تخطى إلى المحتوى
العالِم العربي
  • الصفحة الرئيسية
  • مجالات الأبحاث
  • عن الموقع
  • تواصل معنا
  1. الرئيسية
  2. قائمة الكلمات المفتاحية
  3. تفسير الصور، بمساعدة الكمبيوتر

الأبحاث المرتبطة بالكلمة المفتاحية: تفسير الصور، بمساعدة الكمبيوتر




  • التنبؤ بنتائج القلب والأوعية الدموية باستخدام التعلم العميق من صور الشبكية الروتينية لدى الأفراد المصابين بداء السكري من النوع 2

    2025 | المؤلف: Mohammad Ghouse Syed وآخرون | المجلة: Cardiovascular Diabetology | المجال: الأشعة والطب النووي والتصوير الطبي (Radiology, Nuclear Medicine and Imaging)

    تستكشف هذه الدراسة إمكانيات نموذج الذكاء الاصطناعي (AI) القائم على التعلم العميق في التنبؤ بنتائج أمراض القلب والأوعية الدموية (CVD) باستخدام صور فحص الشبكية لمرضى السكري، بهدف تعزيز التقييمات التقليدية للمخاطر السريرية. شملت الدراسة 6,127 فردًا مصابًا بداء السكري من النوع 2، تم تقسيمهم إلى مجموعات تدريب، تحقق، واختبار. تم حساب مخاطر CVD السريرية لمدة…


  • تعزيز تشخيص أورام الدماغ متعددة الفئات باستخدام SVM وتقنيات استخراج الميزات المبتكرة

    2024 | المؤلف: Mustafa Basthikodi وآخرون | المجلة: Scientific Reports | المجال: طب الأعصاب (Neurology)

    تبحث هذه الدراسة في تصنيف أورام الدماغ باستخدام التصوير الطبي، مع التركيز بشكل خاص على التحديات التي تطرحها التشابهات البصرية بين أنواع الأورام المختلفة. تستخدم الدراسة آلة الدعم الناقل (SVM) كخوارزمية التصنيف الأساسية، معززة بتقنيات استخراج الميزات مثل هيستوجرام التدرجات الموجهة (HOG) ونمط ثنائي محلي (LBP)، إلى جانب تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد. باستخدام…


  • الكشف عن الآفات المحيطية في الأشعة السينية المحيطية باستخدام أحدث شبكة عصبية تلافيفية ConvNeXt ونماذجها المتكاملة

    2024 | المؤلف: J Z Liu وآخرون | المجلة: Scientific Reports | المجال: جراحة الفم (Oral Surgery)

    تقدم هذه الدراسة YoCNET، وهو نموذج مبتكر مدمج للتعلم العميق يجمع بين Yolov5 و ConvNeXt، مصمم لتعزيز تحديد أهداف الآفات المتعددة في الأشعة السينية المحيطية. من خلال الاستفادة من قدرات Yolov5 في الكشف عن الأهداف جنبًا إلى جنب مع نقاط قوة ConvNeXt في تصنيف الصور، يسهل YoCNET تقسيم الأسنان الفردية تلقائيًا والكشف المتزامن عن الآفات…


  • أتمتة تشخيص السرطان باستخدام تقنيات التعلم العميق المتقدمة لتصنيف صور متعددة للسرطان

    2024 | المؤلف: Yogesh Kumar وآخرون | المجلة: Scientific Reports | المجال: طب الأعصاب (Neurology)

    تتناول ورقة البحث التحدي الحاسم في الكشف عن السرطان، الذي لا يزال السبب الرئيسي للوفيات العالمية. غالبًا ما تتضمن الطرق التقليدية إجراءات جراحية وغالبًا ما تستغرق وقتًا طويلاً في التحليل، مما يبرز الحاجة إلى حلول أكثر كفاءة ودقة. تستفيد هذه الدراسة من الكشف الآلي عن السرطان من خلال تقنيات تعتمد على الذكاء الاصطناعي، حيث تستخدم…


  • الكشف عن أورام الدماغ وتصنيفها في التصوير بالرنين المغناطيسي باستخدام نموذج هجين من ViT و GRU مع الذكاء الاصطناعي القابل للتفسير في جنوب بنغلاديش

    2024 | المؤلف: Md. Mahfuz Ahmed وآخرون | المجلة: Scientific Reports | المجال: طب الأعصاب (Neurology)

    تقدم هذه الدراسة نموذجًا هجينًا جديدًا يجمع بين بنية المحول البصري (ViT) ووحدة التكرار المغلقة (GRU) لتعزيز الكشف وتصنيف أورام الدماغ في صور الرنين المغناطيسي (MRI). باستخدام بيانات MRI الأولية من مستشفى بانجاباندو شيخ مجيب الطبي، يستخرج نموذج ViT-GRU بفعالية الميزات الحيوية ويحدد علاقاتها المتبادلة، مما يعالج مشاكل عدم توازن الفئات ويتفوق على طرق التشخيص…


