DOI: https://doi.org/10.1038/s41598-025-34731-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41530233
تاريخ النشر: 2026-01-13
المؤلف: G Naga Sujini وآخرون
الموضوع الرئيسي: تقنيات تقسيم الصور الطبية
نظرة عامة
تقدم ورقة البحث إطارًا جديدًا، EvoThy-Net، لتقسيم عقيدات الغدة الدرقية في صور الموجات فوق الصوتية، مع معالجة التحديات التي تطرحها الهياكل النسيجية المعقدة المحيطة بالغدة الدرقية. تستخدم الطريقة المقترحة بحثًا عن بنية الشبكة العصبية التطورية (NAS) استنادًا إلى خوارزمية تحسين التعلم القائم على التعليم المحسن (ITLBO) لتحسين هياكل كتل الشبكة من نوع التشفير-فك التشفير بشكل ديناميكي. من خلال دمج كتل الانتباه، يعزز EvoThy-Net أداء التقسيم، مما يظهر نتائج متفوقة مقارنة بالنماذج الحالية الرائدة على مجموعات بيانات DDTI و TN3K.
تشير النتائج إلى أن EvoThy-Net لا يحقق فقط دقة أعلى في تقسيم عقيدات الغدة الدرقية، بل يقدم أيضًا كفاءة حسابية وحجم نموذج مخفض، مما يجعله مناسبًا للنشر في البيئات ذات الموارد المحدودة. تسلط الورقة الضوء على إمكانيات هذا النهج في التغلب على التحديات العملية في التصوير الطبي. ستستكشف الأعمال المستقبلية تقنيات مشاركة الوزن لتحسين كفاءة التدريب وتوسيع تطبيق EvoThy-Net لمهام تقسيم الصور الطبية الأخرى، مما قد يعزز القدرات التشخيصية والعلاجية عبر مجالات طبية متنوعة.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على الدور الحاسم للغدة الدرقية وأهمية تشخيص الاضطرابات المتعلقة بالغدة الدرقية بدقة، وخاصة عقيدات الغدة الدرقية. يتم دعم طرق التشخيص التقليدية، مثل خزعة الإبرة الدقيقة (FNA)، بواسطة الموجات فوق الصوتية عالية الدقة، التي تقدم وسيلة غير جراحية وفعالة لتحديد هذه العقيدات. ومع ذلك، فإن نقص التوحيد في إجراءات الموجات فوق الصوتية والاعتماد على خبرة أطباء الأشعة يمكن أن يؤدي إلى تشخيص خاطئ، خاصة بين المحترفين غير المدربين. وبالتالي، ظهرت تقسيم عقيدات الغدة الدرقية (TNS) كمنطقة بحث حيوية، مع استكشاف تقنيات تقليدية وعميقة التعلم لتعزيز دقة التشخيص.
أظهرت التقدمات الأخيرة في الذكاء الاصطناعي (AI)، وخاصة من خلال الشبكات العصبية التلافيفية (CNNs)، وعدًا في تحسين اكتشاف وتصنيف عقيدات الغدة الدرقية من خلال استخراج ميزات عالية المستوى من صور الموجات فوق الصوتية بشكل فعال. تهدف هذه الأساليب المدفوعة بالذكاء الاصطناعي إلى تقليل التباين بين المراقبين وتعزيز اتساق التشخيص. على الرغم من هذه التقدمات، فإن التحديات مثل التباينات في جودة التصوير ونقص مجموعات البيانات الكبيرة المعلّمة تعيق الاعتماد السريري الواسع لهذه التقنيات. تقدم الورقة EvoThy-Net، وهي طريقة تطورية مبتكرة مصممة لتطوير شبكة تشفير-فك تشفير (ED) عالية الأداء لتقسيم عقيدات الغدة الدرقية بدقة. من خلال دمج كتل الانتباه واستخدام خوارزمية تحسين التعلم القائم على التعليم المحسن (ITLBO)، تظهر الطريقة المقترحة أداءً متفوقًا في التقسيم على مجموعتي بيانات صور الموجات فوق الصوتية، محققة هياكل شبكة مثالية مع عدد أقل من المعلمات، مما يضمن معالجة أسرع وأكثر كفاءة مقارنة بالنماذج الحالية.
