تمت في كلية الادارة والاقتصاد / جامعة بغداد ، مناقشة اطروحة الدكتوراه الموسومة ( التقطيع الصوري وتحديد مناطق الاستفادة باستخدام بعض الطرائق الإحصائية وخوارزميات الذكاء الاصطناعي ) في تخصص الاحصاء للطالب ( فهد حسين عناد ) بأشراف أ.م.د.أسماء غالب جابر ، وتكمن مشكلة البحث في محدودية كفاءة الطرق التقليدية في تقسيم الصور الطبية، وعدم قدرتها على تحقيق دقة عالية في ظل الضوضاء وعدم تجانس البيانات ، فضلًا عن وجود تفاوت في أداء الخوارزميات المختلفة وعدم وضوح أيها أكثر كفاءة في الكشف الدقيق عن أورام الدماغ. وعلى هذا الأساس، برزت الحاجة إلى استخدام خوارزميات إحصائية متقدمة وتقنيات الذكاء الاصطناعي لتحسين دقة وفعالية عملية تقسيم الصور. تهدف هذه الأطروحة إلى تحليل وتقييم وتحسين أداء مجموعة من خوارزميات تقسيم صور الرنين المغناطيسي لأورام الدماغ، اعتمادًا على بيانات حديثة من تحدي أورام الدماغ لعام 2023، بما يضمن موثوقية النتائج وقابليتها للمقارنة. وقد شملت الدراسة خوارزميات كشف الحواف Canny) ، Sobel، Prewitt، Normalized Cut)، وخوارزميات العتبة Otsu) ,Robust Otsu)، وتقنيات تعتمد على النسيج، بالإضافة إلى خوارزميات التقسيم المعتمدة على المناطق Region Growing) ,Watershed، والأساليب الإحصائية مثل نموذج ماركوف المخفي (HMM) وتحليل المكونات المستقلة (ICA)، وخوارزميات التجميع K-means ,Fuzzy C-means، فضلًا عن الخوارزميات الهجينة مثل Hybrid Otsu-FCM. كما تضمنت الدراسة نماذج تعلم الآلة مثل Random Forest، ونموذجًا هجينًا مقترحًا (Hybrid GLCM-RF)، إضافة إلى نماذج التعلم العميق مثل CNN وFCN وU-Net وCNN-HMM. وقد تم تنفيذ جميع التجارب باستخدام برنامج MATLAB (الإصدار 2024)، وتقييم الأداء باستخدام مقاييس مثل MSE وDice وIoU والدقة،. أظهرت النتائج تفوق الخوارزميات المتقدمة والهجينة على الطرق التقليدية، حيث حقق النموذج المقترح (Hybrid GLCM-RF) أعلى دقة، بينما أظهر نموذج U-Net كفاءة عالية في تحديد مناطق الورم. كما بينت النتائج أن دمج أكثر من خوارزمية يسهم في تحسين النتائج وتقليل الأخطاء البشرية، مما يجعل الإطار المقترح أداة فعالة لدعم التشخيص الطبي.
اخبار ذات صلة
Comments are disabled.