التجزئة ومعالجة الصور الطبية

معالجة الصور الطبية

 ذات أهمية بالغة في التشخيص والعلاج العملي للمرضى. وتُعتبر تجزئة الصور الطبية المرحلة الأكثر أهمية في هذه العملية، حيث تُقدم مساعدة تشخيصية قيّمة للأطباء. تُجرى عملية تجزئة الصور لتقسيم الصورة إلى مناطق منفصلة متعددة بناءً على خصائصها، 

مثل النسيج المكاني أو الشكل الهندسي، وذلك لإظهار الترابط أو التشابه داخل المنطقة الواحدة، مع إبراز التباينات الواضحة بين المناطق المختلفة. لا تُعدّ تجزئة الصور من أهمّ المجالات في معالجة الصور الطبية فحسب، بل هي أيضًا من التطبيقات الكلاسيكية في مجال رؤية الحاسوب (Liu, Zhang, Liu, Wang, & Xia, 2021e). في معظم الحالات، يصعب على التقنيات المستخدمة تجزئة الصورة بما يتوافق مع الفهم البشري (Xu et al., 2020).

مع النمو المطرد لموارد الحوسبة الحاسوبية، ازداد اهتمام الباحثين بمعالجة الصور في السنوات الأخيرة (Liu et al., 2021a, Zhang et al., 2022, Zhou et al., 2020, Zhou et al., 2021). في هذا السياق، تُستخدم تقنية تجزئة الصور على نطاق واسع في قطاعات عديدة، تشمل تكنولوجيا الفضاء، والكشف عن عيوب المنتجات، والطب الحيوي، والنقل الذكي، وإدارة الأسلحة، ومراقبة السلامة. وقد حظيت التجزئة القائمة على العتبات، على وجه الخصوص،

 باهتمام متزايد بين تقنيات تجزئة الصور. ولذلك، اكتسبت طرق تجزئة الصور الطبية متعددة العتبات، ولا سيما تلك التي تستخدم أساليب الاستدلال الميتاهوريستية، مزيدًا من الاهتمام. وجدت هذه الأساليب الاستكشافية الميتاهوريستية تطبيقاتها في العديد من المجالات، بما في ذلك اختيار الميزات (تشانغ، ليو، وانغ، تشين، ولي، 2020)، والتنبؤ بسرعة الرياح (تشين، تسنغ، لو، وونغ، 2019)، ومشكلات التصميم الهندسي (تشانغ وآخرون، 2020)، وتصنيف البيانات الطبية (تشاو وآخرون، 2019)، والتنبؤ بالإفلاس (يو وآخرون، 2021)، وتحسين المعلمات (وانغ وتشين، 2020)، والتحكم الأمثل PID (تسنغ، شي، تشين، وونغ، 2019)، وتخصيص موارد البوابات (وو وآخرون، 2020)، وتشخيص أعطال محامل التدحرج (تشاو، ليو، شو، ودنغ، 2019)، والكشف عن الألياف الغريبة في القطن (تشاو وآخرون، 2015)، ومسألة البائع المتجول (لاي وتشو، 2020)، وتحسين الأداء (ينغ، ينغ، وبان، 2019). 

(2018)، وتدريب الشبكات العصبية (يانغ، لي، غو، ما، وتشنغ، 2018)، وتصميم دوائر إلكترونيات الطاقة (ليو، تشان، وتشانغ، 2021ج)، وتوزيع مركبات الطاقة (ليانغ، تشان، تشانغ، وتشانغ، 2019)، وتصميم شبكات سلاسل التوريد واسعة النطاق (تشانغ وآخرون، 2019)، ومشكلات التنبؤ في المجال التعليمي (تو، لين، تشن، لي، ولي، 2019).

يُعدّ تجزئة الصور الطبية خطوةً أساسيةً ومعقدةً في معالجة الصور الطبية، حيث تُساعد الأطباء على اتخاذ قراراتٍ أكثر دقةً في تشخيص المرضى. ورغم أن تجزئة الصور متعددة العتبات تُعتبر من أهم تقنيات تجزئة الصور، إلا أنها تتطلب قدراتٍ حسابيةً معقدةً، وغالبًا ما تُسفر عن نتائج تجزئة غير مُرضية، مما يُحدّ من تطبيقاتها. ولحلّ هذه المشكلة، صُمّمت في هذه الدراسة خوارزمية قفز الضفادع المُختلطة المُوجّهة باستراتيجياتٍ مُتعددةٍ مع بحثٍ مُتقاطعٍ أفقيٍّ ورأسيٍّ (HVSFLA) لتجزئة الصور متعددة العتبات. وعلى وجه التحديد، يُتيح البحث المُتقاطع الأفقي للضفادع المُختلفة تبادل المعلومات، ويضمن استكشافًا مُفيدًا لكل ضفدع. وفي الوقت نفسه، يُحفّز البحث المُتقاطع الرأسي الضفادع المُتوقفة على مواصلة البحث بنشاط. وبالتالي، يُمكن ضمان توازنٍ أفضل بين التنويع والتكثيف. ولتقييم أداء خوارزمية HVSFLA، قُورنت بمجموعةٍ من أحدث الخوارزميات باستخدام دوال CEC 2017 المعيارية. علاوة على ذلك، تم إثبات كفاءة خوارزمية HVSFLA على عدة مجموعات بيانات تجزئة من بيركلي 500 (BSDS500). وأخيرًا، طُبقت الخوارزمية المقترحة على حالات سرطان الثدي الغازي القنوي باستخدام تقنية التجزئة متعددة العتبات، وذلك باستخدام مدرج تكراري ثنائي الأبعاد غير محلي مُدمج مع إنتروبيا كابور. تُظهر النتائج التجريبية تفوق خوارزمية HVSFLA المقترحة على مجموعة واسعة من الخوارزميات المنافسة، مما يُشير إلى إمكانية استخدامها على نطاق واسع في تجزئة الصور الطبية.

طور تشو، يانغ، لينغ، وتشانغ (2018) طريقة لتجزئة الصور باستخدام خوارزمية سرب العثة. ولإيجاد عتبات MCET شبه المثلى، صمم ين (2007) خوارزمية تحسين سرب الجسيمات. واقترح يانغ وو (2019) خوارزمية تحسين سرب الجسيمات الكمومية غير المتكررة لتجزئة الصور. قدم تساي، ليو، وتشن (2012) خوارزمية بحثية لعتبة اللون متعددة العتبات تعتمد على المدرج التكراري. واقترح وانغ، تشانغ، وتشانغ (2019) مُحسِّن عتبة حمامة استدلالي تعاوني متعدد المستويات يعتمد على عتبة المسافة المعقدة. وطوّر تانغ، يوان، صن، يانغ، وغاو (2011) عتبة محسّنة متعددة المستويات للحد الأدنى من الإنتروبيا المتقاطعة