طرق
في قسم الطرق، يوضح المؤلفون مجموعات البيانات وتفاصيل التنفيذ المستخدمة لتقييم نموذجهم المقترح، EvoThy-Net، المصمم لتقسيم عقيدات الغدة الدرقية (TNS). يتكون النموذج من حوالي 9 ملايين معلمة ويبلغ حجمه 34 ميجابايت، وهو أصغر بكثير من النماذج الرائدة الأخرى مثل U-net و Deeplabv3+، التي تتراوح من 51 ميجابايت إلى 226 ميجابايت. يظهر EvoThy-Net كفاءة حسابية متفوقة، محققًا متوسط زمن استدلال يبلغ حوالي 20 مللي ثانية لكل صورة على وحدة معالجة الرسوميات (GPU)، مقارنة بـ 120 مللي ثانية على وحدة المعالجة المركزية Intel i5. يعزز هذا التصميم الخفيف كفاءة الذاكرة ويقلل من متطلبات الموارد الحاسوبية، مما يجعله مناسبًا بشكل خاص للنشر في بيئات الرعاية الصحية ذات الموارد المحدودة.
يقارن المؤلفون أيضًا أداء خوارزمية ITLBO المقترحة مع خوارزميات تطورية أخرى، مثل الخوارزمية الجينية (GA) والتطور التفاضلي (DE)، عبر 20 جيلًا و60 حقبة. تفوقت خوارزمية ITLBO على هذه البدائل من حيث الانحراف المعياري، والمتوسط، ودرجات Dice، مع تأكيد الأهمية الإحصائية من خلال قيم p أقل من 0.05 من اختبار ويلكوكسون لمجموع الرتب. بالإضافة إلى ذلك، يستخدم EvoThy-Net استراتيجية NAS تطورية تقوم بتحسين كل من بنية الكتل ومعلمات التدريب، مما يسمح باختيار كتل غير متجانسة ودمج آليات الانتباه. لا يعزز هذا النهج أداء التقسيم فحسب، بل يسهل أيضًا اختيار معلمات التدريب المثلى، بما في ذلك دوال الخسارة والمحسنات، مما يساهم بشكل أكبر في فعالية النموذج في التطبيقات السريرية.
مناقشة
في ورقة البحث هذه، يقترح المؤلفون نهجًا مبتكرًا لتقسيم عقيدات الغدة الدرقية (TNS) باستخدام شبكة تشفير-فك تشفير (ED) معززة بكتل الانتباه ومحسنة من خلال خوارزمية تحسين التعلم القائم على التعليم المحسن (ITLBO). تهدف دمج كتل الانتباه إلى تحسين أداء التقسيم من خلال استخراج الميزات الحرجة من صور الموجات فوق الصوتية بشكل فعال. يتم استخدام خوارزمية ITLBO لاكتشاف هياكل الكتل المثلى ومعلمات التدريب، مما يسهل تطوير نموذج خفيف الوزن يوازن بين الأداء العالي وعدد المعلمات المخفض، مما يجعله مناسبًا للبيئات ذات الموارد المحدودة.
تسلط المناقشة الضوء على تطور منهجيات TNS، مقارنة بين التقنيات التقليدية وطرق التعلم العميق الحديثة، وخاصة الشبكات العصبية التلافيفية (CNNs). بينما أظهرت الطرق التقليدية دقة محدودة، أظهرت نماذج التعلم العميق أداءً متفوقًا من خلال أتمتة استخراج الميزات. تستعرض الورقة مجموعة متنوعة من هياكل CNN وتكيفاتها لـ TNS، مشيرة إلى التحديات التي تطرحها الأعداد الكبيرة من المعلمات وتعقيد صور الموجات فوق الصوتية. يؤكد المؤلفون على ضرورة وجود نماذج آلية وفعالة وإمكانية بحث بنية الشبكة العصبية (NAS) لتحسين هياكل الشبكة لمهام TNS، مما يعالج قيود النماذج الحالية ويعزز الوصول إلى خدمات التصوير الطبي.
DOI: https://doi.org/10.1038/s41598-025-34731-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41530233
Publication Date: 2026-01-13
Author(s): G Naga Sujini et al.
Primary Topic: Medical Image Segmentation Techniques
Overview
The research paper presents a novel framework, EvoThy-Net, for the segmentation of thyroid nodules in ultrasound images, addressing the challenges posed by the complex tissue structures surrounding the thyroid. The proposed method utilizes an evolutionary neural architecture search (NAS) based on the Improved Teaching-Learning-Based Optimization (ITLBO) algorithm to optimize the encoder-decoder network’s block structures dynamically. By incorporating attention blocks, EvoThy-Net enhances segmentation performance, demonstrating superior results compared to existing state-of-the-art models on the DDTI and TN3K datasets.
