۱. معرفی مقاله و اهمیت آن

قطعه‌بندی تصاویر پزشکی، فرایندی حیاتی در تحلیل و تفسیر تصاویر حاصل از روش‌های تصویربرداری مانند MRI، CT اسکن و سونوگرافی است. این فرایند به پزشکان و محققان کمک می‌کند تا ساختارهای آناتومیکی، تومورها، ضایعات و سایر نواحی مورد نظر را با دقت بالا شناسایی، اندازه‌گیری و پیگیری کنند. در دهه گذشته، شبکه‌های عصبی کانولوشنال کاملاً عمیق (Fully Convolutional Neural Networks – FCNNs) با معماری “U-شکل” خود، که شامل مسیرهای انقباضی (encoder) و انبساطی (decoder) است، به عنوان راه‌حل غالب در این حوزه مطرح شده‌اند. این شبکه‌ها توانسته‌اند با یادگیری ویژگی‌های محلی و سراسری، نتایج چشمگیری در قطعه‌بندی تصاویر پزشکی به دست آورند.

با این حال، محدودیت ذاتی لایه‌های کانولوشنال در FCNNs، که عمدتاً بر روابط مکانی محلی تمرکز دارند، مانعی برای یادگیری وابستگی‌های دوربرد در تصاویر حجمی (سه بعدی) محسوب می‌شود. در بسیاری از کاربردهای پزشکی، درک ارتباط بین نواحی دور از هم در یک تصویر سه‌بعدی، مانند ارتباط بین بخش‌های مختلف یک اندام یا گسترش یک تومور در بافت‌های اطراف، از اهمیت بالایی برخوردار است. اینجاست که نوآوری مقاله “UNETR: Transformers for 3D Medical Image Segmentation” برجسته می‌شود. این مقاله با الهام از موفقیت‌های خیره‌کننده ترانسفورمرها در پردازش زبان طبیعی (NLP) برای یادگیری توالی‌های طولانی، رویکردی نوین را برای قطعه‌بندی تصاویر پزشکی سه‌بعدی ارائه می‌دهد.

اهمیت این مقاله در توانایی آن برای غلبه بر محدودیت‌های شبکه‌های کانولوشنال سنتی و بهره‌گیری از قدرت ترانسفورمرها در درک روابط سراسری و چندمقیاسی است. UNETR نه تنها عملکرد را در وظایف قطعه‌بندی پیشرفته ارتقا می‌بخشد، بلکه دریچه‌ای نو به سوی معماری‌های یادگیری عمیق در حوزه تصویربرداری پزشکی می‌گشاید و پتانسیل بالایی برای کاربردهای بالینی و تحقیقاتی آینده دارد.

۲. نویسندگان و زمینه تحقیق

این مقاله توسط تیمی از محققان برجسته در زمینه هوش مصنوعی و تصویربرداری پزشکی نوشته شده است: Ali Hatamizadeh, Yucheng Tang, Vishwesh Nath, Dong Yang, Andriy Myronenko, Bennett Landman, Holger Roth, Daguang Xu. این نویسندگان از موسسات و شرکت‌های پیشرو در این حوزه هستند که سابقه درخشانی در توسعه الگوریتم‌های یادگیری عمیق و کاربرد آن‌ها در مسائل علمی و پزشکی دارند.

زمینه تحقیق این مقاله در تلاقی سه حوزه کلیدی قرار دارد:

• پردازش تصاویر پزشکی (Medical Image Processing): تمرکز بر استخراج اطلاعات مفید از تصاویر پزشکی با استفاده از تکنیک‌های پیشرفته.
• بینایی کامپیوتر و تشخیص الگو (Computer Vision and Pattern Recognition): توسعه الگوریتم‌هایی که به کامپیوترها اجازه می‌دهند تصاویر را “ببینند” و الگوهای معنادار را تشخیص دهند.
• یادگیری ماشین (Machine Learning): به ویژه یادگیری عمیق، برای ساخت مدل‌های توانمند در یادگیری از داده‌های پیچیده.

موفقیت ترانسفورمرها در NLP، که ابتدا برای پردازش دنباله‌های متنی طراحی شده بودند، الهام‌بخش اصلی این تحقیق بوده است. نویسندگان با موفقیت این ایده را به حوزه تصویربرداری سه‌بعدی تعمیم داده‌اند و نشان داده‌اند که چگونه ترانسفورمرها می‌توانند به طور مؤثری الگوهای پیچیده فضایی در داده‌های حجمی را بیاموزند.

