Slide 3 واحد من األسباب اللي بتأدي لزيادة معدل الوفيات هو ورم المخ. وده بسبب ان الورم بيتضاعف متوسط حجمه خالل 25يوم بس. واذا لم يتم تشخيص الورم بشكل صحيح ,عمر المريض ال يتعدي 6شهور. وطبقا لدراسة للمعهد األسترالي للصحة والرعاية لسنة 2017وطبقا لألبحاث والتقارير الليعملها األطباء وجدو ان: نسبة الوفاة التي يتسبب بها مرض ورم المخ اعلي نسبيا من أي مرض اخر.ووجدوا ان من بين كل 10اشخاص يصابوا بالمرض 2بس هما اللي بيعيشوا.وده معدل قليل جدا ,ودي األسباب اللي خلتنا نعمل مشروعنا. Slide 4 المشكلة هنا ان عندنا صورة أشعة رنين مغناطيسي للدماغ. -ومحتاجين نحدد هل فيها ورم وال مفيش ورم. Slide 5 وحلنا المقترح اننا عملنا برنامج بيشتغل علي الكمبيوتر نحاول نسهل علي دكاترة االشعةتحديد الورم. وده بتم علي 5خطوات:1. Pre-Processing. 2. Segmentation. 3. Morphology. 4. Features Extraction. 5. Classification. Slide 6 ودي اول مرحلة بنعمل فيها ( )Noise Reductionبنحاول نقلل الــ ()Noise في الصورة وبنستخدم في المرحلة دي الــ ()Median Filter Slide 7 وطبقا لبحث اتعمل في 2018ألكتر نوعين Noiseموجودين في الصور الطبية (اللي هما ) Salt&pepper – Gaussianودي امثلة لتطبيق الــ Median Filterعلي صورة بدرجات Noiseمختلفة. Slide 8 طبقا لنفس البحث دي مقارنة بين 3فالتر ( – Weinar – Median )Adaptive Medianعلي درجات مختلفة من الـ Noise وجد ان الـ Median Filterهو افضل نوع لعمل Noise Reductionفي الصور الطبية. Slide 9 البنامج. وده تطبيق الـ median filterبعد اختيار الصورة يف ر Slide 10 بعد تطبيق ال Median filterوشلنا الـ Noise Reductionهدخل مرحلة الـ segmentationوبيتم فيها تقسيم الصورة لكذا جزء لمحاولة استخالص جزء الورم لوحده. Slide 11 وهنا هنستخدم fuzzy c-mean algorithmلتقسيم الصورة لعدد من ال clustersوعلى حسب المثال اللى قدامنا هنستخدم clusters 3وكل clusterيحتوى على جزء من الصورة وهنالحظ من اللى قدامنا ان ال clusterالتالت هو اللى بيحتوى ع جزء الورم. Slide 12 وده فيديو توضيحي لتنفيذ عملية ال segmentationبتتم ازاى. Slide 13 بعد مرحلة ال segmentationطلع معانا جزء الورم ومعاه اجزاء تانية زيادة وفيه المرحلة دى هنطبق ال morphologyعشان نقلل االجزاء الزيادة اللى موجودة مع الورم . Slide 14 عندنا 2 operationsاللى هما erosion & dilation ال erosionبتقلل االجزاء الزيادة او بنقص الزيادات. ال dilationبنمأل الفراغات. Slide 15 واحنا هنستخدم ال erosionعشان نشيل او نقلل الزيادات اللى مع الورم وده مثال لتطبيق ال erosionعلى صورة باستخدام structure element 3*3 Slide 16 وده تطبيق عملي على صورة بعد عملية ال segmentationوفيها زيادات وتم عليها عملية erosionودى الصورة الناتجة بعد ازالة الزيادات Slide 17 بعد ما خرجنا جزء االورم لوحده فى صورة عاوزين نطلع مجموعة خصائص او featuresبتوصف الورم ودى اللى هنستخدمها فى المرحلة اللى بعد كده وهى ال classification Slide 18 هنستخدم فى ال feature extractionالجوريزم ال GLCM ) (Grey Level Co-Occurrence Matrixوده عبارة عن ماتريكس عدد الصفوف واالعمدة بتاعتها بتساوى عدد ال gray levelsلصورة الورم Slide 19 زى المثال ده كده الصورة االولى فيها gray level 3وبكده الماتريكس بتاعتها هتبقي 3*3وبعد ما نحسبها هنعملها normalization Slide 20 بعد ما حسبنا الماتريكس عاوزين نطلع ال featuresبتاعتها وده عن طريق تعويض بمعادالت ثابته فى الماتريكس وبنحسب features 9زى ما الصورة موضحة. Slide 21 بعد مرحلة ال feature extractionهنبدأ مرحلة ال classificationاللى هيتم فيها تصنيف الداتا الى جزئين tumor or not tumor Slide 22 فهنستخدم ال svm algorithmوهو عبارة عن supervised learning بيشتغل على labeled dataفاحنا هنا عملنا modelباستخدام ال svm وعملنا trainingلل modelباستخدام الداتا سيت اللى معانا Slide 23 بعد ما عملنا trainingللداتا هابدا اعمل testingبال featuresاللى طالعه من الصورة فيحدد لى اذا كان فيه ورم وال أل Slide 24 عشان اقدر اعمل classificationللداتا كان الزم ارسم الداتا عشان اشوف هعرف اعمل separationازاى للداتا واقدر احدد نوع ال kernelاللى هشتغل بيه Slide 25 فعملنا runالربعه kernelعندي وعشان اعرف افضل نوع فيهم عملنا 20 runيعني 20مرة trainingلل modelوكل مرة بيستخدم random dataلل trainingو random dataلل testingفهنحسب ال accuracyلكل نوع فهنالحظ ان االرقام بتختلف كل مرة عن التانيه الننا بنستخدم random dataفهنحسب ال average accuracyلكل نوع فهنالقي االفضل ال . polynomial