The findings indicate that EvoThy-Net not only achieves higher accuracy in thyroid nodule segmentation but also offers computational efficiency and a reduced model size, making it suitable for deployment in resource-constrained environments. The paper highlights the potential of this approach to overcome practical challenges in medical imaging. Future work will explore weight-sharing techniques to improve training efficiency and extend the application of EvoThy-Net to other medical image segmentation tasks, potentially enhancing diagnostic and treatment capabilities across various medical domains.
Introduction
The introduction of this research paper highlights the critical role of the thyroid gland and the importance of accurately diagnosing thyroid-related disorders, particularly thyroid nodules. Traditional diagnostic methods, such as Fine Needle Aspiration (FNA) biopsy, are being supplemented by high-resolution ultrasonography, which offers a non-invasive and efficient means of identifying these nodules. However, the lack of standardization in ultrasound procedures and the reliance on radiologists’ expertise can lead to misdiagnosis, especially among untrained professionals. Consequently, thyroid nodule segmentation (TNS) has emerged as a vital area of research, with various traditional and deep learning techniques being explored to enhance diagnostic accuracy.
Recent advancements in artificial intelligence (AI), particularly through Convolutional Neural Networks (CNNs), have shown promise in improving the detection and classification of thyroid nodules by effectively extracting high-level features from ultrasound images. These AI-driven approaches aim to reduce interobserver variability and enhance diagnostic consistency. Despite these advancements, challenges such as variations in imaging quality and the scarcity of large annotated datasets hinder the widespread clinical adoption of these technologies. The paper introduces EvoThy-Net, an innovative evolutionary method designed to develop a high-performance Encoder-Decoder (ED) network for precise segmentation of thyroid nodules. By incorporating attention blocks and utilizing an Improved Teaching-Learning Based Optimization (ITLBO) algorithm, the proposed method demonstrates superior segmentation performance on two ultrasound image datasets, achieving optimal network structures with fewer parameters, thus ensuring faster and more efficient processing compared to existing models.
Methods
In the Methods section, the authors detail the datasets and implementation specifics used to evaluate their proposed model, EvoThy-Net, which is designed for thyroid nodule segmentation (TNS). The model comprises approximately 9 million parameters and has a size of 34MB, significantly smaller than other state-of-the-art models such as U-net and Deeplabv3+, which range from 51MB to 226MB. EvoThy-Net demonstrates superior computational efficiency, achieving an average inference time of approximately 20 ms per image on GPU, compared to 120 ms on an Intel i5 CPU. This lightweight design enhances memory efficiency and reduces computational resource requirements, making it particularly suitable for deployment in resource-limited healthcare settings.
The authors also compare the performance of the proposed ITLBO algorithm against other evolutionary algorithms, such as Genetic Algorithm (GA) and Differential Evolution (DE), across 20 generations and 60 epochs. The ITLBO algorithm outperformed these alternatives in terms of standard deviation, mean, and Dice scores, with statistical significance confirmed by p-values below 0.05 from the Wilcoxon rank-sum test. Additionally, EvoThy-Net employs an evolutionary NAS strategy that optimizes both block-level architecture and training parameters, allowing for heterogeneous block selection and the integration of attention mechanisms. This approach not only enhances segmentation performance but also facilitates the selection of optimal training parameters, including loss functions and optimizers, further contributing to the model’s effectiveness in clinical applications.
Discussion
In this research paper, the authors propose an innovative approach for thyroid nodule segmentation (TNS) using an encoder-decoder (ED) network enhanced with attention blocks and optimized through an Improved Teaching-Learning-Based Optimization (ITLBO) algorithm. The integration of attention blocks aims to improve segmentation performance by effectively extracting critical features from ultrasound images. The ITLBO algorithm is employed to discover optimal block structures and training parameters, facilitating the development of a lightweight model that balances high performance with a reduced parameter count, making it suitable for resource-constrained environments.
The discussion highlights the evolution of TNS methodologies, contrasting traditional techniques with modern deep learning approaches, particularly convolutional neural networks (CNNs). While traditional methods have shown limited accuracy, deep learning models have demonstrated superior performance by automating feature extraction. The paper reviews various CNN architectures and their adaptations for TNS, noting the challenges posed by high parameter counts and the complexity of ultrasound images. The authors emphasize the necessity for automated, efficient models and the potential of Neural Architecture Search (NAS) to optimize network architectures for TNS tasks, thereby addressing the limitations of existing models and enhancing accessibility to medical imaging services.