  • تصنيف أورام الدماغ بشكل موثوق من خلال دمج التعلم العميق ونموذج الانتباه القائم على القنوات

    2024 | المؤلف: Balamurugan A.G وآخرون | المجلة: BMC Medical Imaging | المجال: طب الأعصاب (Neurology)

    تدرس الدراسة تطبيق منهجيات التعلم العميق، وبالتحديد نموذج الانتباه القائم على القناة (CWAM) المدمج مع ResNet101، لتصنيف أورام الدماغ في صور الرنين المغناطيسي. تعتمد العمليات التشخيصية التقليدية غالبًا على خبرة أطباء الأشعة، مما يجعلها تستغرق وقتًا طويلاً وقد تكون أقل دقة. يعزز نموذج ResNet101-CWAM المقترح بشكل كبير أداء التصنيف، محققًا دقة تصل إلى 99.83%، بالإضافة…


  • التقدم في تشخيص الاضطرابات الفموية المحتملة الخبيثة: الاستفادة من محولات الرؤية للكشف متعدد الفئات

    2024 | المؤلف: Shankeeth Vinayahalingam وآخرون | المجلة: Clinical Oral Investigations | المجال: أمراض اللثة (Periodontics)

    تدرس هذه الدراسة الكشف التلقائي وتصنيف الاضطرابات الفموية المحتملة الخبيثة (OPMD)، وتحديداً اللويحات البيضاء والتهاب اللكنة الفموية (OLP)، إلى جانب سرطان الخلايا الحرشفية الفموية (OSCC) والغشاء المخاطي الفموي الصحي، باستخدام محولات الرؤية على الصور السريرية. تم استخدام مجموعة بيانات تضم 4,161 صورة مشروحة، مع تخصيص 3,337 صورة للتدريب والتحقق، و824 للاختبار. النموذج المستخدم، وهو Mask…


  • تحسين خوارزميات الشبكات العصبية لتصنيف أورام الدماغ بدقة في صور الرنين المغناطيسي

    2024 | المؤلف: Asma Alshuhail وآخرون | المجلة: BMC Medical Imaging | المجال: طب الأعصاب (Neurology)

    تتناول الأبحاث التحديات المرتبطة بتشخيص أورام الدماغ باستخدام فحوصات التصوير بالرنين المغناطيسي، والتي تتعقد بسبب المظاهر المتنوعة للأورام والاعتماد على التفسير اليدوي من قبل أطباء الأشعة. غالبًا ما تؤدي طرق التشخيص التقليدية إلى تشخيص خاطئ وتأخير العلاج بسبب تعرضها للأخطاء البشرية والدقة المحدودة، خاصة عند التعامل مع بيانات الرنين المغناطيسي عالية الأبعاد. للتغلب على هذه…


  • تعزيز اكتشاف أورام الدماغ في صور الرنين المغناطيسي من خلال الذكاء الاصطناعي القابل للتفسير باستخدام Grad-CAM مع Resnet 50

    2024 | المؤلف: M. Mohamed Musthafa وآخرون | المجلة: BMC Medical Imaging | المجال: طب الأعصاب (Neurology)

    تتناول هذه الدراسة تحدي الكشف عن أورام الدماغ في صور الرنين المغناطيسي، مع التأكيد على الحاجة إلى نماذج دقيقة وقابلة للتفسير للمهنيين في مجال الرعاية الصحية. بينما تفوقت تقنيات التعلم العميق في تحليل الصور الطبية، فإنها غالبًا ما تفتقر إلى الشفافية، حيث تعمل كـ “صناديق سوداء”. لمعالجة ذلك، تستخدم البحث نموذج ResNet50، وهو نموذج تعلم…


  • نموذج أساس الرؤية–اللغة لتفسير تخطيط القلب بالموجات الصوتية

    2024 | المؤلف: Matthew Christensen وآخرون | المجلة: Nature Medicine | المجال: طب القلب والأوعية الدموية (Cardiology and Cardiovascular Medicine)

    تقدم البحث EchoCLIP، وهو نموذج أساسي للرؤية واللغة مصمم لتعزيز تفسير تخطيط صدى القلب من خلال التعلم من مجموعة بيانات ضخمة تضم 1,032,975 فيديو لصوت القلب مع تعليقات الخبراء. يظهر هذا النموذج أداءً قويًا عبر مختلف المعايير، حيث حقق متوسط خطأ مطلق قدره 7.1% في توقع كسر قذف البطين الأيسر ودرجات عالية لمنطقة تحت المنحنى…


←السابق
1 2 3 4
التالي→

حقوق النشر © 2026 العالِم العربي. جميع الحقوق محفوظة. موقع العالِم العربي غير مسؤول عن محتوى المواقع الخارجية.