تقييم عمر العظام بأستخدام معمارية شبكة عصبية عميقة جديدة

2023-03-29

اسم الباحث : الاء جمال جبار كاظم

اسم المشرف : أشوان أنور عبدالمنعم

الكلمات المفتاحية :

الكلية : كلية علوم الحاسوب وتكنولوجيا المعلومات

الاختصاص : علوم الحاسوب

سنة نشر البحث : 2023

تحميل الملف : اضغط هنا لتحميل البحث

المشاهدات: 93

التطورات السريعة في التكنولوجيا والذكاء الاصطناعي أدت إلى استخدام الأنظمة الآلية في مجموعة متنوعة من القطاعات ، بما في ذلك الطب. أحد التطبيقات هو التقييم الآلي لعمر العظام المستخدم في الطب الشرعي. يمكن استخدام تحديد عمر العظام لتحديد اضطرابات الغدد الصماء والعديد من ألامراض أو عمر العظام.بالاعتمادعلى صور الاشعة السينية لليد اليسرى .يمكن تحديد عمر عظام اليد للطفل من خلال تتبع التغييرات في أنماط نمو عظم اليد ، والتي يمكن القيام بها حتى يكتمل نضج الطفل بعمر 18 سنة. مع تقدم الطفل في السن تحدث تغيرات كبيرة حتى سن البلوغ ، وعند هذه النقطة قد تظهر فجوة كبيرة بين عمر العظام والعمر الزمني وهذا يشير إلى وجود مشكلة في صحة الطفل.
في هذا العمل تم بناء نموذج لتقييم الفئة العمرية للأشخاص بناءً تقنيات التعلم العميق ، ولتحقيق هذا الهدف بما يتلائم مع مكونات الكمبيوتر تم بناء النظام المقترح ،النظام المقترح تضمن ثلاث خطوات رئيسية :معالجة البيانات ، استخراج الفيجرات ، والتصنيف للفئات العمرية كمخرجات للنموذج .
عظام اليد اليسرى للأطفال من عمر سنة حتى سن الثامنة عشر عامًا بالاعتماد على صور الأشعة السينية لليد اليسرى(RSNA) التي تحتوي على 12611 صورة حيث استخدمت كبيانات في هذا العمل مقسمة إلى خمس فئات عمرية اعتماداً على تقارب الفيجرات في كل فئة عمرية. كانت الدقة التي حصلنا عليها لكل فئة (97٪ ، 95٪ ، 96٪ ، 98٪ ، 95٪) على التوالي ، بينما كانت الدقة الكلية 97.22٪.

Rp-Bone Age Assessment Using a New Deep Neural Network Architecture.pdf

Rapid advances in technology and artificial intelligence have driven automated systems in a variety of fields, including medicine. One application is the automated assessment of bone age that used in Forensic medicine. Bone age assessment used to identify endocrine disorders and many bone diseases or bone age based on x-ray image for left hand. A children’s bone age can be determined by tracking changes in left hand bone age patterns, at this point a large gap may appear between bone age and chronological age and this indicates a problem in health of the child.
In this work a model was built to assess the bone age group of people based on deep learning techniques, and to achieve this aim, an architecture commensurate with the components of the computer device was built. The proposed system included pre-processing the data, extracting feature, and then classifying the children bone age into five age groups as outputs of the model.
The left hand image of children from one to the age of 18 years old, based on x-rays images (RSNA) containing 12611 image, which are used as a dataset in this work divided into 5 classes. The accuracy that obtained for each class was (97%, 95%, 96%, 98%, 95 %) respectively, while the total accuracy was 97.22% for testing, validation, and 98% for training.