++nnU-Net: افزایش ۲۲ درصدی دقت قطعه‌بندی پزشکی با سنتز داده‌های ثبت‌محور

شما می‌توانید دقت مدل‌های قطعه‌بندی پزشکی را تا ۲۲٪ افزایش دهید، بدون اینکه حتی یک تصویر واقعی جدید به مجموعه داده‌های خود اضافه کنید. این تحول با معرفی ++nnU-Net در ۱۰ ژوئن ۲۰۲۶ محقق شد و نشان می‌دهد که در داده‌های پزشکی، کیفیت ساختاری بر حجم انبوه ارجحیت دارد.

بسیاری از وظایف قطعه‌بندی (Segmentation) در تصویربرداری پزشکی بر پایه چارچوب nnU-Net استوار هستند، اما کمبود داده‌های متنوع اغلب مانع از تعمیم‌پذیری مدل‌ها می‌شود. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی چالش‌های داده‌های سنتتیک (Synthetic Data) اشاره کردیم، مشکل اصلی این است که بسیاری از روش‌های تولید داده، واقع‌گرایی آناتومیک را نادیده می‌گیرند. ++nnU-Net با عبور از چرخش‌های ساده یا افزودن نویز، بر حفظ امکان‌پذیری آناتومیک تمرکز کرده است تا تصاویر مصنوعی همچنان شبیه به کالبد واقعی انسان باشند.

به نقل از تحلیل فنی منتشر شده در arxiv.org، این سیستم به عنوان یک ماژول پیش از مراحل پیش‌پردازش و آموزش عمل می‌کند. این خط لوله (Pipeline) از یک فرآیند ثبت دو مرحله‌ای برای تولید تصاویر تغییر شکل یافته (Warped Images) و تبدیل‌های متناظر برای ماسک‌های قطعه‌بندی استفاده می‌کند. طبق مستندات فنی، قابلیت‌های کلیدی این سیستم شامل موارد زیر است:

• محاسبه خودکار فضای دیسک در دسترس برای مدیریت حجم داده‌های سنتز شده.
• تولید ماسک‌های باینری تکمیلی برای افزایش دقت آموزش.
• سیستم چک‌پوینتینگ (Checkpointing) هماهنگ برای مقیاس‌پذیری در آموزش‌های سنگین.

در ارزیابی‌های انجام شده روی پنج مجموعه داده دوبعدی مختلف، این چارچوب به‌طور مستمر از مدل پایه پیشی گرفت و بیشترین میزان بهبود در ضریب شباهت دایس (Dice Similarity Coefficient) را با عدد ۲۲٪ ثبت کرد.

برای جامعه فنی، این دستاورد پارادایم افزایش داده (Data Augmentation) را از تغییرات تصادفی به تغییر شکل‌های مبتنی بر ثبت (Registration-based Warping) تغییر می‌دهد. این موضوع ثابت می‌کند که یکپارچگی ساختاری در داده‌های مصنوعی برای بنچمارک‌های قطعه‌بندی، بسیار ارزشمندتر از افزایش صرف تعداد نمونه‌هاست.

گام بعدی شما

• پژوهشگران می‌توانند کد منبع ++nnU-Net را برای پیاده‌سازی این خط لوله ثبت در پروژه‌های خود دریافت کنند.
• بررسی اثر این رویکرد بر روی حجم‌های تصاویر سه‌بعدی (3D)، جایی که پیچیدگی ثبت تصویر به‌طور چشمگیری افزایش می‌یابد.

اما چالش واقعی زمانی آغاز می‌شود که این مدل‌ها با حجم‌های سه‌بعدی مواجه شوند — در گزارش‌های بعدی، اثرات این متد بر داده‌های حجیم پزشکی را بررسی خواهیم کرد.