تم في يوم الأربعاء المصادف  28/8/2024 

مناقشه طالبة الماجستير (حوراء ستار صالح) في قاعة مجلس القسم عن رسالتها الموسومة:  

Improved Deep Learning Method for Kidney Ultrasound Image Processing and Diagnosis  

تحسين طريقة التعليم العميق في معالجة وتشخيص امراض الكلى باستخدام الصور الموجات فوق الصوتية

وتتألف لجنه المناقشه من الساده المدرجه اسمائهم ادناه : 

أ.م.د محمود زكي عبدالله / جامعة المستنصرية/ كلية الهندسة. رئيسآ

أ.م.د شيماء صفاءالدين بهاءالدين/ جامعه النهرين / كليه الهندسه . عضوآ

م.د شيماء وليد عبداللطيف/ جامعه النهرين / كليه الهندسه . عضوآ

 أ.م.د هديل قاسم وادي / جامعه النهرين / كليه الهندسه . عضوآ ومشرفآ

الخلاصه

أمراض الكلى هي من المشاكل الصحية المنتشرة على نطاق واسع، وغالبًا ما تؤدي إلى فشل وظائف الكلى وضعفها. لقد أجريت الكثير من البحوث حول الذكاء الاصطناعي والتعلم العميق مع اقتراح العديد من النماذج لتحسين تشخيص أمراض الكلى. يهدف هذا العمل إلى تحسين كفاءة ودقة نظام التشخيص لأمراض الكلى من خلال تصميم سبعة نماذج: شبكة CNN، وشبكة CNN-XGBoost، وشبكة CNN-RF، وشبكة ResNet50، وشبكة ResNet50-XGBoost، وشبكة ResNet50-RF، وشبكة ResNet50-ANOVA.  استخدمت هذه الدراسة خوارزميتين رئيسيتين للتعلم العميق لغرض ااستخراج الميزات، وهما شبكة الالتفافية (CNN) والشبكة العصبية المتبقية .(ResNet50) كما تم استخدام طبقات الاتصال الكامل (FCL) ومصنفات Random Forest (RF) / Extreme Gradient Boosting (XGBoost) لتصنيف الصور. وتم استخدام تحليل التباين (ANOVA) لاختيار الميزات. 

تم تدريب واختبار هذه النماذج على مجموعة بيانات حقيقية متكونه من 1260 صورة من الموجات فوق الصوتية للكلى (من 1000 مريض). وتم جمع مجموعة البيانات محليًا من مركز تفتيت الحصى بمستشفى الديوانية للتعليم العام، العراق. تم تصنيف صور الموجات فوق الصوتية للكلى إلى أربع فئات: ثلاث حالات غير طبيعية (حصوات وتوسع الحوض الكلوي والكيسات) وحالة طبيعية واحدة. 

اقترحت هذه الدراسة استخدام ملاحظة النشيطات الوسيطة (VIA) لتصور تنشيطات طبقات مختلفة داخل نموذج شبكة CNN  لفهم سلوك نموذج التعلم العميق. وأظهرت النتائج النهائية أن ميزات التعلم العميق لشبكة CNN كانت أفضل من ميزات شبكة ResNet50 من حيث تحسين قدرة النموذج على الكشف. أعلى دقة تصنيف تم الحصول عليها من نموذج CNN-RF كانت 99.73٪ في تقسيمات اختبار التدريب بنسبة 70٪ -30٪. 

 يمكن لهذه النماذج أن تساعد أخصائي الأشعة في التصنيف والتشخيص الصحيح لحالات لأمراض الكلى في العراق، وتخفيف الضغط في مراكز الرعاية الصحية والمستشفيات التي تضم عددًا كبيرًا من المرضى.