الفهرس 
Chapter1 : IntroductionOnly 14 pages are availabe for public view
 |  | from | 260 |  |  |
| | | from | 260 | | |
Abstract
تعتبر صور الأشعة الطبية Medical Imaging (MI) مصدراً قيما للكشف عن مختلف الأنواع من الأمراض الخطيرة وطريقه فعالة لتشخيص هذه الأمراض. بسبب التوافر المتزايد لمجموعة البيانات المحتوية على الكثير من الصور الطبية MI datasets أدي ذلك إلي كثرة استخدامها لتشخيص الأمراض في أنظمة بمساعدة الحاسب الألي Computer Aided Diagnosis system (CAD) . حاذت أنظمة تشخيص صور الأشعة الطبية CAD على اهتمام الكثير من الباحثين فهي تستخدم على نطاق واسع في الكشف عن الأمراض التي يتم تشخيصها عن طريق الأشعة الطبية. من المراحل الرئيسية لنظام Computer Aided Diagnosis system (CAD) مرحلتين أساسيتين وهم:
1- تجزئة الصور Image Segmentation.
2- التصنيف Classification.
تعتبر تجزئة الصور Image Segmentation هي مرحلة ضرورية وأساسية في معالجة الصور وتحليلها. إذا كانت نتيجة التجزئة غير صحيحة يؤدي ذلك الى عدم دقة نظام التصنيف Classification .يتم استخدام تقنيات تجزئة الصور Image Segmentation لاختيار أفضل قيم لازمة لفصل الصورة الي عدة أجزاء. بالإضافة الي ذلك حصلت تقنيات Multilevel thresholding انتباه العديد من الباحثين لعدة سنوات بسبب سهولة استخدامها وتنفيذها. قد تبين ان الزمن الازم لتنفيذ واجراء ال Multilevel thresholding يتزايد بشكل كبير مع زيادة عدد القيم الازمة لتقسيم الصور فهي تعتبر مشكلة تحسين Optimization Problem وأفضل حل لهذه المشكلة هو باستخدام الخوارزميات المستوحاة من الطبيعة Meta-heuristics algorithms والتي اثبتت كفاءتها في حل العديد من المشاكل خلال السنوات الماضية وحتى الان لذلك تم استخدام ال Meta-heuristics optimization algorithms في حل مشاكل تجزئة الصور Multilevel thresholding segmentation .
أهداف الرساله:
1- تقديم دراسة شاملة للأعمال التي سبق التوصل اليها الخاصة بتجزئة وتصنيف سرطان الثدي وكذلك عرض لجميع أنواع الصور الطبية المستخدمة في اكتشاف الامراض وكذلك دراسة طرق تجزئة مرض كوفيد 19 وعرض أحدث ما توصل اليه الباحثين في اكتشاف وتشخيص هذا المرض باستخدام صور الاشعة المقطعية وكذلك تم عرض الأبحاث التي نشرت في هذا المجال وخاصة باستخدام تقنيات تعلم الالة (Machine Learning) والتعلم العميق (Deep Learning).
2- تقديم إصدارا جديدا من خوارزمية حديثة وهي Chimp Optimization Algorithm والهدف منها هو استخدام هذه الخوارزمية المحسنة في تجزئة صور سرطان الثدي بهدف اكتشاف المرض بطريقه دقيقه وتحسين نتائج التجزئة للطريقة الاصلية وذلك للحصول علي افضل قيم (Multilevel Thresholding) لتجزئة وتقسيم الصور الطبية حيث تم استخدام طريقتين للعمل في تجزئة الصور وهم طريقة (OTSU) و طريقة (KAPUR) .
منهج الرساله:
تقدم الرسالة نموذج يتضمن التعلم العميق Deep Learning هو جزء من الذكاء الاصطناعي Artificial intelligence(AI) والذي نتج عن استخدامه في مجال تصنيف الصور الطبيعية نتائج دقيقة ومن اهم أنواع ال DL هو ال CNN والتي بدورها تستخدم بكثرة في تقسيم وتصنيف ال Medical Imaging. تعد شبكات CNN تقنية شائعة لتصنيف الصور حيث تتضمن استخراج مميزات الصور Image Features بشكل تلقائي. تعتمد شبكات CNNs على العديد من المعاملات Hyperparameters والتي تؤثر بشكل كبير على كفاءة ونتيجة طريقة CNN model ولذلك يجب اختيار قيم هذه المعاملات Hyperparameters selection بطريقة دقيقة لتحقيق أفضل النتائج. توجد عدة طرق لتحديد هذه القيم حيث يقوم بعض الباحثين بتحديد هذه القيم يدوياً وذلك يؤدي الي اهدار الكثير من الوقت والجهد المبذول فهي طريقة معقدة وتستغرق الكثير من الوقت, لذلك اصحبت مشكلة تحسين Optimization Problem وتقوم الخوارزميات المستوحاة من الطبيعة بحل هذه المشكلة Meta-heuristics algorithms.
يتضمن العمل في هذه الرسالة تحديدا على تصنيف وتجزئة الصور الطبية الخاصة بسرطان الثدي Breast Cancer وصور الاشعة المقطعية CT-Images الخاصة بتشخيص Covid-19 حيث يعتبر covid-19 في الآونة الأخيرة أكثر الامراض انتشارا حول العالم. تم اقتراح وتقديم ثلاث طرق باستخدام الخوارزميات المستوحاة من الطبيعة Meta-heuristics algorithms في حل مشاكل تجزئة الصور Image Segmentation وتجزئتها Classification وذلك للحصول على نظام CAD دقيق.
النتائج:
1. تقديم نموذجا خاص بتصنيف سرطان الثدي Breast Cancer Classification والتي تستخدم نوع من أنواع التعلم العميق وهي شبكة ال Convolutional Neural Network CNN وتم تحسين نتائج هذا النموذج باستخدام خوارزمية جديده تم اقتراحها وهي عباره عن إصدارا جديدا من الخوارزمية التي تسمي Marine Predators Algorithm حيث ساهمت في تحسين نتائج عملية تصنيف سرطان الثدي مقارنة بأحدث الطرق المقترحة في المجال.
2. تقديم خوارزميه محسنة من الإصدار الأصلي لخوارزمية حديثه تسمي Manta Ray Foraging Optimization Algorithm تم تطويرها واستخدامها لتحسين نتائج الخوارزمية الأصلية للاستخدام في التجزئة للصور الطبية (Image Segmentation) حيث تقوم بتجزئة الصور المقطعية (CT-Images)الخاصة بمرض كوفيد 19 لسرعة اكتشافه وأثبتت هذه الطريقة كفاءة عالية مقارنة بخوارزميات اخري من خلال ال PSNR , SSIM
التوصيات:
1- يوصي بتقديم حلول لبعض الانظمة الخاصه بالصور الطبية في المجالات الاخري.
2- تطبيق النموذج علي اكثر من مجال طبي في اطار النموذج المقترح.