ترغب بنشر مسار تعليمي؟ اضغط هنا

استخدمت في هذه الورقة مائة صورة من تصوير مقطع محوسب للصدر لمرضى الكورونا لبناء واختبار مصنف بايز الغوصي لتمييز النسج الطبيعية من النسج الغير طبيعية. قسمت المناطق المصابة في هذه الصور يدويا بواسطة اخصائي اشعة خبير. أجريت عملية استخراج قيمة البكسل ال رمادية والانتروبيا المحلية وقيم الهستوغرام للتدرجات الموجهة كميزات لتصنيف صور الانسجة. استنادا إلى تجارب تصنيف ذات خمس طيات، وصلت درجة دقة المصنف إلى حوالي 79.94%. كان التصنيف أكثر دقة (٨٥٪) في التعرف على الأنسجة الطبيعية من الأنسجة غير الطبيعية (٦٣٪). كانت أيضا الفعالية في تحديد المناطق أكثر وضوحاً في الأنسجة غير الطبيعية.
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%.
إن الحجم الهائل للصور الرقمية المنتجة من المشافي تزداد بسرعة. الصور الطبية يمكن أن تلعب دوراً مهماً بالمساعدة في التشخيص و المعالجة. و يمكن أن تكون مفيدة أيضاً في مجال التعليم لطلاب الطب بواسطة الشرح لهذه الصور الذي يساعدهم في دراستهم. مجال جديد لاست عادة الصور باستخدام تصنيف الصور الالي تمت مناقشته خلال السنوات الماضية. تصنيف الصور الطبية يمكن أن يلعب دوراً مهماً لأغراض التشخيص و التدريس الطبية. لهذه الاسباب عدة معالجات للصور تم استخدامها. في هذه الورقة أولاً: تمت دراسة مجموعة من الطرائق المتضمنة خلال خطوات معالجة الصور الطبية, مثل المرشح الوسيط, و معادلة الرسم البياني. ثانياً: تحديد و استخراج الخصائص الهامة للصور, كمصفوفة التدرج الرمادي. ثالثاً: تقنيات التصنيف و التي تقسم الى ثلاث طرق: 1- تصنيف الاكساء, 2- تصنيف الشبكات العصبونية, 3- تصنيف ك- أقرب جار. رابعاً: تم في هذا البحث استخدام صور الرنين المغناطيسي للدماغ لتحديد منطقة الورم في الدماغ. تبدأ الخطوات بإجراء معالجة أولية للصورة قبل إدخالها الى الخوارزمية بتحويلها إلى صورة ثنائية بتدرج رمادي ليتم بعد ذلك إزالة المعلومات النصية من الصورة (معلومات المريض و بارامترات صورة الدماغ) و ذلك باستخدام خوارزمية خاصة، بعد ذلك يتم إزالة أجزاء الجمجمة من صورة الدماغ دون التأثير على المادة البيضاء و المادة الرمادية في الدماغ. ثم بعد ذلك يتم استخدام مرشح معدل (مطور) عن المرشح الوسيط لإزالة الشوائب من الصورة الرقمية الناتجة.
قمنا في هذا البحث بإدخال خوارزمية اختيار السمات المستندة على الضبط regularization للاستفادة من خصائص الخلخلة و تجميع السمات و ادراجه في مهمة تصنيف الصور الطبية، باستخدام الطريقة المعتمدة على خلخلة المجموعة group sparsity التي تُمكن من الإبقاء أو ال حذف على مجموعة كاملة من السمات. إن الفكرة الأساسية في خلخلة المجموعة هي حذف السمات التي لا تؤثر على عملية الاستعادة بدلاً من الإبقاء على هذه السمات و اعطائها أوزان قليلة، و بالتالي تعتبر كخوارزمية لتحسين النظام عن طريق زيادة دقة النتائج بالإضافة الى تخفيض المتطلبات الزمنية و التخزينية التي يحتاجها النظام.
نقدم في هذا البحث خوارزمية جديدة لأتمتة عملية كشف و استخراج الأبنية من صور الأقمار الصناعية, و تتميز هذه الخوارزمية عن غيرها كونها تتغلب على بعض المعوقات التي شكلت محدودية في الكشف ضمن طرق و خوارزميات أخرى مثل الاختلاف في شكل و لون و ارتفاع الأبني ة, و عدم الحاجة لصور متعددة الطيف أو غيرها من البيانات المعقدة أو ذات الكلفة العالية.
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا