![]() | Only 14 pages are availabe for public view |
Abstract سرطان الرئة هو مرض منتشر بين السكان ومساهم رئيسي في ارتفاع معدل الوفيات. يعتقد خبراء الطب أن الاكتشاف المبكر لسرطان الرئة من خلال فحص التصوير المقطعي المحوسب( CT )يمكن أن يقلل الوفيات في حالات سرطان الرئة. إن فحص عدد كبير من الأشعة المقطعية يمكن أن يقلل من الخطر. ولكن مع الحصول على المزيد والمزيد من صور الأشعة المقطعية، سيجد أخصائيو الأشعة صعوبة متزايدة في تقييم العقيدات بدقة بسبب ثروة المعلومات التي تحتوي عليها. الهدف الرئيسي من هذا العمل هو استخدام صور الرئة المقطعية لتصنيف سرطان الرئة وشدته. يستخدم هذا العمل تقنيات التعلم العميق الهجينة القائمة على الشبكة العصبية التلافيفية( CNN ( و EfficientNet لتصنيف الرئتين السرطانيتين. في هذا العمل، نقترح نموذجًا هجينا لتصنيف سرطان الرئة من خلال الأشعة المقطعية، والذي يجمع بين أفضل ميزات كل من بنيات CNN و Efficient Netيسعى النموذج الهجين المقترح إلى تحسين الدقة والكفاءة الشاملة لتصنيف سرطان الرئة من خلال دمج قوى استخراج الخصائص الخاصة بشبكات CNN مع كفاءة EfficientNet وقابليتها للتوسع. ويمثل هذا تطوراً واعداً في مجال تحليل الصور الطبية. يتم استخدام CNN و EfficientNet في هذا العمل لاستخراج الخصائ ص. بعد استخراج الخصائ ص، يتم استخدام التعلم العميق لدمج هذه الخصائ ص وتصنيفها. إن الاكتشاف والتشخيص المبكر الدقيق والدقيق لسرطان الرئة هو بشكل عام العامل الحاسم في وفيات سرطان الرئة. ويتوقع أن يكون أداء نموذج التعلم العميق المختلط EfficientNet+CNN أفضل من بعض الأسالي ب الأخرى. يعد الاختيار اليدوي لميزة من مجموعة البيانات التي تعمل الخوارزم بشك ل أفضل عليها أمرًا صعبًا للغاية. وبالتالي، قبل إدخال البيانات في خوارزم التعلم الآلي، يلزم فهم مجموعة البيانات واستخراج الخصائ ص منها. يؤثر اختيار الخاصية هذا في النهاية على مدى دقة نماذج التعلم الآلي. يتم دمج مزايا نماذج CNN و EfficientNet في نموذج التعلم العميق المختلط. تستخدم هذه الطريقة مصنف SoftMax DL للتصنيف و CNN و EfficientNet لاستخراج الخصائص يوفر نموذج DL مدخلات أولية يتم من خلالها استخراج الخصائ ص ولا يتطلب طريقة منفصلة لاختيار الخصائص. يجمع المخطط المقترح بين فوائد كلا أسلوبي التعلم، مما يؤدي إلى نتيجة حاسمة أسرع وأكثر دقة من بعض الطرق السابقة. وسيتضمن العمل المستقبلي إضافة المزيد من البيانات السريرية إلى النموذج، مثل التركيبة السكانية للمريض، وتاريخ التدخين، والمعلومات الوراثية لزيادة دقة التصنيف . تم في الفصل الأول عر ض تشريح الرئة ووظائفها وتناقش المضاعفات الطبية لامرا ض الرئة. بالإضافة إلى ذلك، تم استعراض الدراسا ت ذات الصلة بتقنيات الذكاء الاصطناعي للكشف عن سرطان الرئة وتشخيصه في قسم الاعمال السابقة. ويحمل الفصل الثاني عنوانه الرئيسي المبادئ الفيزيائية للتصوير التشخيصي الطبي، حيث تم اختيار أربع طرق للحديث عن طريقة عملها الفيزيائية باختصار، وهي شرح الأشعة السينية للتشخيص والعلاج، والأشعة المقطعية، والتصوير المقطعي، وجهاز التصوير بالرنين المغناطيسي. أما الفصل الثالث فيشمل أساسيات تحليل الصور الطبية باستخدام تقنيات التعلم الآلي والتعلم العميق. يبدأ بالمراحل المختلفة للمعالجة المسبقة للصور الطبية. ثم يليه التعريفات بأدوات التجزئة واستخراج الخصائ ص لفهم عملية التحديد، ثم الشبكات العصبية المختلفة . تم في الفصل الرابع عرض النتائج العملية لتكامل أحدث البنى التي تمثل تقدمًا كبيرًا في تحسين القدرات التشخيصية، مما يؤدي في النهاية إلى تحديد أكثر دقة وفي الوقت المناسب لسرطان الرئة من بيانات التصوير المقطعي المحوسب. يتمتع النموذج الهجين المقترح بالقدرة على إحداث تقدم كبير في أحدث ما توصلت إليه التكنولوجيا في تحليل الصور الطبية، كما يتضح من التحسينات الملحوظة التي أجريناها في دقة التصنيف والكفاءة الحسابية. تبلغ دقة التصنيف الإجمالية للخوارزم المقترح ٩٥٫٦ ٪، مع استدعاء ٩٧٫٠ ٪، ودقة ٩٥٫٠ ٪، وخصوصية ٩٤٫١ ٪، و ٩٦٫٠ ٪ درجة F1 . توضح النتائج فعالية النموذج الهجين الذي يدمج بنيات CNN و EfficientNet ، متفوقًا على بع ض التقنيات في تصنيف سرطان الرئة من خلال الأشعة المقطعية . |