| dc.description.abstract | Brain disorders may cause loss of some vital functions such as thinking, speech and movement. Therefore, early detection of brain disease may assist in getting the best treatment in time. One common way to diagnose these disorders is magnetic resonance imaging (MRI) technology. Manual diagnosis of brain abnormalities takes a long time and subtle changes are difficult to perceive on (MRI)images, especially in the early stages of the abnormalities.
In this thesis, a method to detect brain defects using a neural network application is Introduit. Appropriate selection of features and classifiers to obtain higher performance a challenging task. Hence, deep learning models have been widely used for medical image analysis over the past few years. In this thesis, we trained AlexNet models, a Googlenet to automatically classify MRI images into the categories of normal diseases, cerebrovascular, neoplastic, degenerative diseases, and inflammations. We also compared their rating performance with trained models. We got the best rating accuracy (98.67% with the Googlenet model, 97.33% with Alexnet) for the trained models. Our model is ready for testing with massive MRI images of brain abnormalities. The model result will also help clinicians validate their results after hand reading the MRI images.
الملخص:
الدماغ البشري هو مركز الجهاز العصبي.وهو مجموعة من الخلايا البيضاء مثل االخلايا العصبية والخلايا الدبقية والاوعية الدموية والانسجة الليمفاوية ،والزيادة غير المنضبطة لهذه الخلايا الموجودة بشكل غير طبيعي في جزء مختلف من الدماغ تكون مايعرف بالورم .
يعد تحديد ورم الدماغ مهمة صعبة حقًا في المراحل المبكرة من الحياة. ولكن الآن أصبح متقدمًا مع العديد من خوارزميات التعلم الآلي والتعلم العميق، حيث أصبحت قضية التحديد التلقائي لورم المخ ذات أهمية كبيرة .
ومن أجل الكشف عن ورم دماغ المريض ، نأخذ في الاعتبار بيانات المرضى مثل صور التصوير بالرنين المغناطيسي لدماغ المريض .
يعد اكتشاف منطقة الورم المصابة واستخراجها من صور الرنين المغناطيسي (MRI) مصدر قلق أساسي ، وهي مهمة شاقة وتستغرق وقتًا طويلاً يؤديها اختصاصيو الأشعة أوالخبراءالسريريون .
حيث تعتمد دقة التصوير بالرنين المغناطيسي على خبرة الطبيب فقط. لذلك ، يصبح استخدام التكنولوجيا بمساعدة الكمبيوتر ضروريًا للغاية للتغلب على هذه القيود.
كما يعد التحليل الدقيق لصور ورم الدماغ خطوة أساسية في تحديد حالة المريض. ومع ذلك ، فإن تراكم المعرفة الطبية الشخصية للأطباء ، والاختلافات في مستويات الخبرة ، والتعب البصري يمكن أن يؤثر على التحليل الصحيح لنتائج الصور
في هذه الأطروحة ، يتم تقديم مثال لاكتشاف تشوهات الدماغ باستخدام تطبيق الشبكة العصبيةاللالتفافية cnn)).
كما تم استخدام نماذج التعلم العميق على نطاق واسع لتحليل الصور الطبية على مدى السنوات القليلة الماضية.
في هذه الاطروحة قد قمنا بتدريب نوعين من الشبكة العصبية الاصطناعيةالالتفافية وهي
Alexa net&Googlnet)) لتصنيف صور MRl تلقائيًا إلى فئات الأمراض العادية ، والأوعية الدموية الدماغية ، والأورام ، والأمراض التنكسية ، والالتهابات. قمنا أيضًا بمقارنة أداء تصنيفهم بالنماذج المدربة. حصلنا على أفضل دقة تقييم (98.67٪ مع نموذج googlenet ، و 97.33٪ مع Alexnet) للنماذج المدربة. نموذجنا جاهز للاختبار باستخدام صور التصوير. بالرنين المغناطيسي الضخمة لتشوهات الدماغ. ستساعد نتيجة النموذج أيضًا الأطباء على التحقق من صحة نتائجهم بعد قراءة صور التصوير بالرنين المغناطيسي باليد. | en_US |
