الملخص :

سرطان الدماغ هو تجمع غير طبيعي للخلايا يحدث في الدماغ، في الوقت الحاضرتلعب تقنيات التصوير الطبي دورًا مهمًا في تشخيص السرطان. يعد التصوير بالرنين المغناطيسي (MRI) أحد أكثر التقنيات استخدامًا لتحديد مكان الورم في الدماغ. قد تصبح الصور التي يتم الحصول عليها بتقنيات التصوير الطبي صورة ذات جودة أفضل من خلال تطبيق خوارزميات التعليم العميق. لذلك نهدف في هذه الدراسة إلى تطوير طريقة للتمييز بوضوح بين الأنسجة المصابة بالسرطان والانسجة السليمة والحصول على صور واضحة للجمجمة والدماغ والورم بما يكفي لمراقبتها من قبل الطبيب ومنحهم المزيد من التفاصيل حول الورم في تشخيصهم، تُستخدم صور التصوير بالرنين المغناطيسي لتقييم دقة البحث المقترح توجد صور في قاعدة البيانات غير طبيعية وصور طبيعية (مع وبدون ورم) للدماغ بالرنين المغناطيسي. جميع الصور بحجم 256 × 256 بكسل بتنسيق JPEG.

يهدف البحث إلى بناء شبكة تعليم عميق قادرة على تمييز المصابين بمرض سرطان الاورام الدماغية، وذلك بعد تدريبها للتعرف على هذا المرض باستخدام خوارزميات التعليم العميق، تعتمد على آخر تطويرات الشبكات العصبونية التلافيفية من خلال استخدام شبكة Mask RCNN. حيث سنقوم بمناقشة بنية وأعمال خوارزميات الرؤية الحاسوبية والتعليم العميق المختلفة للشبكة العصبونية الالتفافية CNN، وشبكة CNN التي تعتمد على المنطقة (R-CNN)، وFast R-CNN، وFaster R-CNN وصولاً إلى التقنية التي تم استخدامها في بحثنا وهي Mask R-CNN.

الكلمات المفتاحية

شبكة اقتراح المنطقة      RPN       Region Proposal Network

Support Vector Machine        SVM      عامل التصنيف الخطي

الشبكة العصبونية الالتفافية     CNN  Convolutional neural network

قسمة منطقة التقاطع الفعلي والمتوقعIoU    Intersection over Union

1- الخوارزميات المستخدمة والتطورات المستمرة عليها

1-1 الشبكة العصبونية الالتفافية (CNN):

عندما نشاهد صورة، نقوم بمسحها ضوئيًا، قد نعرض صورة من اليسار إلى اليمين أو من أعلى إلى أسفل لفهم الميزات المختلفة للصورة، يجمع دماغنا بين الميزات المحلية (local features) المختلفة التي قمنا بمسحها ضوئيًا لتصنيف الصورة، وهذا بالضبط ما تقوم به هذه الشبكة. تأخذ شبكة CNN الإدخال كصورة “x”، وهي عبارة عن مجموعة ثنائية الأبعاد من البكسلات بقنوات ألوان مختلفة (RGB). أهم قيود شبكة CNN:

يستخدم لاكتشاف الاعتراض باستخدام المربعات المحيطة ولكن لكائن واحد فقط في كل مرة، لا تعمل بشكل جيد عندما توجد كائنات متعددة في المجال البصري بسبب التداخل [1].

Region based CNN) R-CNN 2-1:

• إنشاء مقترحات منطقة (category-independent) مستقلة عن الفئة باستخدام البحث الانتقائي لاستخراج 2000 منطقة.
• يتم تغذية مقترحات المنطقة المشوهة (Warped region proposals) إلى شبكة عصبية تلافيفية كبيرة، تعمل CNN كمستخرج ميزة حيث تستخرج متجه ميزة ذات طول ثابت من كل منطقة، وبعد المرور عبر CNN تستخرج R-CNN متجهًا مكونًا من 4096 بعدًا لكل مقترح منطقة.
• يتم تطبيق SVM (Support Vector Machine) على الميزات المستخرجة من CNN، حيث يساعد SVM في تصنيف وجود الكائن في المنطقة، ويستخدم الـ Regressor للتنبؤ بالقيم الأربع للمربع المحيط، ويتم تطبيق عملية إزالة التشويش الجشع غير الأقصى (greedy non-maximum suppression) على جميع المناطق المسجلة في صورة ما.
• ترفض عملية إزالة التشويش الجشع غير الأقصى منطقة ما إذا كانت تمتلك قيمة (IoU) تتداخل مع منطقة تم اختيارها بنتيجة أعلى من العتبة التي تم تعلمها. مما يجعل التدريب بطيئًا ومكلفًا في R-CNN
• نقوم باستخراج 2000 منطقة لكل صورة بناءً على البحث الانتقائي.
• استخراج الميزات لكل منطقة صورة بالنسبة للصورN سيكون لدينا عدد ميزات يبلغ القيمة N * 2000 CNN [2]

3-1 Fast R-CNN

إطارعمل سريع لتصنيف الكائنات واكتشاف الأشياء باستخدام شبكات ConvNets العميقة، يستخدم شبكة تحويل عميقة واحدة لاستخراج الميزات، تعمل شبكة ConvNet عميقة واحدةعلى تسريع معالجة الصور بشكل كبير على عكس R-CNN التي تستخدم2000 ConvNets لكل منطقةمن الصورة، يستخدم softmax لتصنيف الكائنات بدلاً من SVM المستخدم في R-CNN، يستخدمFast R-CNNالبحث الانتقائي كطريقةاقتراح للعثورعلى مناطق الاهتمام، وهي عملية بطيئة وتستغرق وقتًا طويلاً، لذا هو غير مناسب لمجموعات البيانات الواقعية الكبيرة [3].

Faster R-CNN 4-1 :

يستخدم شبكة اقتراح المنطقة RPNبدل البحث الانتقائي المكلف والتي هي شبكة واحدة وموحّدة لاكتشاف الكائنات. يتكون من مرحلتين: المرحلة الأولى هي الشبكة التلافيفية العميقة التي تقترح مناطق تسمى شبكة اقتراح المنطقة (RPN)، نموذج RPN يُستخدم للإشارة إلى الشبكة الموحدة. المرحلة الثانية هي كاشف Fast R-CNN الذي يستخرج الميزات باستخدام RoI Pool من كل مربع مرشح وينفذ التصنيف وانحدار الصندوق المحيط (bounding-box regression) [4].

5-1 خوارزمية Mask R-CNN:

 يتم تجزئة كل حالة أونموذج (instance)، والهدف هنا هو تصنيف كل بكسل في مجموعة ثابتة من الفئات دون التفريق بين نماذج الكائن، يُعتبر هذا النوع امتداد لشبكة Faster RCNN، وما يلي أهم الاختلافات بينهما:

يحتوي Mask R-CNNعلى فرع إضافي للتنبؤ بأقنعة التجزئة في كل منطقة اهتمام (RoI) بطريقة (pixel-to pixel manner). لم يتم تصميم Faster R-CNN لتحقيق محاذاة من النوع بكسل تلو بكسل بين مدخلات ومخرجات الشبكة. يمتلك Faster RCNN مخرجين: لكل كائن مرشح هناك تصنيف فئة (class label) و(bounding-box offset). بينما تمتلك شبكة  Mask RCNNثلاثة مخرجات:لكل كائن مرشح هناك تصنيف فئة(class label) وإزاحة الصندوق المحيط (bounding-box offset)،وناتج ثالث هو قناع الكائن (object mask) [5][4].

الشكل (1): بنية عمل Mask R-CNN