مع التطور السريع في تقنيات التصوير الطبي والذكاء الاصطناعي، أصبحت معالجة الصور الطبية جزءًا (MRI) تُستخدم الصور الطبية، مثل صور الرنين المغناطيسي . أساسيًا من منظومة التشخيص الحديثة ، والموجات فوق الصوتية، للكشف عن الأمراض ومتابعة الحالة الصحية )CT( والتصوير المقطعي المحوسب للمرضى. ومع ذلك، قد تتعرض هذه الصور إلى أنواع مختلفة من الضوضاء التي تؤثر في وضوح التفاصيل التشريحية ودقة التشخيص. لذلك، أصبح تطوير تقنيات فعالة لإزالة الضوضاء مع المحافظة على المعلومات .داخل الصورة من الموضوعات المهمة في مجال الهندسة الطبية الحيوية ومعالجة الصور الرقمية المهمة يهدف هذا المقال إلى استعراض التحديات المرتبطة بإزالة الضوضاء من الصور الطبية، وتوضيح أهمية الخصائص المورفولوجية في المحافظة على شكل التراكيب التشريحية وحدودها، بالإضافة إلى تقديم إطار .مقترح يعتمد على التعلم العميق لتحسين جودة الصور الطبية ومتانة المعالجة التحديات المتعلقة بإزالة الضوضاء من الصور الطبية . 1 تواجه عملية إزالة الضوضاء من الصور الطبية مجموعة من التحديات التقنية التي قد تؤثر في جودة الصورة : المستعادة ودقتها التشخيصية، ومن أبرزها اختلاف أنواع الضوضاء: تختلف طبيعة الضوضاء باختلاف أجهزة التصوير وآليات اكتساب البيانات. فقد ▪ تظهر الضوضاء الغاوسية أو النبضية في بعض الصور، بينما تتبع ضوضاء صور الرنين المغناطيسي نماذج دام طريقة واحدة لجميع إحصائية مختلفة بحسب طريقة التصوير وإعادة البناء. وهذا الاختلاف يجعل استخ . الصور أمر ً ا صعبًا فقدان التفاصيل التشريحية: قد تؤدي بعض مرشحات إزالة الضوضاء إلى تنعيم الصورة بدرجة كبيرة، ▪ مما يسبب فقدان الحواف الدقيقة أو التراكيب الصغيرة، مثل الحدود الفاصلة بين الأنسجة أو بعض التفاصيل .المرتبطة بالآفات المرضية صعوبة التمييز بين الضوضاء والتفاصيل الحقيقية: قد تتشابه بعض المكونات الناتجة عن الضوضاء مع ▪ التفاصيل التشريحية الدقيقة، لذلك تحتاج الخوارزميات إلى التمييز بين المعلومات غير المرغوب فيها .والمعلومات التي يجب الاحتفاظ بها محدودية التعميم: قد يحقق نموذج التعلم العميق أداءً جيدًا على نوع معين من الصور أو على بيانات تدريب محددة، لكنه قد يكون أقل كفاءة عند تطبيقه على صور من أجهزة أخرى أو على مستويات مختلفة من .الضوضاء ▪ الحاجة إلى بيانات تدريب مناسبة: تتطلب بعض نماذج التعلم العميق صور ً ا مشوشة وصور ً ا مرجعية نظيفة ▪ نسبيًا لتعلم عملية إزالة الضوضاء. وقد يكون الحصول على صور طبية مرجعية عالية الجودة أمر ً ا صعبًا .في بعض التطبيقات الواقعية آثار الضوضاء على جودة الصور الطبية والتشخيص . 2 يمكن أن تؤثر الضوضاء في الصور الطبية بطرق متعددة، وقد تنعكس هذه التأثيرات على تحليل : الصور ودقة استخراج المعلومات التشخيصية، ومن أهمها انخفاض وضوح التراكيب التشريحية: قد تؤدي الضوضاء إلى إخفاء بعض التفاصيل الدقيقة، مما ▪ ▪ .يصعّب التمييز بين الأنسجة المتجاورة وتحديد الحدود التشريحية بوضوح صعوبة اكتشاف الآفات الصغيرة: يمكن أن تتداخل الضوضاء مع المكونات البصرية للآفات صغيرة ▪ .الحجم، مما يزيد من صعوبة اكتشافها باستخدام الفحص البصري أو أنظمة التحليل الآلي التأثير في خوارزميات التحليل اللاحقة: قد تؤدي الصور ذات الجودة المنخفضة إلى تقليل دقة ▪ .