كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

تحليل الصور الطبية بالذكاء الاصطناعي مبتدئ · Beginner 13 دقيقة

المعالجة المسبقة للصور الطبية

Preprocessing Medical Images

إعادة المعاينة، وتطبيع الشدة، والقص، والتسجيل، ومتى تكون المعالجة نفسها مصدراً للتسرب.

تقدّمك في المسار0%

خطوات شائعة

الخطوةالمقطعيةالرنين
إعادة المعاينةنعم، مثل 1×1×1 مم أو تباعد وسيط البياناتنعم
تطبيع الشدةقص على نافذة ثم تحجيمZ-score لكل حجم
تصحيح الانحيازلاN4 غالباً
نزع الجمجمةحسب المهمةشائع في الدماغ
القصحول منطقة الاهتمامحول منطقة الاهتمام

خط معالجة بـ MONAI

from monai.transforms import (Compose, LoadImaged, EnsureChannelFirstd, Orientationd,
                              Spacingd, ScaleIntensityRanged, CropForegroundd)
pre = Compose([
    LoadImaged(keys=["image", "label"]),
    EnsureChannelFirstd(keys=["image", "label"]),
    Orientationd(keys=["image", "label"], axcodes="RAS"),
    Spacingd(keys=["image", "label"], pixdim=(1.5, 1.5, 2.0), mode=("bilinear", "nearest")),
    ScaleIntensityRanged(keys=["image"], a_min=-175, a_max=250, b_min=0.0, b_max=1.0, clip=True),
    CropForegroundd(keys=["image", "label"], source_key="image"),
])

لاحظ mode=("bilinear", "nearest"): استيفاء خطي للصورة وأقرب جار للقناع.

التوجيه

وحّد التوجيه (مثل RAS) لكل البيانات؛ اختلاف التوجيه بين المراكز يسبب أخطاء صامتة.

تجنب التسرب

  • التطبيع بإحصاءات البيانات كلها: احسبها من التدريب فقط، أو استخدم تطبيعاً لكل صورة.
  • اختيار المعاملات بالنظر إلى بيانات الاختبار.
  • القص حول الآفة باستخدام القناع الحقيقي وقت الاختبار؛ هذه معلومة غير متاحة عند الاستخدام الفعلي.

وثّق كل خطوة وإصدار كل مكتبة؛ المعالجة المسبقة جزء من النموذج ويجب أن تُطبق بالطريقة نفسها عند النشر.

مصطلحات الدرس

إعادة المعاينة Resampling
تحويل الصورة إلى شبكة بكسلات بتباعد مختلف مع استيفاء القيم.
تصحيح انحياز الحقل Bias Field Correction
إزالة التغير البطيء غير المرغوب في شدة صور الرنين الناتج عن عدم تجانس المجال، ومن أشهر طرقه N4.

الملخص

المعالجة المسبقة تجعل البيانات متسقة: إعادة المعاينة إلى تباعد موحد، وتطبيع الشدة بما يناسب الوسيلة (نافذة HU للمقطعية، وZ-score لكل صورة للرنين)، وقص المنطقة المهمة، وتصحيح انحياز الحقل في الرنين، وأحياناً التسجيل إلى قالب. يجب استخدام الاستيفاء المناسب (خطي أو مكعب للصورة، وأقرب جار للقناع). أي إحصاءة تُحسب على مستوى البيانات كلها يجب أن تُحسب من بيانات التدريب فقط.

أسئلة مراجعة

  1. لماذا نستخدم استيفاء أقرب جار للأقنعة؟

    لأن الأقنعة تحمل فئات صحيحة، والاستيفاء الخطي ينتج قيماً وسيطة لا معنى لها.

  2. أعط مثالاً على تسرب في المعالجة المسبقة.

    حساب متوسط الشدة وانحرافها المعياري على كل البيانات قبل التقسيم ثم استخدامهما للتطبيع.

المصادر والمراجع

  1. MONAI — Transforms
  2. Tustison et al. (2010) — N4ITK: Improved N3 Bias Correction
  3. TorchIO Documentation

إكمال الدرس