الفهرس 
SummaryOnly 14 pages are availabe for public view
 |  | from | 180 |  |  |
| | | from | 180 | | |
Abstract
هدفنا في هذه الرسالة هو تحليل الصور الطبية باستخدام أساليب الذكاء الاصطناعي (التعلم الآلي والتعلم العميق) لتشخيص الأمراض. حل هذه التقنيات معقد بطبيعته بسبب العلاقات المعقدة بين صانعي القرار ووظائف هدف الفريق. تم تطوير الأساليب الحالية لمعالجة الصور الطبية لتشخيص الامراض واختيار الطريق الامثل للعلاج. يعتمد تحليلنا على الآلة والتعلم العميق لتطبيقات التصوير الطبي. تحتوي رسالتي على ثلاثة مشاريع: مشاريع المثانة والبروستاتا والقلب ، وتم إنشاء جميع الاكواد باستخدام MATLAB Python تحتوي هذه الرسالة على خمسة فصول وتتلخص فيما يلي:Save translationالفصل الأول: تتناول المقدمة أدوات الذكاء الاصطناعي ، وطرق التصوير الطبي ، والتطبيق السريري للأطروحة.الفصل الثاني: الاكتشاف المبكر للمرضى المقاومين للعلاج الكيميائي في سرطان المثانة الغازي للعضلات (MIBC): حتى الآن ، قمنا بتطوير نظام ذكاء اصطناعي متعدد العوامل (MP-AI) للتمييز بين مراحل سرطان المثانة ، باستخدام التكامل بين T2-weighted (T2W-MRI) والتصوير بالرنين المغناطيسي الموزون (DW-MRI) يبدأ الذكاء الاصطناعي لدينا بتجزئة جدار المثانة (BW) وتوطين حجم BC بأكمله ومداها داخل الجدار. يعتمد إطار عمل التجزئة الخاص بنا على شبكة عصبية التفاف متصلة بالكامل (CNN) ويستخدم نموذج شكل متكيف متبوعًا بتقدير مجموعة من الميزات الوظيفية والملمس والصرفية. تستمد الميزات الوظيفية من دالة التوزيع التراكمي (CDF) لمعامل الانتشار الظاهر. ميزات الملمس هي سمات إشعاعية مقدرة من T2W-MRI ، وتستخدم السمات المورفولوجية لوصف هندسي للأورام. نظرًا لاختلاف الملمس الكبير بين خلايا تجويف الجدار والمثانة ، يتم تقسيم حجم السرطان إلى مجموعة من الأسطح المتداخلة متساوية الأبعاد (أي الأسطح المتساوية). أخيرًا ، يتم تقدير الميزات للأسطح المتساوية الفردية ، والتي يتم بعد ذلك زيادتها واستخدامها لتدريب واختبار مصنف التعلم الآلي (ML) استنادًا إلى الشبكات العصبية. تم تقييم النظام باستخدام 42 مجموعة بيانات ، ويتم استخدام نهج ترك مادة واحدة. الدقة الإجمالية ، والحساسية ، والنوعية ، والمساحة تحت منحنى خصائص تشغيل المستقبل (ROC) (AUC) هي 95.24٪ ، 95.24٪ ، 95.24٪ ، و 0.9864 ، على التوالي. يتم إبراز ميزة ميزات الانصهار متعدد العوامل المتساوية من خلال مقارنة الدقة التشخيصية لطريقة التصوير بالرنين المغناطيسي الفردية ، والتي أكدها تحليل ROC. علاوة على ذلك ، تتم مقارنة دقة خط الأنابيب لدينا بمصنفات ML الإحصائية الأخرى (مثل الغابة العشوائية (RF) وآلة ناقلات الدعم (SVM)). تتم أيضًا مقارنة نظام CAD الخاص بنا بتقنيات أخرى (على سبيل المثال ، الشبكات العصبية الملتفة من طرف إلى طرف(على سبيل المثال ResNet50)).