خوارزميات تجزئة الأعضاء، واكتشاف المناطق غير الطبيعية، وتصنيف الصور الطبية تغير الخصائص البنيوية للصورة: قد تؤدي المعالجة المفرطة إلى إزالة بعض التفاصيل الحقيقية مع ▪ . الضوضاء، مما ينتج صور ً ا أكثر نعومة لكنها لا تحتفظ بجميع المعلومات التشريحية الأصلية انخفاض موثوقية الأنظمة المعتمدة على الذكاء الاصطناعي: تعتمد أنظمة التشخيص الآلي على جودة ▪ .البيانات المدخلة، ولذلك قد تؤثر الضوضاء في دقة التنبؤات التي تنتجها هذه الأنظمة الحلول الممكنة لتحسين إزالة الضوضاء من الصور الطبية . 3 يمكن الاستفادة من مجموعة من التقنيات الحديثة لتحسين عملية إزالة الضوضاء، مع التركيز على المحافظة : على التفاصيل التشريحية المهمة، ومن أبرز الحلول المقترحة لتعلم الخصائص المكانية )CNNs( استخدام التعلم العميق: يمكن استخدام الشبكات العصبية الالتفافية للصور الطبية واستخراج الأنماط التي تساعد على التمييز بين الضوضاء والتفاصيل الحقيقية. وتتيح . هذه الشبكات بناء نماذج تتكيف مع خصائص الصور بدلا ً من الاعتماد على مرشحات ثابتة فقط توظيف الخصائص المورفولوجية: تعتمد المعالجة المورفولوجية على تحليل شكل المناطق وعلاقة البكسلات المتجاورة بعضها ببعض. ويمكن استخدام عمليات مثل التآكل والتمدد والتدرج المورفولوجي العميق للمساعدة في إبراز الحواف والتراكيب المحلية، ثم دمج هذه المعلومات مع خصائص التعلم .للمساعدة على المحافظة على الحدود التشريحية أثناء إزالة الضوضاء اعتماد التعلم المتبقي: بدلا ً من إعادة بناء الصورة بالكامل، يمكن تدريب الشبكة على تقدير مكونات الضوضاء الموجودة في الصورة المشوشة، ثم طرح التقدير من الصورة المدخلة. وقد يساعد هذا ▪ ▪ ▪ الأسلوب على تبسيط عملية التعلم وتحسين جودة إعادة البناء عند تصميم النموذج وتدريبه بصورة .مناسبة استخدام دوال خسارة متعددة: يمكن الجمع بين خطأ إعادة البناء البكسلي ومقاييس التشابه البنيوي وخسارة المحافظة على الحواف. ويهدف هذا الدمج إلى تحقيق توازن بين تقليل الضوضاء والاحتفاظ .بالتفاصيل الدقيقة، مع ضرورة ضبط أوزان هذه المكونات تجريبيًا تنويع بيانات التدريب: يمكن تدريب النموذج على صور تحتوي على مستويات وأنواع مختلفة من الضوضاء، مع اختبار أدائه على بيانات مستقلة. ويساعد ذلك على تقييم قدرته على التعامل مع ظروف . تصوير متنوعة، بدلا ً من الاقتصار على حالة واحدة تقييم جودة الصور المستعادة: يمكن استخدام مقاييس مثل نسبة الإشارة إلى الضوضاء القصوى ومن الأفضل دعم (MAE). ، ومتوسط الخطأ المطلق )SSIM( ، ومؤشر التشابه البنيوي (PSNR) هذه المقاييس بالفحص البصري وتقييم المحافظة على التفاصيل التشريحية، لأن تحسن المقاييس الرقمية .وحده لا يضمن تحسن القيمة التشخيصية للصورة MORPH-Denoise الإطار المقترح ▪ ▪ ▪ . 4 ، يعتمد على دمج التعلم العميق مع الخصائص MORPH-Denoise يقترح هذا المقال إطار ً ا بحثيًا باسم . المورفولوجية بهدف تطوير طريقة أكثر تكيفًا لإزالة الضوضاء من الصور الطبية : يتكون الإطار المقترح من ثلاث مراحل أساسية تُحلل الصورة المدخلة لاستخراج معلومات عن . المرحلة الأولى: استخراج الخصائص المورفولوجية ▪ الحواف والتغيرات المحلية وشكل التراكيب، بهدف توفير معلومات إضافية تساعد النموذج على التمييز .بين المناطق المتجانسة والمناطق التي تحتوي على تفاصيل تشريحية دقيقة تُمرر الصورة وخصائصها المورفولوجية المرحلة الثانية: معالجة الصورة باستخدام التعلم العميق. ▪ .