تقطيع صور مقطعية محوسبة لرئات مرضى كوفيد-19 باستخدام طرق التعلم العميق

نشر ورقة علمية لطالب برنامج الميكاترونيك للمتميزين في جامعة تشرين عدنان سعود بعنوان:

“COVID-19 Lung CT Image Segmentation Using Deep Learning Methods: UNET Vs. SegNET”

“تقطيع صور مقطعية محوسبة لرئات مرضى كوفيد-19 باستخدام طرق التعلم العميق: مقارنة بين طريقتي UNET و SegNET”

في مجلة BMC Medical Imagine التابعة لمجموعة Springer Nature الشهيرة. ترتيب المجلة 130/335 بين المجلات الطبية في العالم ومقياس H index لها يساوي 34.

ملخص البحث:

لمحة عامة: حالياً ، هناك حاجة ملحة لأدوات فعالة لتقييم تشخيص مرضى COVID-19. في هذا البحث ، تم تقديم حلولاً مجدية للكشف عن الأنسجة المصابة ووسمها على صور الرئة المقطعية المحوسبة لهؤلاء المرضى. قام البحث بالتحقيق في تقنيتين مختلفتين هيكليًا للتعلم العميق ، SegNet و UNET ، وذلك لتقسيم مناطق الأنسجة المصابة بشكل جوهري في صور الرئة المقطعية المحوسبة.

أساليب البحث: تم اقتراح استخدام شبكتي تعلم عميق معروفتين ، SegNet و UNET ، لتصنيف أنسجة الصور. تتميز SegNet بأنها شبكة تقطيع المشهد و UNET كأداة تقطيع طبية. تم استغلال كلتا الشبكتين كأداتي تقطيع ثنائية للتمييز بين أنسجة الرئة المصابة والسليمة ، وكذلك كأداتي تقطيع متعددة الفئات لمعرفة نوع العدوى في الرئة. تم تدريب كل شبكة باستخدام اثنتين وسبعين صورة ، والتحقق من صحتها على عشر صور ، واختبارها مقابل الصور الثمانية عشر الباقية. تم حساب العديد من المعايير الإحصائية للنتائج وتبويبها وفقًا لذلك.

النتائج: أظهرت النتائج القدرة الفائقة لشبكة SegNet في تصنيف الأنسجة المصابة / غير المصابة مقارنة بالطرق الأخرى (بمتوسط ​​دقة 0.95) ، بينما أظهرت UNET نتائج أفضل كأداة تقطيع متعددة الفئات (بدقة متوسطة 0.91).

الخلاصة: يُعد تقطيع صور الأشعة المقطعية المحوسبة لمرضى COVID-19 بشكل جوهري هدفًا حاسمًا لأنه لن يساعد في تشخيص المرض فحسب ، بل سيساعد أيضًا في تحديد مدى خطورة المرض ، وبالتالي ، إعطاء الأولوية لعلاج البشر وفقًا لذلك. تم اقتراح تقنيات قائمة على الكمبيوتر تثبت موثوقيتها ككاشفات للأنسجة المصابة في التصوير المقطعي المحوسب للرئة. إن توفر مثل هذه الطريقة في جائحة اليوم من شأنه أن يساعد في أتمتة علاج مرضى COVID-19 وتحديد أولوياته وربطه وتوسيعه على مستوى العالم.