الفهرس 
Table of ContentsOnly 14 pages are availabe for public view
 |  | from | 85 |  |  |
| | | from | 85 | | |
Abstract
في هذه الرسالة، نقترح نظام قائم على التعلم المتعمق للتجزئة المشتركة للكبد والأورام التي به. وهذا النظام يتكون من ثلاث خطوات. أولاً، تم استخدام نظام التعلم المتعمق لاستخراج السمات التي تصف صور الأشعة المقطعية وكذلك العقيدات السرطانية، باستخدام شبكات عصبية تلافيفيه مختلفةCNNs، مثل (VGG16-Segnet, ED-Alexnet, Resnet-18) ثانياً، يتم إجراء خطوة تصنيف لميزات التعلم المتعمق المستخرجة لكل شبكة تم تطبيقها. لإنتاج التجزئة النهائية للكبد والأورام التي به، تقوم الخطوة الأخيرة بتطبيق أساليب دمج مختلفة لدمج مخرجات CNN الثلاثة المستخدمة. لاختبار أداء النظام المقترح، يتم استخدام قاعدة بيانات تحدي MICCAI LITS، والتي تتكون من 130 مجلدًا مقطعيًا بإجمالي 16917 صورة مقطع عرضي. يعتبر سرطان الكبد من بين أهم ثلاثة أنواع من السرطانات القاتلة في العالم الحديث، ويعتبر التصوير المقطعي المحسّن (CT) هو الطريقة الأكثر استخدامًا لفحص سرطان الكبد. يمكن أن يساعد تقسيم آفات الكبد ( الأورام ) على تشخيص السرطان وتحديد خيارات العلاج، وتقديم علاجات فعاله للسرطان. التقسيم اليدوي للآفات الكبد من صوره اشعه CT هو مضيعه للوقت جدا وعرضه للتغيرات ولذلك، فان أساليب التجزئة التلقائية مرغوب فيها للغاية في الممارسة الطبية. تم استخدام بيانات التدريب التي يقدمها منظمو التحدي LITS التي تصل إلى 130 CT من مراكز طبيه مختلفة مع دقة تبلغ حوالي 0.8 مم وسمك شريحة 1.5 مم. تجزئه الآفات بالكبد هي مشكله صعبه جدا بسبب الاختلافات في الموقع، والحجم، والشكل، والكثافة، والملمس، واختلاف أعداد حدوث الآفات في الكبد عبر مختلف المرضي. الإضافة إلى ذلك، الصور المقطعية عاده ما تكون بها أنسجة ناعمة منخفضه التباين وتعاني من الشوشره. وقد أظهرت أساليب تجزئه الآفات القائمة علي أساس كثافة المجموعات، ونمو المنطقة نجاحا محدودا في حل هذه المشكلة. وقد أحدثت التطورات الأخيرة في التعلم العميق ثوره وسرعان ما أصبحت منهجيه شعبيه لمعالجه الصور الطبية أيضا، بما في ذلك الكشف عن الآفات، وتجزئتها. النموذج الذي تم تصميمه ينتمي إلى فئة ” الشبكات العصبية” الذي يسمح بالتجزئة الكاملة للصورة بأكملها في تمريره واحده بدلا من تجزئه صوره صغيره في كل مره. بالإضافة إلى كونها أكثر فعالية، وذلك باستخدام صوره كامله كما تقدم معلومات مدخله أكثر ثراء من بقع الصور الصغيرة، والتي تؤدي عاده إلى نتائج أكثر موثوقية وأكثر دقه تجزئه.