اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدتطوير نظام فعال لتصنيف الصور الطبية باستخدام خلخلة المجموعة و التحسين الضبابي
Developing an effective system for medical image classification using Group Sparsity and fuzzy enhancement
1693
3 39
0
(
0
)
نشر من قبل
جامعة البعث ورقة بحثية
تاريخ النشر
2016
مجال البحث
الهندسة المعلوماتية
والبحث باللغة
العربية
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
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 الحذف 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.
In this research we introduce a regularization based feature selection algorithm to benefit from sparsity and feature grouping properties and incorporate it into the medical image classification task. Using this group sparsity (GS) method, the whole group of features are either selected or removed. The basic idea in GS is to delete features that do not affect the retrieval process, instead of keeping them and giving these features small weights. Therefore, GS improves system by increasing accuracy of the results, plus reducing space and time requirements needed by the system.
مراجعة الذكاء الصنعي:
ملخص البحث
تقدم هذه الورقة البحثية نظامًا فعالًا لتصنيف الصور الطبية باستخدام خلخلة المجموعة والتحسين الضبابي. تزداد كمية الصور الطبية المنتجة في المستشفيات بشكل هائل، مما يستدعي الحاجة إلى طريقة فعالة لتصنيف وتوصيف هذه الصور آليًا باستخدام المحتوى، نظرًا للأخطاء الموجودة في الأوسمة المرتبطة بها. تعتمد العديد من الأبحاث على السمات المحددة مسبقًا لتوصيف الصور، ولكنها لم تدرس خصائص هذه السمات والعلاقات بينها. في هذا البحث، تم تقديم خوارزمية اختيار السمات المستندة إلى الضبط للاستفادة من خصائص الخلخلة وتجميع السمات وإدراجها في مهمة تصنيف الصور الطبية. تعتمد طريقة خلخلة المجموعة على حذف السمات التي لا تؤثر على عملية الاستعادة بدلاً من الإبقاء عليها وإعطائها أوزان قليلة. أظهرت نتائج الدراسة على قاعدة بيانات مشروع IRMA دقة تصنيف تصل إلى 93%، مما يعزز فعالية النظام المقترح في التعامل مع تحديات الصور الطبية.
قراءة نقدية
دراسة نقدية: على الرغم من أن البحث يقدم نظامًا مبتكرًا وفعالًا لتصنيف الصور الطبية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، النموذج يعتمد بشكل كبير على البيانات المتاحة من مشروع IRMA، مما قد يحد من تعميم النتائج على قواعد بيانات أخرى. ثانيًا، لم يتم اختبار النظام بشكل كافٍ على أنواع مختلفة من الصور الطبية مثل صور الرنين المغناطيسي أو الصور الشعاعية. ثالثًا، يمكن تحسين النموذج من خلال دمج تقنيات تعلم الآلة الحديثة مثل الشبكات العصبية العميقة التي أثبتت فعاليتها في تصنيف الصور. أخيرًا، يجب إجراء المزيد من الدراسات لتقييم أداء النظام في بيئات سريرية حقيقية.
أسئلة حول البحث
-
ما هي المشكلة الرئيسية التي يعالجها البحث؟
يعالج البحث مشكلة الحاجة إلى طريقة فعالة لتصنيف وتوصيف الصور الطبية آليًا باستخدام المحتوى، نظرًا للأخطاء الموجودة في الأوسمة المرتبطة بها.
-
ما هي الخوارزمية المستخدمة في البحث لتحسين عملية تصنيف الصور الطبية؟
تم استخدام خوارزمية اختيار السمات المستندة إلى الضبط، والتي تعتمد على خلخلة المجموعة لتحسين عملية تصنيف الصور الطبية.
-
ما هي دقة التصنيف التي حققها النظام المقترح في البحث؟
حقق النظام المقترح دقة تصنيف تصل إلى 93% عند اختباره على قاعدة بيانات مشروع IRMA.
-
ما هي النقاط التي يمكن تحسينها في البحث؟
يمكن تحسين البحث من خلال اختبار النظام على أنواع مختلفة من الصور الطبية، دمج تقنيات تعلم الآلة الحديثة، وإجراء المزيد من الدراسات لتقييم أداء النظام في بيئات سريرية حقيقية.
المراجع المستخدمة
Lehmann, Thomas M., et al., et al. Automatic categorization of medical images for content-based retrieval and data mining. s.l. : Computerized Medical Imaging and Graphics, 2005
Kohnen, Michael, et al., et al. Quality of DICOM header information for image categorization. 2002
Zhang, Shaoting, et al., et al. Automatic Image Annotation and Retrieval Using Group Sparsity. s.l. : IEEE, 2012
قيم البحث
اقرأ أيضاً
إن من وظائف نظام التعليق في السيارة عزل الاهتزازات الناتجة بسبب وعورة الطريق عن السائق و تأمين قيادة مريحة. و لكن تصميم أنظمة التحكم لأنظمة التعليق نصف الفعالة أمر صعب بسبب اللاخطية التي تبديها العناصر المكونة لهذه الأنظمة مما جعل الدراسات المرتبطة ب
ها تتسم بالتعقيد. لذلك و في سبيل تحسين أداء أنظمة التعليق نصف الفعالة دون تكلف عناء تصميم متحكم يعتمد على النموذج مباشرة تم تصميم نظام تحكم باستخدام المتحكم الضبابي ذاتي التنظيم بالاعتماد على مبدأ التأخير في الجزاء للتحكم بنظام تعليق نصف فعال يستخدم المخمدات المغناطيسية الريولوجية. إذ يقوم المتحكم بمحاولة تحسين أداء النظام بناء على الاستجابة المرغوبة الموصوفة في جدول الجزاء. يستخدم المتحكم الضبابي متغيرين كدخل للمتحكم و هما سرعة الكتلة المعلقة و سرعة الكتلة غير المعلقة. باستخدام نموذج ربع سيارة بدرجتي حرية تمت نمذجة و محاكاة النظام في بيئة MATLAB & Simulink®، و تمت مقارنة النتائج مع استراتيجية sky-hook الواسعة الاستخدام، حيث أظهرت المحاكاة قدرة المتحكم الضبابي ذاتي التنظيم على تقديم نتائج جيدةفي التقليل من تسارع الكتلة المعلقة في نماذج الطرق المتنوعة بالمقارنة مع استراتيجية sky-hook.
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.
تم في هذا البحث دمج تقنيتين من تقنيات الذكاء الصنعي، و هما خوارزمية أمثلية مستعمرة النمل
(ACO) و الخوارزمية الجينية (GA) لتحقيق أمثلية نظام التعلم المُعزّز العودي لتداول الأسهم. و يعتمد نظام التداول المقترح على خوارزمية أمثلية مستعمرة النمل و الخوار
زمية الجينية لاختيار مجموعة مثالية من
المؤشرات الأساسية و الفنية لتحسين أداء التداول.
يعتبر التبخر- نتح أحد المكونات الهامة في الدورة الهيدرولوجية، و تعد القدرة على
التنبؤ الدقيق بقيم هذه الظاهرة من العوامل الهامة في العديد من تطبيقات الموارد المائية.
تهدف هذه الدراسة إلى التنبؤ بقيم التبخر نتح المرجعي الشهري, باستخدام الشبكات العصبية الاصطناعية و نظام الاستدلال الضبابي.
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%.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
