الفهرس 
Chapter 1 IntroductionOnly 14 pages are availabe for public view
 |  | from | 141 |  |  |
| | | from | 141 | | |
Abstract
كوفيد 19 هو الاسم الشائع للمرض الناجم عن فيروس كورونا المستجد (2019-nCoV) الذي ظهر في مدينة ووهان بالصين عام 2019. أثر هذا الفيروس على جميع جوانب حياتنا لأنه انتشر بسرعة في جميع البلدان وتسبب في إصابة الكثير بمتلازمة الضائقة التنفسية الحادة. يعد اكتشاف المصابين أهم عامل للحد من انتشار المرض، ويعتبر تحليل PCR الوسيلة المتبعة للكشف عن المصابين، لكنه قد يستغرق 5-6 ساعات، وفي المراحل الأولى من الإصابة قد يعطي نتائج سلبية خاطئة، ولذلك أصبح فحص صور الاشعة المقطعية للصدر بديل مناسب وضروري لتشخيص المرضى المصابين. في هذه الرسالة، اقترحنا منهجية جديدة لتشخيص المرض حاسوبياً باستخدام تقنية (DSVDD) اعتماداً على الاشعة المقطعية للصدر. تتكون المنهجية المقترحة من مرحلتين : في المرحلة الأولى : نقوم باستخراج النسيج الرئوي باستخدام شبكة U-Net، وفي المرحلة الثانية يتم تصنيف الاشعة الى ثلاث فئات سليمة ومصابة بكورونا او مصابة بالتهاب رئوي ناتج عن فيروس غير كورونا. تعتمد مرحلة التصنيف على مفهوم ان الاشعة المصابة بأي إصابة تعتبر شاذة بالنسبة للرئة السلمية، ولذلك استخدمنا تقنيات تعتمد على التصنيف الأحادي، وبما اننا نستخدم بيانات لثلاث فئات فمرحلة التصنيف تتضمن ثلاث نماذج تقوم بعملية التصنيف حيث يقوم كل نموذج بالتعرف على فئة واحدة على انها طبيعية ويعتبر الفئات الأخرى فئات شاذة. تم اقتراح طريقتين لبناء نماذج التصنيف : أحدهما يستخدم نقل التعلم لدمج النماذج المدربة مسبقاً VGG16وResNet50 مع تقنية DSVDD، بينما يجمع الثاني بين شبكة Residual attention network (RAN) مع تقنية DSVDD. على حد علمنا، نحن أول من جمع شبكات RAN وVGG16 وResNet50 مع DSVDD بشكل عام وبشكل خاص في تشخيص مرض كورونا. تستخدم VGG16 وResNet50 فلتر ثابت الحجم (3 × 3) يساعد في اكتشاف مناطق الاصابة الصغيرة وتسمح ايضاً بزيادة عمق الشبكة، وفي الطريقة الثانية تعمل تقنية Attention على توجيه الشبكة أثناء التدريب وتمكين التعلم السريع، بينما تساعد Residual في التغلب على مشكلة اختفاء ال gradient اثناء عملية التعلم. جميع النماذج المقترحة تعتمد على التعلم العميق من بداية اول جزء في الشبكة الى اخر جزء دون الحاجة للتدخل يدوياً. لتقييم المنهجية المقترحة، قمنا ببناء مجموعة بيانات من مجموعة من البيانات المتاحة على الانترنت وتم مراجعتها من قبل اختصاصي أشعة للتأكد من عدم وجود اشعه لا تحتوي على نسيج رئوي. كذلك قمنا باستخدام ثلاث نسب تقسيم للبيانات لتدريب جميع النماذج المقترحة بحيث اخترنا بشكل عشوائي 70٪ و50٪ و30٪ من العينات لتدريب كل نموذج وذلك للتأكد من قدرة المنهجية المقترحة على التعلم في حال عدم وجود بيانات كثيره، ومن خلال نتائج التقييم وجدنا القدرة العالية للمنهجية المقترحة على تمييز صور الاشعة المقطعية السلمية من تلك المصابة بالتهاب رئوي ناتج عن فيروس كورونا او ناتج عن سبب اخر.