عربی مرکز تحقیقات رادیولوژی نوین و تهاجمی | استخدام الذكاء الاصطناعي لرصد التكلسات الدقيقة في تصوير الثدي

TUMS Website | Dec 24 2025

مركز أبحاث الأشعة التشخيصية والتداخلية المتقدمة

أنشطة مركز أبحاث الأشعة في مجال الذكاء الاصطناعي

نظرًا للكم الهائل من بيانات الصور التي تُنتج يوميًا، تمتلك مراكز أبحاث الأشعة إمكانيات كبيرة لاستغلال الذكاء الاصطناعي. يمكن لهذه التقنية أن تحسن بشكل كبير دقة وسرعة تشخيص الأمراض، مما يساعد أطباء الأشعة في اتخاذ قرارات سريرية مستنيرة. فيما يلي بعض الأنشطة التي تقوم بها مراكز أبحاث الأشعة في مجال الذكاء الاصطناعي:

تطوير خوارزميات الكشف التلقائي عن الأمراض:
- الكشف عن الأورام: تطوير خوارزميات للكشف التلقائي عن الأورام المختلفة في صور الأشعة (مثل الأشعة المقطعية والرنين المغناطيسي والمسح البوزيتروني).
- الكشف عن أمراض الرئة: الكشف التلقائي عن أمراض مثل الالتهاب الرئوي، وكوفيد-19، والتليف الرئوي.
- الكشف عن أمراض القلب والأوعية الدموية: الكشف المبكر عن أمراض القلب والأوعية الدموية مثل تمدد الشريان الأورطي وتضيق الشريان التاجي.
تحسين عمليات التصوير:
- تقليل جرعة الإشعاع: تطوير خوارزميات لتقليل جرعة الإشعاع أثناء إجراءات التصوير، خاصة للأطفال والحوامل.
- تحسين جودة الصور: استخدام الذكاء الاصطناعي لتحسين جودة صور الأشعة وتقليل الضوضاء.
- تسهيل تفسير الصور: تطوير أدوات لمساعدة أطباء الأشعة في تفسير الصور، مثل تسليط الضوء على المناطق المشبوهة.
تحليل البيانات الضخمة:
- تحديد الأنماط: استخدام خوارزميات التعلم الآلي لتحديد الأنماط الخفية في بيانات الأشعة واكتشاف علاقات جديدة بين الأمراض وعوامل الخطر.
- التنبؤ بتطور الأمراض: التنبؤ بتطور الأمراض لدى المرضى المصابين بحالات مزمنة.
- تقييم فعالية العلاجات: تقييم فعالية العلاجات المختلفة استنادًا إلى بيانات الأشعة.
تطوير أدوات مساعدة للتشخيص:
- مساعدة أطباء الأشعة: تطوير أدوات لمساعدة أطباء الأشعة في تشخيص الأمراض، مثل أدوات القياس التلقائية وتصنيف الآفات تلقائيًا.
- تفسير تقارير الأشعة: تطوير أنظمة لتفسير تقارير الأشعة تلقائيًا واستخراج المعلومات الأساسية منها.
التعاون مع مجالات أخرى:
- التعاون مع مهندسي البرمجيات: تطوير وتنفيذ خوارزميات الذكاء الاصطناعي.
- التعاون مع المتخصصين الطبيين: التحقق من فعالية نماذج الذكاء الاصطناعي وضمان فعاليتها في البيئات السريرية.
- التعاون مع علماء البيانات: جمع ومعالجة وتحليل بيانات الأشعة.
التعليم والبحث:
- تدريب الكوادر: إجراء دورات تدريبية لتعريف العاملين في المركز بمفاهيم الذكاء الاصطناعي وتطبيقاته في مجال الأشعة.
- إجراء الأبحاث الأساسية: إجراء أبحاث أساسية في مجال الذكاء الاصطناعي لتطوير خوارزميات جديدة وتحسين الأساليب الحالية.
- نشر المقالات العلمية: نشر نتائج الأبحاث في مجلات علمية مرموقة.

في الختام، مع التطورات السريعة في مجال الذكاء الاصطناعي، من المتوقع أن يصبح دوره في الأشعة أكثر أهمية في المستقبل. يمكن لمراكز أبحاث الأشعة أن تسهم بشكل كبير في التقدم الطبي وتحسين خدمات التشخيص من خلال الاستثمار في هذا المجال.

: 18/01/1446 - 09:15
: 102
: 1 دقيقة

Microcalcification Detection in Mammograms Using Deep Learning

Background:

Mammography is the most reliable and popular method in the clinical diagnosis of breast cancer. Calcifications are subtle lesions in mammograms that can be cancerous and difficult to detect for radiologists. Computer-aided detection (CAD) can help radiologists identify malignant lesions.

Objectives:

This study aimed to propose a deep learning based CAD system for detecting calcifications in mammograms.

Patients and Methods:

A total of 815 in-house mammograms were collected from 204 women undergoing screening mammography. Calcifications in the mammograms were annotated by specialists. Each mammogram was divided into patches of fixed size, and then, patches containing calcifications were extracted, along with the same number of normal patches. A ResNet-50 Convolutional Neural Network (CNN) was trained for classification of patches into normal and calcification groups using training data and then the performance of the trained CNN was tested with new test data.

Results:

The proposed patch learning approach (PLA) showed a classification accuracy of 96.7% in the binary classification of patches. Therefore, it could detect calcification regions in a given mammogram. The PLA achieved sensitivity and specificity of 96.7% and 96.7%, respectively, with an area under the curve of 98.8%.

Conclusion:

The present results highlighted the efficacy of the proposed PLA, especially for limited training data. Direct comparison with previous studies is not possible due to differences in datasets. Nevertheless, the PLA accuracy in detecting calcifications was higher than that of deep learning based CAD systems in previous studies. The effective performance of PLA may be attributed to the manual removal of uninformative patches, as they were not used in the training set.

link