۳. چکیده و خلاصه محتوا

چکیده مقاله به طور خلاصه به معرفی چالش اصلی، راه‌حل پیشنهادی و دستاوردهای کلیدی می‌پردازد. همانطور که در متن چکیده آمده است:

“شبکه‌های عصبی کانولوشنال کاملاً عمیق (FCNNs) با مسیرهای انقباضی و انبساطی، از یک دهه پیش در بسیاری از کاربردهای قطعه‌بندی تصاویر پزشکی برجسته بوده‌اند. در FCNNs، انکودر نقش اساسی در یادگیری ویژگی‌های سراسری و محلی و نمایش‌های متنی دارد که توسط دیکودر برای پیش‌بینی خروجی معنایی مورد استفاده قرار می‌گیرد. با وجود موفقیت‌هایشان، ماهیت محلی لایه‌های کانولوشنال در FCNNs، قابلیت یادگیری وابستگی‌های مکانی دوربرد را محدود می‌کند. با الهام از موفقیت اخیر ترانسفورمرها در پردازش زبان طبیعی (NLP) در یادگیری توالی‌های طولانی، ما مسئله قطعه‌بندی تصاویر پزشکی حجمی (سه‌بعدی) را به عنوان یک مسئله پیش‌بینی توالی به توالی بازتعریف می‌کنیم. ما یک معماری نوین، موسوم به UNet TRansformers (UNETR)، معرفی می‌کنیم که از یک ترانسفورمر به عنوان انکودر برای یادگیری نمایش‌های توالی از حجم ورودی و به طور مؤثر ثبت اطلاعات چندمقیاسی سراسری استفاده می‌کند، در حالی که همچنان از طراحی شبکه “U-شکل” موفق برای انکودر و دیکودر پیروی می‌کند. انکودر ترانسفورمر مستقیماً از طریق اتصالات پرشی (skip connections) در وضوح‌های مختلف به دیکودر متصل می‌شود تا خروجی نهایی قطعه‌بندی معنایی را محاسبه کند. ما عملکرد روش خود را بر روی مجموعه داده Multi Atlas Labeling Beyond The Cranial Vault (BTCV) برای قطعه‌بندی چند عضوی و مجموعه داده Medical Segmentation Decathlon (MSD) برای وظایف قطعه‌بندی تومور مغزی و طحال اعتبارسنجی کردیم. بنچمارک‌های ما عملکرد جدید پیشرفته (state-of-the-art) را در تابلو امتیازات BTCV نشان می‌دهند.”

به طور خلاصه، UNETR با ترکیب ساختار U-Net محبوب و قابلیت‌های ترانسفورمرها، رویکردی نوین برای قطعه‌بندی تصاویر پزشکی سه‌بعدی ارائه می‌دهد. این معماری تلاش می‌کند تا هم اطلاعات محلی و هم وابستگی‌های سراسری را به طور مؤثر یاد بگیرد و از این طریق، دقت و کارایی را در وظایف دشوار قطعه‌بندی پزشکی افزایش دهد.

۴. روش‌شناسی تحقیق

قلب نوآوری UNETR در ادغام دو معماری قدرتمند نهفته است: U-Net و Transformer.

الف) ساختار U-شکل:

مانند FCNNs سنتی، UNETR نیز از ساختار کلی U-شکل بهره می‌برد. این ساختار شامل دو بخش اصلی است:

• انکودر (Encoder – مسیر انقباضی): وظیفه آن استخراج ویژگی‌های پیچیده از تصویر ورودی است. در UNETR، بخش انکودر با یک ترانسفورمر جایگزین شده است.
• دیکودر (Decoder – مسیر انبساطی): وظیفه آن بازسازی تصویر و تولید خروجی قطعه‌بندی با وضوح بالا است. این بخش از ساختارهای کانولوشنال استفاده می‌کند.

ب) نقش ترانسفورمر به عنوان انکودر:

تفاوت کلیدی UNETR با معماری‌های پیشین، استفاده از یک مدل ترانسفورمر به عنوان هسته انکودر است. در اینجا، نحوه عملکرد ترانسفورمر در این زمینه توضیح داده می‌شود:

1. تقسیم حجم به پچ (Patch Embedding): حجم سه‌بعدی ورودی به قطعات کوچکتر (پچ) تقسیم می‌شود. هر پچ به صورت یک بردار ویژگی (embedding) نمایش داده می‌شود.
2. پردازش توسط لایه‌های ترانسفورمر: این بردارها سپس از طریق لایه‌های متعدد ترانسفورمر عبور داده می‌شوند. مکانیزم “توجه” (Attention) در ترانسفورمرها به مدل اجازه می‌دهد تا روابط بین تمام پچ‌ها را، صرف نظر از فاصله مکانی آن‌ها، درک کند. این امر برای یادگیری وابستگی‌های دوربرد حیاتی است.
3. یادگیری نمایش‌های سراسری: ترانسفورمر قادر است نمایش‌های سراسری و غنی از حجم ورودی را در سطوح مختلف انتزاع یاد بگیرد.

