سرطان الثدي هو من الأمراض السرطانية الأكثر انتشاراً بين النساء. و تشخيصه في مرحلة مبكرة تتيح إمكانية علاج المرض بشكل أكثر فعالية. و تعد التكلسات أحد أهم العلامات للكشف عن السرطان بمرحلة مبكرة. و التصوير الشعاعي للثدي (الماموغرام) هو الأسلوب الأمثل و
المتبع للكشف عن آفات الثدي باستخدام جرعات منخفضة من الأشعة. و قد أثبتت الدراسات أن حساسية الماموغرام قابلة للتحسن بين 15% و 30% بالاعتماد على أنظمة التشخيص بمساعدة الحاسب (CAD (Computer Auto-Detection، و التي تعد بمنزلة قارئ ثانٍ لتنبيه الطبيب إلى مناطق قد يغفل عنها. تلخص هذه المقالة الخوارزميات المختلفة التي نُشرت مؤخراً للكشف عن التكلسات الميكروية و تقارن أداءها. و تناقش أسباب ضرورة اعتماد قاعدة بيانات عامة معيارية لاختبار أداء أنظمة الكشف بمساعدة الحاسب CAD و الدوافع لزيادة كفاءة مختلف أنظمة CAD في المجال التشخيص السريري.
تم بناء نظام استرجاع لصور الطرح الرقمي للأوعية الدموية الدماغية ثنائية الأبعاد اعتماداً على المحتوى. يقوم النظام بإيجاد صور في قاعدة بيانات لصور الطرح الرقمي للأوعية الدموية الدماغية (حالة أمهات الدم الكيسية) ذات محتوى مشابه لصورة استعلام معينة و است
رجاعها. تمت عملية الاستعلام عن طريق استخلاص خصائص الشكل البصرية لأمهات الدم في صورة الاستعلام و صياغتها في متجه خصائص و مقارنة مكوناته مع متجهات خصائص الشكل لأمهات الدم في صور الطرح الرقمي للأوعية الدموية الموجودة في قاعدة البيانات. تم قياس التشابه باستخدام المسافة الاقليدية، و من ثم استرجاع الصور التي لها محتوى مشابها لصورة الاستعلام. تم حساب الدقة بإيجاد نسبة مساحة أم الدم في الصور المسترجعة الأولى إلى مساحة أم الدم في صورة الاستعلام لثمان حالات استعلام تم تنفيذها، بلغت قيمة متوسط الدقة 98%، تبين النتائج أنَّه يمكن استخدام النظام المنفذ لاسترجاع الصور اعتماداً على المحتوى لإيجاد المساحة غير المعلومة لأم الدم من قاعدة بيانات لصور أمهات الدم تكون فيها مساحة أم الدم فيها معلومة.
التصوير الشعاعي للثدي (الماموغرام) هو تقنية تستخدم على نطاق واسع للكشف عن سرطان الثدي، فبالرغم من وجود تقنيات أخرى مختلفة للكشف عن سرطان الثدي إلا أن التصوير الشعاعي للثدي هو الأسلوب الأكثر موثوقية و فعالية في الكشف المبكر عن سرطان الثدي. إن الصور ال
تي يتم الحصول عليها عن طريق التصوير الشعاعي للثدي هي ذات تباين منخفض و هذا ما يسبب مشكلة لأطباء الأشعة لتشخيص المرض من هذه الصور، إذاً، تستخدم تقنيات معالجة الصورة في الحصول على صور ذات جودة عالية، بهدف استخلاص أي نوع من المعلومات منها، لذلك وضعت العديد من الخوارزميات لتحسين تباين الصورة خلال السنوات الماضية. في هذا العمل، اُقْتُرِحَتْ طريقة لتحسين تباين التكلسات في صور الماموغرام، تعتمد هذه الطريقة على تطبيق تحويلي القبعة العليا Top-Hat و القبعة السفلى Bottom –Hat و التي تعتمد على العمليات المورفولوجية الرياضية. اختبرت الطريقة على مجموعة صور ذات أنماط مختلفة من نسج الثدي من قاعدة بيانات معيارية mini-Mias . لتقييم أداء خوارزمية التحسين استخدم معيار تحسين التباين CII، و معيار نسبة ذروة الاشارة الى الضجيج PSNR بعد كل تحسين. تشير النتائج التجريبية أن الخوارزمية المقترحة لديها القدرة على تحسين نظام التشخيص بمساعدة الحاسب (CAD) و خاصة لنسج الثدي الكثيفة.
في السنوات الأخيرة نمت مشكلة تصنيف الكائنات في الصّور نتيجة لمتطلبات القطاع الصناعي.على الرّغم من تعدد التقنيات المستخدمة للمساعدة في عملية التصنيف SIFT Scale Invariant Feature Transforms، ORB Oriented Fast And Rotated Brief , SURF Speed Up Robust
Features، إضافة لشبكات التعلم العميق Deep Learning Neural Network DNN والشبكات العصبونية الالتفافية Convolutional Neural Network CNN، فإن الأنظمة المقترحة لمعالجة هذه المشكلة تفتقر للحل الشّامل للصعوبات المتمثلة بوقت التّدريب الطّويل والذاكرة العائمة أثناء عملية التدريب، وانخفاض معدّل التصنيف. تعتبر الشبكات العصبونية الالتفافيةConvolutional Neural Networks (CNNs) من أكثر الخوارزميات استخداما لهذه المهمة، فقد كانت نموذجا حسابيا لتحليل البيانات الموجودة في الصور. تم اقتراح نموذج شبكة التفافية عميقة جديد لحل المشاكل المذكورة أعلاه. يهدف البحث إلى إظهار أداء نظام التّعرف باستخدام شبكاتCNNs على الذّاكرة المتاحة وزمن التدريب وذلك من خلال منهجة متغيرات مناسبة للشبكة العصبونية الالتفافية. قاعدة البيانات المستخدمة في هذا البحث هي CIFAR10 المكونة من60000 صورة ملونة تنتسب لعشرة أصناف، حيث أن كل 6000 صورة تكون لصنف من هذه الأصناف. يوجد 50000 صورة للتدريب و 10000 صورة للاختبار. حقق النموذج لدى اختباره على عينة من الصور المنتقاة من قاعدة البيانات CIFAR10 معدل تصنيف 98.87%.
