الفهرس 
Chapter 1Only 14 pages are availabe for public view
 |  | from | 242 |  |  |
| | | from | 242 | | |
Abstract
يعتبر سرطان البروستاتا مشكلة كبيرة تواجه الصحة العامة للرجال، حيث يحتل الترتيب الثاني للسراطانات الأكثر تشخيصاً في الولايات المتحدة الأمريكية. كثير من الأبحاث كشفت إمكانية الإكتشاف المبكر لسرطان البروستاتا في مراحله الأولى عن طريق إستعمال الأشعة المقطعية. و يعتبر الإكتشاف المبكر لسرطان البروستاتا اكثر الطرق فاعلية لزيادة فرص النجاه من هذا السرطان. حيث يساعد الإكتشاف المبكر لعمل متابعه دورية لمراقبة تطور درجة السرطان من حيث زيادة عدد الورام أو زيادة حجمها و من ثم يمكن عمل تقييم دورى لمدى فاعلية العلاج المتبع وتعديله إذا لزم الأمر. أيضاً ساعد تطوير الأشعة المقطعية و ظهور الأشعة المقطعية المتعددة المجسات إلى توفير برامج ودراسات لعمل مسح دورى خاصة للحالات الأكثر عرضه للإصابة بالسرطان بإستعمال صور أشعه أقل سمكاً التى تكشف عن الأورام الصغيرة جداً، و لكن أدى ذلك الى زيادة فى عدد الصور الناتجة لتصوير الحالة الواحدة مما أدى في النهاية إلى الإحتياج إلى تقييم كم هائل من الصور من قبل أخصائيوا الأشعة. الأمر الذى جعل عملهم أكثر إرهاقاً و فى نفس الوقت عرضا لأن يتغافلوا عن ملاحظة بعض الأورام. و من ثم اصبح الإحتياج إلى توافر نظام مميكن يساعد أخصائيوا الأشعة أمر ملح.تقدم هذه الرسالة محاولة لتطوير نظام مميكن لإكتشاف مرض سرطان البروستاتا من خلال الأشعة المقطعية. تم فى هذه الرسالة تقديم إستراتيجيتان جديدتان و مختلفتان. يعتمدوا على تحليل للصور الطبية بإستخدام أساليب الذكاء الاصطناعي (التعلم الآلي والتعلم العميق)، وتم إنشاء جميع الأكواد باستخدام MATLABو Python. تم عمل تقييم الأنظمة على بيانات تم تجميعها من 80 مريض (43 مريض بالورم الحميد، 37 مريض بسرطان البروستاتا الخبيث)، متوسط أعمارهم 65.7 عاما.تقدم الإستراتيجية الأولى خوارزمية آلية جديدة لإستخلاص الميزات المميزة من الصور. يبدأ إطار عملها بالتحديد الدقيق لإطار البروستاتا من صور (DW-MRI) وتحديد الإطار الدقيق للورم من صور (T2W-MRI). ثم يتم بعد ذلك إستخلاص السمات المميزة من الصور المحددة وذلك كالتالى: (1) يتم إستخلاص المميزات المورفولوجية الخاصة بشكل وحجم الورم من الصور المحددة للورم (T2W-MRI)، (2) يتم إستخلاص المميزات بنسيج الصورة من الصور المحددة للبروستاتا (DW-MRI)، (3) يتم حساب الميزة الوظيفية (ِADC) من الصور المحددة للبروستاتا (DW-MRI). بعد ذلك يتم تجميع كل هذه المميزات ودمجها مع نتائج فحص الدم المعروف بالمستضد البروستاتى النوعى(Prostate Specific Antigen (PSA)) ويتم تطبيق عليهم تقنية لإختيار أفضل المميزات. أخيرا يتم تصنيف الصور بناءا على هذه المميزات الناتجة بإستخدام آلة ناقلات الدعم (SVM).تقدم الإستراتيجية الثانية تقنية جديدة كاملة لتصنيف الصور بإستخدام المعايير الحدودية لحركةintravoxel غير المتماسكة (IVIM) عن طريق مجموعة من الخطوات. تبدأ بتقديم طريقة جديدة لتحديد الورم والتى تتكون من مرحلتين. المرحلة الأولى تبدأ بتحديد البروستاتا بإستخدام نموذج قابل للتشوه (deformable model) حيث يعتمد تطوره على ثلاثة أنواع من الخصائص وهى قيم نقاط الصور (pixels’ intensities) و العلاقات المكانية بين هذه النقاط (spatial pixels’ relationship) بالإضافة إلى الشكل المسبق (shape prior) لمنطقة البروستاتا، أما المرحلة الثانية فهى تقوم بتحديد مناطق الورم المهمه (Region of Interest (ROI)) بإستخدام الصور الناتجة من المرحلة الأولى وذلك عن طريق إدخالها إلى الشبكة التلافيفية (U-Net). بعد ذلك يتم حساب الثلاث معايير الحدودية لحركةintravoxel غير المتماسكة من ال ROIs الناتجة التى تحتوى على الأورام. فى الخطوة التالية يتم عمل تسوية للبيانات (normalization) لزيادة دقة النموذج يتم بعدها تطبيق خوارزمية (SMOTE) لإنتاج عينات جديدة من العينات الموجودة مسبقا وذلك لأن النموذج سوف يعانى من الإنحراف إلى الأورام الحميدة لأن عدد الأورام الناتجة الحميدة أعلى من عدد الأورام الناتجة الخبيثة. فى النهاية، يتم تطبيق نموذج الغابة العشوائية (Random Forest (RF)) لتصنيف الصور.