ج) اتصالات پرشی (Skip Connections):

یکی از دلایل موفقیت U-Net، استفاده از اتصالات پرشی است که اطلاعات با وضوح بالا از مسیر انقباضی را به مسیر انبساطی منتقل می‌کند. UNETR این ایده را حفظ کرده است، اما با رویکردی متفاوت.

در UNETR، خروجی ترانسفورمر (که نمایش‌های سراسری را در سطوح مختلف آموخته است) از طریق اتصالات پرشی به دیکودر متصل می‌شود. این اتصالات در وضوح‌های مختلف اتفاق می‌افتند و به دیکودر کمک می‌کنند تا اطلاعات فضایی دقیق را با دانش سراسری ترکیب کرده و خروجی قطعه‌بندی نهایی را تولید کند.

د) فرموله‌بندی مسئله به عنوان توالی به توالی (Sequence-to-Sequence):

نویسندگان، مسئله قطعه‌بندی حجم سه‌بعدی را به عنوان یک مسئله “توالی به توالی” در نظر گرفته‌اند. حجم ورودی (پس از تبدیل به پچ) به عنوان یک توالی از داده‌ها در نظر گرفته می‌شود و خروجی قطعه‌بندی نیز به عنوان یک توالی پیش‌بینی می‌شود. این دیدگاه، قدرت مدل‌های ترانسفورمر را که در پردازش توالی‌ها بسیار موفق هستند، به طور کامل به کار می‌گیرد.

۵. یافته‌های کلیدی

یافته‌های اصلی مقاله UNETR نشان‌دهنده برتری قابل توجه این رویکرد نسبت به روش‌های پیشین در وظایف قطعه‌بندی تصاویر پزشکی سه‌بعدی است.

الف) برتری در یادگیری وابستگی‌های دوربرد:

مهم‌ترین یافته UNETR، توانایی چشمگیر آن در مدل‌سازی روابط بین نواحی دور از هم در تصاویر حجمی است. برخلاف شبکه‌های کانولوشنال که به دلیل فیلترهای محلی خود در این زمینه محدودیت دارند، مکانیزم توجه در ترانسفورمرها به UNETR اجازه می‌دهد تا به طور همزمان به تمام بخش‌های تصویر “نگاه” کند و ارتباطات پیچیده را دریابد. این امر به ویژه برای قطعه‌بندی ساختارهای بزرگ و پیچیده یا شناسایی گسترش تومورها در بافت‌های اطراف، حیاتی است.

ب) عملکرد پیشرفته (State-of-the-Art) در بنچمارک‌ها:

مقاله به طور مشخص عملکرد UNETR را بر روی دو مجموعه داده معتبر ارزیابی کرده است:

• مجموعه داده BTCV (Multi Atlas Labeling Beyond The Cranial Vault): برای قطعه‌بندی چند عضوی. نتایج نشان داد که UNETR به عملکرد جدید پیشرفته (State-of-the-Art) در این مجموعه داده دست یافته است. این بدان معناست که UNETR توانسته است دقت قطعه‌بندی اندام‌ها در تصاویر CT را به سطوح بی‌سابقه‌ای ارتقا دهد.
• مجموعه داده MSD (Medical Segmentation Decathlon): برای قطعه‌بندی تومور مغزی و طحال. نتایج در این مجموعه داده نیز نشان‌دهنده عملکرد بسیار قوی UNETR بود.

ج) انعطاف‌پذیری معماری:

UNETR نشان می‌دهد که ترکیب معماری‌های مختلف (مانند U-Net و Transformer) می‌تواند بسیار قدرتمند باشد. این انعطاف‌پذیری به محققان اجازه می‌دهد تا با بهره‌گیری از نقاط قوت هر دو معماری، مدل‌های سفارشی‌تری برای نیازهای خاص خود بسازند.

د) کارایی محاسباتی (در مقایسه با پتانسیل):

با وجود پیچیدگی ترانسفورمرها، UNETR با طراحی هوشمندانه خود، به گونه‌ای بهینه‌سازی شده است که با حفظ کارایی، قادر به پردازش داده‌های حجمی باشد. اگرچه ترانسفورمرها ممکن است از نظر محاسباتی سنگین‌تر از کانولوشن‌های ساده باشند، اما توانایی آن‌ها در یادگیری الگوهای پیچیده‌تر، این هزینه را توجیه می‌کند.