الفصل الثالث: لقد قمنا بتطوير خوارزمية آلية جديدة لتقييم وظيفة القلب بدقة ومعلمات الإجهاد من صور التصوير بالرنين المغناطيسي للقلب. قد تؤدي هذه الخوارزمية الجديدة إلى إبطال الحاجة إلى التصوير بالرنين المغناطيسي ذي العلامات القلبية والذي يستغرق وقتًا طويلاً في القوارض. يبدأ إطار عملنا بالتوطين الدقيق لنقطة مركز تجمع الدم LV باستخدام بنية شبكة عصبية تلافيفية بالكامل (FCN). يتم استخراج منطقة الاهتمام (ROI) التي تحتوي على LV من جميع أقسام القلب. يتم استخدام ROIs المستخرجة لتقسيم تجويف LV وعضلة القلب عبر بنية FCN جديدة. لقد طورنا نهجًا قائمًا على لابلاس لتحليل الإجهاد لتتبع نقاط جدار الجهد المنخفض عن طريق حل معادلة لابلاس بين خطوط الجهد المنخفض لكل إطارين متتاليين من إطارات الصور خلال دورة القلب. بعد المسار ، يتم إجراء تقدير الإجهاد باستخدام النهج القائم على لاغرانج. تم التحقق من صحة هذا النظام الآلي الجديد لتحليل الإجهاد من خلال مقارنة نتائج هذه التحليلات مع صور tagged-MR ذات العلامات من نفس الفئران. لم تكن هناك فروق ذات دلالة إحصائية بين بيانات الإجهاد التي تم الحصول عليها من خوارزمية لدينا باستخدام سينمائي مقارنة مع التصوير بالرنين المغناطيسي الموسومة. علاوة على ذلك ، أثبتنا أن خوارزميتنا الجديدة يمكنها تحديد فروق الضغط بين القلوب الطبيعية والمريضة.فصل الرابع: قمنا بتطوير نظام DL استنادًا إلى تصنيفات CNN الهرمية وتصنيفات البكسل لتحديد تصنيف نظام (GSG) الذي يحتوي على نمط (GP) ودرجة (GS) ، بالإضافة إلى مجموعات الدرجات (GG) باستخدام صور شرائح كاملة (WSI) لعينات خزعة البروستاتا المرقمنة (PBSs). يعتمد خط أنابيب تصنيف GP على نظام التعلم العميق الهرمي الذي يستخدم ثلاث شبكات CNN لإنتاج تصنيفات التصحيح والبكسل. تسمح لنا هذه التقنية الهرمية باستخراج معلومات ثرية ، مثل البقع الأكبر التي تعطي معلومات أكثر شمولية بينما توفر الرقع الصغيرة تفاصيل محلية. بعد ذلك ، تقوم تقنية التصحيح الحكيم بتعيين تسمية لكل رقعة متراكبة على أنها فئات GP (من 1 إلى 5). بعد ذلك ، فإن تصويت الأغلبية هو النهج الأساسي للحصول على تصنيف البكسل المستخدم للحصول على تسمية واحدة لكل بكسل متداخل. النتائج بعد تطبيق هذه الأساليب هي ثلاث صور بنفس حجم الصورة الأصلية ، ولكل بكسل ملصق واحد. استخدمنا تقنية التصويت بالأغلبية مرة أخرى على تلك الصور الثلاث للحصول على صورة واحدة فقط. تم تدريب الإطار المقترح والتحقق من صحته واختباره على 608 صور شرائح كاملة (WSI) من PBSs الرقمية. يتم تقييم دقة التشخيص الإجمالية باستخدام عدة مقاييس: الدقة ، والتذكر ، ودرجة F1 ، والدقة ، والمتوسط الكلي ، والمتوسط المرجح. يحتوي 〖CNN 〗_L على أفضل نتائج دقة لتصنيف التصحيح بين شبكات CNN الثلاثة ، ودقة تصنيفها هي 0.76. تم العثور على مقاييس المتوسط الكلي والمتوسط المرجح حوالي 0.70 - 0.77. بالنسبة إلى GG ، تبلغ نتائج CAD لدينا حوالي 80٪ للدقة ، وبين 60٪ إلى 80٪ للتذكر ودرجة F1 ، على التوالي. أيضا ، حوالي 94٪ من حيث الدقة وصافي القيمة الحالية. لتسليط الضوء على نتائج أنظمة CAD الخاصة بنا ، استخدمنا معيار ResNet50 و VGG-16 لمقارنة نتائج تصنيف التصحيح الخاص بشبكة CNN وكذلك مقارنة نتائج GG مع الأعمال السابقة.الفصل الخامس: أخيرًا ، تناقش الخاتمة اتجاهات البحث المستقبلية لكل مشروع البروستاتا والمثانة.