التحدي
كان لدى شركة أدوية مصنِّف لاكتشاف الأمراض مُدرَّب على صور أنسجة مصبوغة بكاشف واحد، واحتاجت إلى وسيلة لتطبيق المصنِّف نفسه على صور أنسجة مصبوغة بكواشف مختلفة.
وتمثّلت إحدى الصعوبات الكبرى في غياب الصور المتقابلة التي تتيح المقارنة المباشرة بين الصبغات. أما البدائل، مثل بناء مصنِّف ومجموعة أدوات معالجة جديدة لكل كاشف صبغ، فكانت مكلفة وتستغرق وقتًا طويلًا، لذا كلّفتنا الشركة بالبحث عن النهج الأنسب وتطويره.
حلّنا
خلال فترة قصيرة جدًا، قيّمنا مجموعة من الأساليب الحديثة على الصور النسيجية للعميل. ومن بينها استخدمنا الشبكات التوليدية التنافسية (GANs) لتحويل الصور غير المتقابلة من صورة إلى صورة. وتجمع شبكة GAN بين نموذجين أو أكثر من نماذج التعلّم العميق، وهي مصمّمة لتوليد صور مشابهة بصريًا لمجموعة التدريب الخاصة بها.
وإلى جانب الإطار البرمجي الذي يحوّل الصور إلى نطاق الصبغ المطلوب، بنينا أداة عرض مرئي تفاعلية للتحقق من جودة الصور المولَّدة.
- تقييم عدة أساليب لتحويل الصور على الصور النسيجية
- تحويل الصور غير المتقابلة بين نطاقات الصبغ باستخدام شبكات GAN
- إطار برمجي لتحويل الصور إلى النطاق الذي يتوقعه المصنِّف القائم
- أداة عرض مرئي تفاعلية للتحقق من الصور المولَّدة
النتيجة
أتاح إطار تحويل الصور وأداة العرض المرئي للعميل خفض الوقت والتكلفة اللازمين لمعالجة صور الأنسجة المصبوغة بكواشف مختلفة وتصنيفها بشكل ملحوظ، مع إعادة استخدام المكوّنات البرمجية والنماذج القائمة بدلًا من بناء مكوّنات جديدة لكل صبغة.
