قطعه بندی تومورهای مغزی در تصاویر MRI با استفاده از ترانسفورمرهای یادگیری خودنظارتی و دانش محور (ViT-SSL-CKD)

تشخیص و بخش بندی دقیق تومورهای مغزی در تصاویر MRI چند مدالیته نقش حیاتی در تشخیص زودهنگام و برنامه ریزی درمانی دارد. روشهای سنتی مبتنی بر شبکه های کانولوشنی (CNN) به دلیل محدودیت در درک روابط بلندمدت پیکسل ها و حساسیت پایین در تومورهای کوچک دچار خطا هستند. در این پژوهش چارچوب ViT-SSL CKD با ترکیب (Vision Transformer Vi) یادگیری خودنظارتی (Self-Supervised Learning) با Masked (Autoencoder (MAE و دانش بالینی CKD-TransBTS) پیشنهاد شد. این پروژه با هدف حل چالش کمبود داده برچسب دار است. مدل ابتدا بدون برچسب روی تصاویر FLIR پیش آموزش دیده و سپس با دکودر دانش محور مبتنی بر توجه متقاطع برای قطعه بندی نواحی، TC WT و ET تنظیم شد. نتایج روی دیتاست ۲۰۲۴BraTS نشان داد که ViT-SSL-CKD ضریب دایس ۹۲ برای TC کسب کرد که بهبود نسبت به CKD-TransBTS دارد. زمان استنتاج ۶.۸ ثانیه است. این مدل با Hugging Face Transformers پیاده سازی شده و نقشه های توجه قابل تفسیر ارائه می دهد. این راهکار عملی برای کاربرد بالینی در بیمارستان های ایران است.

کلیدواژه ها:

ترانسفورمر ، یادگیری خودنظارتی ، CKD-TransBTS ، Masked Autoencoder ، بخش بندی تومور مغزی