دراسة مقارنة ونموذج هجين (CNN+SIFT) للكشف عن أنماط الأمراض الصدرية في الصور الطبية

الملخص

لقد نجح التعلم العميق بشكل كبير في تشخيص العديد من الأمراض اعتمادا على الصور الطبية . حيث باتت تطبيقات التعلم العميق المختلفة والمستخدمة لتشخيص الأمراض بناءً على الصور الطبية – على اختلاف أنواعها -  أحد النقاط البحثية الهامة في مجال الذكاء الاصطناعي والرؤية الحاسوبية. يجب أن تتميز نماذج الذكاء الاصطناعي المستخدمة في تشخيص الأمراض اعتماداً على الصور الرقمية بالدقة العالية والسرعة في تحليل النتائج ، بالإضافة إلى ذلك, من الضروري الاخذ بعين الاعتبار الخصوصية والتعقيد المتأصلين في التصوير الطبي. يهدف هذا البحث إلى إجراء اختبار وتقييم لنماذج الشبكات العصبية التي يمكن استخدامها للتعرف على الأمراض في الصور الطبية, حيث تم إجراء دراسة نماذج الشبكات العصبية المتقدمة التي ظهرت في السنوات الأخيرة، وبصورة رئيسية نموذج  الشبكة العصبية الالتفافية CNN(Convolutional Neural Network) ، من أجل الكشف عن ثلاثة أمراض في الصور الطبية وهي السرطان, والسل , والكورونا CoVID19. اعتمدت الدراسات السابقة على تحليل عدة نماذج من الشبكات العصبية من أجل تحسين سرعة ودقة البحث لأحد انواع الأمراض الثلاثة. بالمقابل تعتمد الدراسة المقترحة على إجراء تقييم وتطوير بهدف لبناء نموذج شبكة عصبية قادر على كشف عدة أمراض في الصور الطبية بحيث يتمتع النموذج الناتج بالدقة العالية بالإضافة إلى السرعة في عملية التنبؤ وقد أظهر النموذج نتائج جيدة في تصنيف الصور. حيث بلغت دقة النموذج  المستخدم في شبكة AlixNET بحدود 88% وفي نموذج شبكة Resnet بلغت الدقة 92.8% وفي نموذج شبكة U-net كانت الدقة 89% وفي نموذج الشبكة الهجين المقترح بعد إستخدام خوارزمية  SIFTكانت الدقة 94%.