۶. کاربردها و دستاوردها

دستاورد اصلی UNETR، توانایی آن در بهبود چشمگیر دقت و کارایی در وظایف قطعه‌بندی تصاویر پزشکی سه‌بعدی است. این دستاورد، پیامدهای گسترده‌ای برای کاربردهای مختلف در حوزه سلامت دارد:

الف) تشخیص و درمان زودهنگام بیماری‌ها:

قطعه‌بندی دقیق اندام‌ها، تومورها و سایر نواحی آسیب‌دیده، سنگ بنای تشخیص زودهنگام بیماری‌هایی مانند سرطان، بیماری‌های قلبی عروقی و اختلالات عصبی است. UNETR با افزایش دقت در این امر، به پزشکان کمک می‌کند تا تغییرات پاتولوژیک را زودتر شناسایی کنند.

مثال: در قطعه‌بندی تومورهای مغزی، UNETR می‌تواند با دقت بیشتری مرزهای تومور را مشخص کند، حتی اگر تومور دارای شکل نامنظم باشد یا به بافت‌های اطراف نفوذ کرده باشد. این اطلاعات برای برنامه‌ریزی جراحی یا رادیوتراپی بسیار حیاتی است.

ب) پیگیری و پایش روند درمان:

برای ارزیابی اثربخشی درمان (مانند شیمی‌درمانی یا پرتودرمانی)، پزشکان نیاز به مقایسه دقیق تصاویر پزشکی در طول زمان دارند. UNETR با ارائه قطعه‌بندی‌های پایدار و دقیق، امکان پایش کمی و کیفی تغییرات در اندازه و شکل ضایعات را فراهم می‌کند.

مثال: پس از درمان یک تومور، UNETR می‌تواند تغییر حجم تومور را با دقت بالایی اندازه‌گیری کند و نشان دهد که آیا درمان مؤثر بوده است یا خیر.

ج) تحقیقات پزشکی پیشرفته:

ابزارهای قطعه‌بندی دقیق، برای تحقیقات علمی در زمینه‌های مختلف ضروری هستند. UNETR می‌تواند به محققان کمک کند تا با سرعت و دقت بیشتری، داده‌های حجمی پیچیده را تجزیه و تحلیل کرده و الگوهای جدیدی را کشف کنند.

مثال: مطالعه تغییرات آناتومیکی مغز در بیماری آلزایمر نیازمند قطعه‌بندی دقیق بخش‌های مختلف مغز است. UNETR می‌تواند این تحلیل را تسهیل کند.

د) توسعه ابزارهای جراحی رباتیک و ناوبری:

در جراحی‌های کم‌تهاجمی، دقت بالا در درک سه‌بعدی محیط عمل جراح ضروری است. UNETR می‌تواند به ایجاد مدل‌های دقیق‌تر از آناتومی بیمار کمک کند که در ناوبری ربات‌های جراحی و هدایت ابزارها مورد استفاده قرار می‌گیرند.

ه) دسترسی به کد و تکرارپذیری:

یکی از نکات مثبت این تحقیق، ارائه کد آن در پلتفرم MONAI (Medical Open Network for Artificial Intelligence) است. این امر به جامعه تحقیقاتی امکان می‌دهد تا به راحتی از این معماری استفاده کرده، آن را توسعه دهند و نتایج را تکرار کنند، که برای پیشرفت علم بسیار حیاتی است.

۷. نتیجه‌گیری

مقاله “UNETR: Transformers for 3D Medical Image Segmentation” گامی مهم و نوآورانه در زمینه قطعه‌بندی تصاویر پزشکی سه‌بعدی محسوب می‌شود. با تلفیق موفقیت‌آمیز معماری U-Net با قدرت مدل‌های ترانسفورمر، UNETR توانسته است محدودیت‌های یادگیری وابستگی‌های دوربرد در شبکه‌های کانولوشنال سنتی را برطرف کند.

این تحقیق نشان می‌دهد که ترانسفورمرها، که پیش از این در پردازش زبان طبیعی انقلابی به پا کرده بودند، پتانسیل عظیمی برای حوزه بینایی کامپیوتر، به ویژه در تحلیل داده‌های سه‌بعدی پزشکی دارند. UNETR با دستیابی به عملکرد پیشرفته در مجموعه داده‌های معتبر BTCV و MSD، اثربخشی رویکرد خود را به اثبات رسانده و استانداردهای جدیدی را برای این حوزه تعیین کرده است.

با توجه به کاربردهای گسترده و حیاتی قطعه‌بندی تصاویر پزشکی در تشخیص، درمان، و تحقیقات، UNETR نویدبخش بهبودهای قابل توجهی در مراقبت‌های بهداشتی و پیشرفت علم پزشکی است. دسترسی عمومی به کد این پروژه نیز، گامی ارزشمند در جهت تسریع نوآوری و همکاری در جامعه تحقیقاتی هوش مصنوعی پزشکی است. UNETR نه تنها یک پیشرفت فنی است، بلکه نشان‌دهنده پتانسیل ترکیب ایده‌های خلاقانه از حوزه‌های مختلف برای حل چالش‌های علمی پیچیده است.