Medical image segmentation is a method for partitioning medical images into regions corresponding to anatomical structures or pathologies.يقوم تقسيم الصور الطبية تلقائيًا بتحليل المسح إلى هياكل تشريحية أو مرضية. تعالج الطرق الحديثة، وخاصة بنيات التعلم العميق مثل U-Net، الصور على مستويات متعددة، وتلتقط التفاصيل الدقيقة والسياق العام. الناتج هو خريطة احتمالات لكل بكسل — فرصة الانتماء إلى فئة معينة (ورم، كبد). يتطلب التدريب مجموعات بيانات كبيرة معنونة، والتي غالبًا ما تُعزز اصطناعيًا (دوران، انعكاسات).
ظهر تقسيم العتبة في السبعينيات. في عام 1988، اقترح كاس وزملاؤه نماذج الأطراف النشطة التي تحسن دوال الطاقة لإيجاد الحدود. مع ظهور التعلم العميق، أحدثت هندسة U-Net (Ronneberger et al., 2015) ثورة، مما أتاح التدريب الشامل على بيانات محدودة. تشمل التحسينات اللاحقة آليات الانتباه ونماذج قائمة على المحولات. المؤتمرات الرائدة: MICCAI، MIDL.
تتدرب CNN على صور معنونة بكسليًا. تضغط U-Net الصورة في عنق زجاجة عبر طبقات التفاف وتجميع، ثم توسعها مرة أخرى باستخدام التفافات منقولة. تدمج اتصالات التخطي ميزات عالية الدقة من المشفر مع المفكك، مما يحافظ على التفاصيل الدقيقة. تستخدم الطبقة الأخيرة softmax (للحالات متعددة الفئات) أو السيني (للحالة الثنائية). تتعامل دالة خسارة دايس (1 - 2|X∩Y|/(|X|+|Y|)) مع اختلال التوازن الطبقي. تحسن إجراءات ما بعد المعالجة (المكونات المتصلة، الحقول العشوائية الشرطية CRF) الحدود.
تحديد حدود الورم في التصوير بالرنين المغناطيسي لتخطيط العلاج الإشعاعي أو قياس أحجام الأعضاء في التصوير المقطعي المحوسب.
هندسة U-Net، التي تشبه حرف 'U'، فازت في مسابقة تتبع الخلايا ISBI عام 2015 وهي الآن أساس معظم أدوات التقسيم الطبي.
| ⟨r²⟩ | متغير | Total mean square radius — mean square radius metre squared |
| w_i | متغير | Weighting factor for component i — weighting factor |
| ⟨r_i²⟩ | متغير | Mean square radius of component i — mean square radius component metre squared |
| ∑ | مؤثر | Adds contributions from each component — جمع |
















