تحسين اداء نموذج YOLO لاكتشاف كسور العظام الصغيرة باستخدام تعزيز البيانات استنادا الى البلاط المنتقى == Improving YOLO Model Performance for Small Bone Fracture Detection Using Data Augmentation Based on Selective Tile
Author name:
منتظر جبار عيسى حسن
Supervisor name:
اسراء هادي علي
General topic:
Computer Science
Specific topic:
Artificial Intelligence
Degree:
Master
University:
University of Babylon - Information Technology Collage - Department Of Software
Language:
English
University location:
Babylon
Key words:
- object detection
- deep learning
- x
- ray
- contrast enhancement
- YOLO model
- bone fracture
- data augmentation
- interpolation
Abstract:
الكشف عن الاجسام الصغيرة يعد مهمة حاسمة ومعقدة في مجال الرؤية الحاسوبية، لا سيما في المجال الطبي حيث يعد الكشف المبكر والدقيق عن كسور العظام امرا ضروريا لضمان العلاج المناسب. ان الفشل في اكتشاف هذه الكسور قد يؤدي الى عواقب خطيرة على المرضى. وتمثل الكسور العظمية الصغيرة تحديا خاصا نظرا لصغر حجمها، واشكالها غير المنتظمة، وانخفاض تباين صور الاشعة السينية. وعلى الرغم من ان نماذج التعلم العميق توفر حلولا واعدة، الا انها غالبا ما تواجه صعوبة في اكتشاف الاجسام الصغيرة بسبب فقدان التفاصيل الدقيقة خلال عمليات المعالجة للصور. تهدف هذه الرسالة الى تحسين اداء نماذج التعلم العميق، وتحديدا دقتها في تحديد الكسور العظمية الصغيرة، من خلال اثراء بيانات التدريب باستخدام تقنية زيادة بيانات موجهة، صممت خصيصا لتحسين تمثيل هذه الكسور الصغيرة، مما يجعلها اكثر وضوحا وقابلية للاكتشاف. تتكون المنهجية المقترحة من عدة مراحل. في المرحلة الاولى، يتم تطبيق تقنية "تحسين تباين الهيستوغرام المحدود التكيفي (CLAHE) "بهدف تعزيز التباين وتحسين وضوح الكسور الدقيقة. اما في المرحلة الثانية، فيتم ضبط نموذج YOLOv8m على مجموعة البيانات المعالجة مسبقا لتهيئته لمهمة اكتشاف كسور العظام. وتقدم المرحلة الثالثة تقنية جديدة لزيادة البيانات تعرف باسم "البلاط الانتقائي للاجسام الصغيرة (SSOT) "، والتي تعمل على اكتشاف الكسور باستخدام النموذج المدرب، ثم تحديد مناطق الكسور الصغيرة، واقتطاع بلاطات حول تلك المناطق، وتكبير هذه البلاطات باستخدام تقنية استيفاء Lanczos، واخيرا دمجها مع صور التدريب الاصلية بهدف اثراء مجموعة البيانات. وفي المرحلة الرابعة، يتم استخدام مجموعة البيانات المثرية لاعادة تدريب نموذج YOLOv8m، مما يعزز قدرته على اكتشاف الكسور الصغيرة بشكل اكبر. تم اجراء تقييمات تجريبية باستخدام مجموعة بيانات FracAtlas للتحقق من فعالية المنهجية المقترحة. وقد اظهرت النتائج تحسنا ملحوظا في اداء النموذج، وخصوصا في مقياس الاستدعاء (Recall)، مما يؤكد زيادة حساسيته تجاه الكسور الصغيرة. وحقق النموذج دقة (Precision) بلغت 0.688، واستدعاء (Recall) بلغ 0.589، ومتوسط دقة (mAP@0.5) بلغ 0.601 على مجموعة اختبار مستقلة، متفوقا بذلك على الدراسات السابقة.
Summary:
5499198305.pdf
References:
53b171e8a9.pdf
