استخدام التعلم العميق وخوارزمية تحسين سرب الجسيمات للتعرف على الكبد الدهني في الصور المضغوطة

الملخص

في ظل تزايد معدلات الإصابة بدهنية الكبد والتليف الكبدي، أصبحت الحاجة ملحة لتطوير أدوات دقيقة وسريعة لتشخيص هذه الحالات باستخدام الصور الطبية. تهدف هذه الدراسة إلى تطوير نموذج يعتمد على التعلم العميق لتحليل وتشخيص دهنية الكبد من الصور الطبية المضغوطة، مع تعزيز الأداء باستخدام خوارزمية تحسين سرب الجسيمات (PSO). لتحسين كفاءة عملية التحليل وتقليل التكاليف المرتبطة بالتشخيص تم استخدام تقنية تحليل القيمة المفردة (SVD) لضغط الصور، مما يساهم في تقليل حجم البيانات مع الحفاظ على الجودة الأساسية للصورة. يعتمد النموذج المقترح على شبكة ترميز تلقائي (Auto-Encoder Network) مدعومة بخوارزمية PSO لتحسين جودة الصورة بعد ضغطها، وتم تنفيذ النموذج باستخدام برنامج MATLAB. أثبتت الدراسات السابقة فعالية PSO في تحسين دقة التحليل، حيث حققت دقة بلغت %92.2، مع F-Score بنسبة %87.2 وJaccard بنسبة %90.7. أما في الدراسة الحالية، فقد أظهرت النتائج أن النموذج المطور حقق أداءً أعلى مع دقة وصلت إلى %94.81، ودرجة F بنسبة %97.34، ودرجة Jaccard بنفس النسبة %94.81 .إضافةً إلى ذلك، تمكن النموذج من تقليل حجم الصور بنسبة %45 مع وقت تنفيذ منخفض بلغ حوالي 6.27 ثانية، دون التأثير على جودة التحليل الطبي. يمثل هذا النموذج أداة واعدة في التصوير الطبي غير الجراحي لدراسة أمراض الكبد مما يعزز سرعة ودقة التشخيص، ويساعد الأطباء في اتخاذ قرارات سريرية مستنيرة، بالإضافة إلى تقليل التكاليف والمخاطر المرتبطة بالتشخيص التقليدي