في عالم يتسارع فيه الابتكار، تظهر نماذج الذكاء الاصطناعي كحلول ثورية في مختلف المجالات. **نموذج VS-DDPM** (3D Variable-Step Denoising Diffusion Probabilistic Model) يمثل طفرة جديدة في تقنية إنتاج الصور الطبية، حيث يسعى لتحقيق جودة عالية في البيانات التركيبية مع تسريع زمن الاستجابة بشكل كبير.
ما هو VS-DDPM؟
تتسم نماذج الانتشار (Diffusion Models) بتقديمها لبيانات تركيبية عالية الجودة، لكنها كانت تعاني من وقت استدلال طويل. هنا يأتي دور **VS-DDPM**، الذي تم تصميمه خصيصًا للحفاظ على جودة الإبداع والتفوق في تسريع زمن الاستدلال. لقد اختبر الباحثون هذه الطريقة على أربع مهام مختلفة، شملت:
- معالجة صور **MRI** الناقصة
- إزالة الأورام من صور **MRI**
- تحويل صور **MRI** إلى **sCT**
- تحويل صور **CBCT** إلى **sCT**
الأداء المتميز
خلال التحديات المعروفة مثل **BraTS2025** و**SynthRAD2025**، حقق VS-DDPM أداءً غير مسبوق في تصنيع صور **MRI** الناقصة. حيث سجل النموذج درجة **Dice** بلغت 0.80 للأورام المتزايدة، و0.83 لأساس الورم، و0.88 لمناطق الأورام بالكامل، إلى جانب مؤشر التشابه الهيكلي **(SSIM)** الذي بلغ 0.95.
أما في مهمة إزالة الأورام من **MRI**، فقد حقق النموذج خطأ مربع الجذر **(RMSE)** يبلغ 0.053، ونسبة ذروة الإشارة إلى الضوضاء **(PSNR)** قدرها 26.77، و**SSIM** قدره 0.918. برغم الأداء العالي، لم يصل النموذج إلى **SOTA** في مهام تحويل **MRI** إلى **sCT** و**CBCT** إلى **sCT**، مما قد يرجع إلى حساسية معالجة البيانات قبل وبعد المعالجة أو تكوينات دالة الخصم المحددة.
تؤكد هذه النتائج على أن VS-DDPM يوفر حلاً قويًا وقابلًا للتعديل لإنتاج صور طبية ثلاثية الأبعاد بدقة عالية.
هل تتوقع أن تلعب هذه التقنية دورًا محورياً في مستقبل الطب؟