = p(1:round(0.7*n)); teIds = p(round(0.85*n)+1:end);
function [X, Y] = slicesOf(id, files)
V = single(niftiread(fullfile(files(id).folder, files(id).name))); % 240x240x155x4
L = niftiread(fullfile(strrep(files(id).folder, 'imagesTr', 'labelsTr'), files(id).name)) > 0;
for c = 1:4
ch = V(:, :, :, c); m = ch > 0;
V(:, :, :, c) = (ch - mean(ch(m))) / std(ch(m)) .* m;
end
keep = squeeze(any(any(L, 1), 2));
X = permute(V(:, :, keep, :), [1 2 4 3]); % H x W x 4 x S
Y = categorical(squeeze(L(:, :, keep)), [false true], ["bg" "tumor"]);
end
% ... اجمع شرائح المرضى trIds في XTr وYTr بالدالة slicesOf (حلقة)
net = unet([240 240 4], 2, 'EncoderDepth', 4);
opts = trainingOptions('adam', 'InitialLearnRate', 1e-3, 'MaxEpochs', 20, 'MiniBatchSize', 16);
net = trainnet(XTr, YTr, net, @(Y, T) generalizedDiceLoss(Y, T), opts);
dsc = zeros(numel(teIds), 1);
for k = 1:numel(teIds)
[Xs, Ys] = slicesOf(teIds(k), files);
P = scores2label(minibatchpredict(net, Xs), ["bg" "tumor"], 3);
dsc(k) = dice(P == "tumor", Ys == "tumor");
end
fprintf('mean Dice over test patients = %.3f (std %.3f)\n', mean(dsc), std(dsc));لم يُشغّل في بيئة الإعداد (يحتاج Deep Learning Toolbox، Image Processing Toolbox، Computer Vision Toolbox وبيانات خارجية). راجع الكود مع توثيق الدوال في إصدارك قبل التشغيل.
شرح الكود
- niftiread من Image Processing Toolbox يقرأ ملفات NIfTI المضغوطة.
- التطبيع داخل الدماغ فقط (القيم > 0).
- نأخذ هنا شرائح الورم فقط للتبسيط؛ أضف نسبة من الشرائح السليمة في التدريب الفعلي.
- الدوال المحلية في السكربت يجب أن تكون في نهايته في MATLAB؛ انقل slicesOf إلى ملف منفصل أو آخر السكربت.
- Dice يحسب لكل مريض ثم يُؤخذ المتوسط.
النتائج المتوقعة
هذا مشروع متقدم يحتاج GPU وذاكرة كبيرة. سجّل متوسط Dice وانحرافه على مرضى الاختبار، وافحص المرضى ذوي Dice المنخفض.
مقاييس التقييم
- Dice لكل مريض
- الحساسية
- مسافة Hausdorff 95%
القيود
- تبسيط إلى فئة واحدة بدل المناطق الثلاث.
- التقييم على شرائح الورم فقط يبالغ في Dice؛ قيّم على الحجم كاملاً في العمل الجاد.
- ليس أداة سريرية.
المراجع وروابط الوثائق الرسمية
- توثيق MathWorks الرسمي: Image Processing Toolbox
- توثيق MathWorks الرسمي: Deep Learning Toolbox
- Antonelli, M. et al. (2022). The Medical Segmentation Decathlon. Nature Communications, 13, 4128.
- Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI.
