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 الاصطناعي

مختبر الرؤية الحاسوبية الدروس مدخل إلى التصوير الطبي الرقمي

مدخل إلى التصوير الطبي الرقمي

Introduction to medical imaging

الأنماط (CT، MRI، الأشعة السينية، الشبكية) وما يميز الصورة الطبية عن الصورة العادية.

مبتدئ30 دقيقةالتصوير الطبيالصور الطبية

هذا المحتوى أُعدّ آلياً من مصادر موثقة ولم تكتمل مراجعته العلمية البشرية بعد. إن وجدت خطأً فأبلغنا.

المقدمة

الصورة الطبية قياس فيزيائي له وحدات ومعايير، لا مجرد صورة للعرض.

الأهداف التعليمية

  • التعرف على الأنماط الرئيسية.
  • فهم البيانات ثلاثية الأبعاد والمقاطع.
  • إدراك الحدود الأخلاقية والقانونية.

المتطلبات السابقة

أساسيات الصور الرقمية.

الشرح العلمي

في CT تمثل القيم وحدات هاونسفيلد (الماء 0، الهواء −1000)، وفي MRI شدات نسبية تعتمد على البروتوكول. البيانات غالباً حجمية بمقاطع محورية وإكليلية وسهمية، وعمق 12–16 بت. للبكسل أبعاد فيزيائية (مم) يجب احترامها في القياس. ويحمل الملف بيانات تعريفية للمريض يجب حمايتها.

المعادلات الرياضية

HU = 1000 × (μ − μ_water)/(μ_water − μ_air).

مثال عملي

ملف CT_small في المختبر صورة CT حقيقية صغيرة 128×128 بعمق 16 بت.

خطوات التنفيذ

  1. افتح المختبر الطبي واختر عينة DICOM.
  2. مرّر المؤشر لقراءة قيم HU.
  3. جرّب نوافذ CT الجاهزة.

النتائج المتوقعة

تتغير الأنسجة الظاهرة كلياً مع تغير النافذة.

الأخطاء الشائعة

التعامل مع الصورة الطبية كصورة JPEG، وفقدان المدى الديناميكي.

التطبيقات العملية

التشخيص بمساعدة الحاسوب، البحث، التعليم الطبي.

المراجع

  1. G. Litjens et al. (2017).A survey on deep learning in medical image analysis. Medical Image Analysis 42. doi:10.1016/j.media.2017.07.005
  2. NEMA (2024).DICOM Standard (current edition). dicomstandard.org. www.dicomstandard.org

تجارب مرتبطة

خوارزميات مرتبطة

جرّب في الصور الطبية