الخلاصة

يعد النظام الآلي مهمًا لمساعدة الأطباء وأخصائيي الأشعة على اكتشاف أورام المخ وتصنيفها. تنتج الأورام الصلبة داخل الجمجمة عن انقسام الخلايا غير الطبيعي وغير المنضبط. التحدي الرئيسي في اكتشاف أورام المخ هو الاختلاف في موقع الورم وشكله وحجمه وتنوع أورام المخ وتعقيدها. يعد التعلم الآلي والتعلم العميق الحل الأمثل لهذه المشكلة.
يتضمن العمل المقترح المعالجة المسبقة للبيانات وتجزئة الصور، وتم تطبيق تقنيتين للتجزئة (التجزئة على أساس الحافة والتجزئة على أساس المنطقة) لمقارنتهما، حيث كانت النتائج باستخدام المنطقة أفضل من النتائج باستخدام الحافة. تم تطبيق العمليات المورفولوجية بعد عملية التجزئة وتشمل عمليات الإغلاق (التمدد والتآكل).
بعد ذلك، تم تطبيق التعلم الآلي وخوارزميات التعلم العميق لتصنيف أورام الدماغ بالتصوير بالرنين المغناطيسي إلى أربعة أنواع: الغدة النخامية، والورم الدبقي، والورم السحائي، وعدم وجود ورم في الحالات العادية، بناءً على مجموعة محددة من الميزات التي تعمل على تحسين دقة التصنيف وتوفير الوقت والتكلفة.
في هذا العمل، تم تنفيذ نموذجين مقترحين. الأول هو الجمع بين (مجموعة الهندسة المرئية 16 (VGG16) وأربعة مصنفات تقليدية): آلة ناقل الدعم (SVM)، وشجرة القرار (DT)، والغابة العشوائية (RF)، و Naive Bayes(NB). يتم تنفيذ هذا المزيج نظرًا لقدراته على التعلم العميق، حيث يمكنه استخلاص ميزات معقدة مثل تفاصيل أورام المخ. النموذج الثاني المقترح هو الشبكة العصبية التلافيفية (CNN).
في هذا العمل، أظهرت النتائج التجريبية أن الجمع ((VGG16) مع الغابة العشوائية) باستخدام التجزئة على أساس المنطقة حصل على دقة قدرها %99.24. وكانت النسبة أعلى مقارنة مع الجمع ((VGG16) مع الغابة العشوائية) عند استخدام التجزئة على أساس الحافة حيث كانت النتيجة %98.78.
مجموعة البيانات هذه هي في الأصل مزيج من ثلاث مجموعات بيانات: Figshare، ومجموعة بيانات SARTAJ، ومجموعة بيانات Br35H، التي تحتوي على صور التصوير بالرنين المغناطيسي للأنواع الأربعة من أورام الدماغ التي تم استخدامها.
وأخيراً، تمت مقارنة نتائجنا مع الأبحاث الموجودة في مجال التجزئة والتصنيف على نفس مجموعة البيانات، حيث أثبتت نتائجنا أنها الأفضل. حقق نموذجنا المقترح دقة بلغت %99.24، في حين تراوحت نتائج الأبحاث السابقة من %97.12، %95.73، إلى %87.67.