الفهرس 
Chapter 1 IntroductionOnly 14 pages are availabe for public view
 |  | from | 150 |  |  |
| | | from | 150 | | |
Abstract
في الوقت الحاضر، أصبحت التكنولوجيا جزءا هاما من الحياة اليومية للإنسان. وقد ادى تطورها الى المساعدة فى تحسين الخدمات الطبية من خلال تحويلنا من مستخدمين عاديين للهواتف المحمولة إلى استخدامنا لقواعد البيانات الطبية للمساعدة في تشخيص الأمراض. في نهاية عام 2019 تسبب مرض كوفيد-19 في زيادة معدلات الوفيات. وقد حدث ارتفاع معدل الوفيات بسبب تحديد الأطباء الخاطئ أو المتأخر لشدة خطورة مرض كوفيد-19. لذلك، نركز في هذه الرسالة على تطوير أنظمة التشخيص بمساعدة الحاسوب لمحاربة فيروس كورونا من خلال التحديد الفوري لشدة خطورة فيروس كوفيد-19 في المرحلة المبكرة من الإصابة. وللقيام بذلك، نقترح فى هذه الرسالة أربعة أنظمة تصميم بمساعدة الحاسوب (CAD) تستخدم الشبكات العصبية لتحليل الأشعة المقطعية للمرضى لمساعدة الأطباء على تحديد المرضى الاكثر عرضه للوفاة بسبب مرض كوفيد-19 بطريقة فعالة وسريعة. في النظام الأول يتم تحليل مناطق الرئة والآفات من الأشعة المقطعية للمرضى لإثبات أن استخدام الآفات يحقق دقة أعلي في تحديد مستوى خطورة كوفيد-19. يصنف هذا النظام شدة مرض كوفيد-19 علي أنها اصابه خفيفة أومتوسطة أوشديدة. يستخرج هذا النظام ثلاث انواع مختلفة من الطاقة (Gibbs energies) (صحية/خفيفة ومتوسطة وشديدة) من الأشعة المقطعية للمرضى عن طريق تطبيق خوارزمية (MGRF) Markov-Gibbs Random Field ثنائي الأبعاد. بعد ذلك يتم حساب دالة التوزيع التراكمي واستخراج بعض العلامات الإحصائية من كل تصنيف. هذه العلامات الإحصائية تسمي CDF percentiles. ثم يتم تمثيل كل مريض عن طريق دمج العلامات الإحصائية الثلاثة المستخرجة معًا ثم يتم تحديد شدة خطورة المرض عن طريق تطبيق backpropagation neural network architecture. تم تقييم هذا النظام على 76 مريضاً مصابين بـ كوفيد-19 باستخدام مقياسين accuracy و Kappa. تم تدريب هذا النظام واختباره باستخدام ثلاث نُهُجٍ. تم تدريب نموذج MGRF واختباره على الرئتين والآفات في النهجين الأول والثاني على التوالي. في النهج الثالث تم تدريب نموذج MGRF على الآفات واختباره على الرئتين. أظهرت النتائج أن استخدام الآفات في تصنيف شدة مرض كوفيد-19 قد حقق نتائج أفضل من النهجين الآخرين حيث أنه حقق 100٪ accuracy و 100٪ Kappa. ترجع زيادة معدل الوفيات الناتجة من كوفيد-19 الي التحديد المتأخر وغير الدقيق لمستوى الدعم التنفسي المطلوب لكل مريض منذ بداية الإصابة. لذلك في النظام الثانى تم اقتراح نظام تشخيص بمساعدة الحاسوب مبني على تقنيات الذكاء الاصطناعي يمكنه التنبؤ بمستوي الدعم التنفسي الذي يحتاجه كل مريض كوفيد-19 حتي يتعافى من هذا المرض. يعتمد هذا النظام علي تحليل الارتباط بين الآفات المستخرجة من صور الأشعة المقطعية ومستوى الدعم التنفسي المقدم للمرضى السابقين. استخدامنا في هذا النظام التصوير المقطعي لتحليل المستويات الثلاثة لدعم الجهاز التنفسي التي يحتجها كل مريض للتعافي من الاصابة: المستوى 0 (عدم الحاجة للدعم التنفسي) والمستوى 1 (الدعم غير الغازي مثل الأكسجين) والمستوى 2 (الدعم الغازي مثل التهوية الميكانيكية). تم تطبيق MGRF علي كل مستوي دعم علي حده لاستخراج المميزات من الآفات. لذلك سيكون هناك ثلاث نماذج ناتجة من تطبيق MGRF (واحده لكل مستوى من مستويات الدعم التنفسي). في مرحلة التشخيص يتم تطبيق architecture neural network على مرحلتين. في المرحلة الأولى تم تدريب واختبار الخصائص المستخرجة لكل نموذج على حدة ثم يتم دمج نتائج المرحلة الأولى لتصنيف كل مريض في المرحلة الثانية. تم اختبار هذا النظام علي مجموعة بيانات مكونه من 307 مريض مصاب بكوفيد-19. وأظهرت النتائج التجريبية أن هذا النظام قد حقق مستوى عالي من دقة التنبؤ حيث أنه حقق 97.72% ±1.57 accuracy و 97.76% ± 4.08 sensitivity و98.87% ± 2.09 specificity. نظرًا لوقت التشغيل والموارد التي يستهلكها النظامين المقترحين السابقين، فهذه الرسالة