تصنيف صور الأشعة السينية للصدر باستخدام التعلم العميق

العناوين الأخرى

Classification of chest x-ray images using deep learning

المؤلفون المشاركون

محمد ملحم
مضر حماد

المصدر

مجلة جامعة دمشق للعلوم الهندسية : مجلة علمية محكمة دورية

الناشر

جامعة دمشق

تاريخ النشر

2022-12-31

دولة النشر

سوريا

عدد الصفحات

10

التخصصات الرئيسية

تكنولوجيا المعلومات وعلم الحاسوب

الملخص العربي

تعد أمراض الرئة بما فيها السرطان (وفقا لمنظمة الصحة العالمية WHO) أكثر أسباب الوفاة شيوعا في جميع أنحاء العالم.

بالمقابل، تتحسن معدلات البقاء على قيد الحياة لأنواع كثيرة من أمراض الرئة بفضل التحسينات التي تشهدها طرق الكشف عن هذه الأمراض و علاجها والوقاية منها.

تستخدم صور الصدر الشعاعية (بالأشعة السينية) في تقييم الأمراض المختلفة، و يعد تحليل و اختبار هذه الصور من الإجراءات الطبية الشائعة، نظرا لتكلفتها المنخفضة و انتشارها الواسع.

يمكن أن يساهم وجود طرق آلية تعتمد على الذكاء الاصطناعي لتحليل هذه الصور في تحسين الكفاءة و تقليل احتمالية حدوث أخطاء في التشخيص.

يتناول هذا البحث طريقة معتمدة على الشبكة العصبونية الالتفافية و المعالجة المسبقة للصورة لتصنيف صور الأشعة السينية للصدر إلى فئتين (تحتوي أو لا تحتوي على كتل في الرئة).

حيث سنقوم ببناء شبكة CNN لهذا العمل.

كما تم اقتراح و اختبار ثماني منهجيات تتضمن معيار الضغط JPEG و تقنيات تحسين الصورة الآتية : مرشح تسوية الهيستوغرام، تصحيح غاما، مرشح تسوية الهيستوغرام التكيفي المحدود التباين، المرشح الوسيط.

أظهرت النتائج أن المنهجية المتضمنة تطبيق مرشح CLAHE ثم معيار JPEG حققت دقة أعلى مقارنة بباقي المنهجيات المقترحة، حيث بلغت دقة التثبيت للنمـوذج %92.41 و F1-Score بلغت 0.556.

من جهة أخرى، ساهم استخدام معيار JPEG لضغط الصـور المحسنة بتقليل حجم مجموعة البيانات، مما خفض من مدة تدريب النموذج، بالتالي تحسين دقة التثبيت.

الملخص الإنجليزي

Lung diseases (including cancer) are according to the "World Health Organization" the main cause of death worldwide.

Conversely, survival rates for many types of lung diseases are improving thanks to improvements in cancer detection, treatment, and prevention.

Chest radiographs (X-rays) are used as a tool to detect early lung tumors, and the analysis and testing of these images is a common medical procedure, due to its low cost and widespread use, but errors in the diagnosis will have significant negative effects, or even lead to the death of the patient.

So having automated, AI-based ways of analyzing these images can improve efficiency and reduce the possibility of misdiagnosis.

This paper deals with a method based on convolutional neural network and image preprocessing to classify chest x-ray images into two categories (either containing lung masses or not).

Where we will build a CNN for this work.

Eight methodologies have been proposed and tested that include JPEG compression standard and the following image enhancement techniques : Histogram equalization (HE), Gamma Correction, Contrast Limited Adaptive Histogram Adjustment (CLAHE), Median Filter.

The results showed that the methodology that included applying the CLAHE filter and the JPEG standard achieved a higher accuracy compared to the rest of the proposed methodologies, where the validation accuracy of the model was 92.41% and the F1-Score was 0.556.

On the other hand, the use of JPEG standard to compress the enhanced images reduced the size of the data set, which reduced the training time of the model, thus improving the validation accuracy of the model.

نوع البيانات

أوراق مؤتمرات

رقم السجل

BIM-1529927

• APA
• MLA
• AMA