| LEADER |
04881nam a2200337 4500 |
| 001 |
1528045 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 606916
|a طه، ديمة حسين
|e مؤلف
|
| 245 |
|
|
|a DeepCPC:
|b Deep Learning Model for Colorectal Polyps Classification
|
| 246 |
|
|
|a DeepCPC:
|b نموذج التعلم العميق لتصنيف سلائل أورام القولون والمستقيم
|
| 260 |
|
|
|a عمان
|c 2020
|
| 300 |
|
|
|a 1 - 69
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة الشرق الأوسط
|f كلية تكنولوجيا المعلومات
|g الاردن
|o 0195
|
| 520 |
|
|
|a سرطان القولون والمستقيم هو مرض صامت يهاجم دون سابق إنذار، ولكن في كثير من الحالات، يكون العلاج ممكنا عند اكتشافه مبكرا. تلعب اختبارات الفحص دورا مهما في تحديد الأورام الحميدة قبل أن تصبح سرطانية، حيث يعتبر تنظير القولون أكثر فعالية مقارنة بالاختبارات الأخرى. على مدى العقود القليلة الماضية، كان تنظير القولون والمستقيم بمساعدة الكمبيوتر موضوعا للبحث، وحقق تقدما كبيرا. ومع ذلك، لا يزال التصنيف التلقائي للأورام في الوقت الفعلي يمثل تحدي صعب، بسبب استخدام الأساليب اليدوية التي لا توفر خصائص تمييزية للصورة. أظهرت الشبكات العصبية التلافيفية العميقة (DCNN) ثورة مهمة أثرت بشكل إيجابي على العديد من المجالات بما في ذلك تصنيف الصور. في مجال صور تنظير القولون، يمكن أن تؤثر العديد من القيود على تصنيف الأورام المستندة إلى DCNN خاصة عدم وجود كمية كافية من عينات التدريب للمرضى، وعدم كفاية وقت التدريب، والموارد اللازمة للشبكات العصبية. في هذه الرسالة، نهدف إلى تطوير نموذج التعلم العميق لتصنيف الأورام الحميدة في القولون والمستقيم على أساس الخصائص التمييزية المستخرجة من الشبكات العصبية التلافيفية العميقة والذي سيشار إليه باسم DeepCPC. على وجه التحديد، نستخدم بعض نماذج الشبكات العصبية التلافيفية التي تم تدريبها مسبقا على الصور ذات الأغراض العامة، لتطبيق مخطط نقل التعلم في نظام تصنيف الأورام الحميدة. تم تحقيق ذلك من خلال ربط مجموعة من خصائص الصور التمييزية المستخرجة من تفعيل الطبقات التلافيفية، ثم ضبط بنية DeepCPC على صور الأورام من خلال إجراء تدريب كامل من طرف إلى آخر. يتكون نموذج DeepCPC من ثلاثة مكونات رئيسية: الطبقات المنخفضة المضبوطة بدقة، وناقل الصور المسلسل، والطبقات العلوية المتصلة بالكامل. تستخدم مجموعة بيانات CVC- ClinicDB لتقييم نموذج DeepCPC، ولكن يجب تطبيق المزيد من استراتيجيات استخراج التصحيح وزيادة الصورة لإثراء التدريب بعينات أكثر من الورم. أظهرت النتائج التجريبية أن DeepCPC يمكن أن يحقق دقة تبلغ 98.4%، مما يؤكد على كفاءته في مساعدة الأطباء بالمنظار لتصنيف الأورام الحميدة وتقليل معدل فقد ورم القولون والمستقيم.
|
| 653 |
|
|
|a الأورام الخبيثة
|a الشبكات العصبية
|a الاختبارات الفحصية
|a أورام القولون
|a أورام المستقيم
|
| 700 |
|
|
|9 606913
|a الزعبي، أحمد غازي
|e مشرف
|
| 856 |
|
|
|u 9802-015-008-0195-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9802-015-008-0195-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9802-015-008-0195-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9802-015-008-0195-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9802-015-008-0195-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9802-015-008-0195-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9802-015-008-0195-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9802-015-008-0195-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9802-015-008-0195-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9802-015-008-0195-R.pdf
|y المصادر والمراجع
|
| 856 |
|
|
|u 9802-015-008-0195-S.pdf
|y الملاحق
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1130386
|d 1130386
|