تقترح و تطور نظامين تشخيص بمساعدة الحاسوب (CAD) صديقين للبيئة اعتمادًا على خوارزميات استخلاص الميزات السريعة والمصنوعة يدويًا لتقليل الوقت والموارد المستهلكة. في النظام المقترح الأول الصديق للبيئة يتم تصنيف شدة مرض كوفيد-19 إلي صحية/خفيفة أومتوسطة أوشديدة عن طريق استخدام خوارزميات handcrafted لاستخراج المميزات و neural network architecture. في هذا النظام تم تطبيق ثلاث خوارزميات (t-Distributed Stochastic Neighbor Embedding (TSNE) و Gray-Level Co-Occurrence Matrix (GLCM) وGray (GLRLM)Level Run Length Matrix) لاستخراج مميزات الدرجة الثانية من الآفات. تم تحسين مرحلة استخراج المميزات عن طريق استخراج المميزات من الآفات بدلاً من صور الأشعة المقطعية الكاملة أو الرئتين. بعد ذلك يتم حساب دالة التوزيع التراكمي و بعض العلامات الإحصائية (CDF percentiles) للمميزات المستخرجة لجعل المميزات أكثر وضوحًا لتمثيل كل فئة. أظهرت النتائج التجريبية أن استخدام GLCM اوGLRLM في استخراج المميزات من صور الأشعة المقطعية يحقق نتائج أفضل من استخدام TSNE حيث حقق النظام 100٪ accuracy و 100٪ specificity و 100٪ kappa. تم أيضًا إجراء تحليل green computing لهذا النظام والذي أثبت أن نموذج GLCM يستهلك موارد وقت أقل مما تستهلكه الطرق الأخرى ومن النظام الأول. في الأنظمة السابقة، يتم تصنيف كل مريض إلى واحدة من الفئات الثلاثه : صحي، أو خفيف، أو شديد. يمكن التمييز بسهولة بين هذه الفئات الثلاث باستخدام صور الأشعة المقطعية للمريض لأن رئيتي المرضى الأصحاء ليس بهم أي تشوهات. لذلك في النظام المقترح الثانى والصديق للبيئة تم تطوير نظام تشخيص جديد بمساعدة الحاسوب لتحليل صور الأشعة المقطعية لتصنيف مريض كوفيد-19 الي ثلاث مستويات خطورة اخري أكثر تعقيداً : متوسطة أو شديدة أو خطيرة. في هذا النظام يتم تطبيق ثلاثة خوارزميات (Histogram of Oriented Gradients (HOG) و Speeded Up Robust Features (SURF) وطريقة هجينة جديدة تتكون من مزيج من Discrete Wavelet Transform (DWT) و GLCM) لاستخراج بعض الخصائص الهامة من الآفات. تم تطوير ايضا neural network architecture جديد يتكون من مرحلتين. في المرحلة الأولى يتم تدريب واختبار الخصائص المستخرجة لكل خوارزمية على حدة ثم يتم دمج نتائج المرحلة الأولى لتدريب واختبار كل مريض في المرحلة الثانية. أظهرت النتائج التجريبية أن نظامنا المقترح قد حقق 100٪ accuracy و kappa. تم تحليل هذا النظام باستخدام خوارزمية green computing التي أثبتت أن هذا النظام يستهلك موارد ووقت تشغيل أقل من جميع الانظمة السابقة المقترحة. محتوى الرسالة : تقع الرسالة في (6) فصول كالتالي : الفصل الأول : فى هذا الفصل تم عرض مقدمة عن مرض كوفيد-19 و دور الذكاء الاصطناعي في التطبيقات الطبية مع توضيح لكل الصعوبات التي واجهتنا للقيام بهذا العمل و تم أيضا ذكر الهدف من هذه الرسالة والدوافع التى من اجلها تم البدء بالعمل بهذه الرسالة. الفصل الثانى : فى هذا الفصل تم عرض تأثير كوفيد-19 علي الرئة والأنف والقلب وعرض خوازميات تعلم الآله المستخدمة في هذه الرسالة ومناقشة بعض من الأعمال السابقة و المرتبطة بموضوع الرسالة وتوضيح بعض عيوبها. الفصل الثالث : فى هذا الفصل تم عرض النظام المقترح الأول لتحديد شدة مرض كوفيد-19 باستخدام الآفات والرئتين و النظام المقترح الثاني لتحديد مستوي الدعم التنفسي الذي يحتاجه كل مريض عند بداية الإصابة بكوفيد-19 باستخدام مرحلتين من neural network architecture الفصل الرابع : فى هذا الفصل تم عرض النظام المقترح صديق البيئة الأول لتحديد شدة مرض كوفيد-19 باستخدام الآفات وخوارزميات استخراج المميزات اليدوية و كذلك عرض النظام المقترح صديق البيئة الثانى لتحديد شدة مرض كوفيد-19 باستخدام مرحلتين منneural network architecture. الفصل الخامس : فى هذا الفصل تم عرض التجارب العملية للأنظمة الأربعة المقترحة بالرسالة مع عرض لنتائجها و تحليلها و مناقشتها. الفصل السادس : يلخص هذا الفصل محتوي الرسالة مع مناقشة بعض الأعمال المستقبلية.