مقارنة بين هياكل التعلم العميق لتصنيف حصى الكلى في صور الأشعة المقطعية

الملخص

حصى الكلى حالة شائعة قد تسبب ألمًا شديدًا ومضاعفات إذا لم يتم تشخيصها مبكرًا. يُستخدم التصوير المقطعي المحوسب (CT) على نطاق واسع لاكتشاف حصي الكلي نظرًا لحساسيته العالية. تركز هذه الدراسة على التصنيف الثنائي على مستوى الصورة (حصوة مقابل طبيعي) في صور الأشعة المقطعية باستخدام معماريات التعلم العميق. تم تقييم ثلاث شبكات عصبية التفافية وهي ResNet50 و XResNet50 وDenseNet201، ضمن إطار موحد لعمليات المعالجة المسبقة والتدريب. استُخدمت مجموعتا بيانات عامتان لصور الأشعة المقطعية، حيث قُسمت كل مجموعة إلى 70% للتدريب و30% للاختبار. تم تدريب النماذج باستخدام Google Colab مع تطبيق تقنيات زيادة البيانات بأستخدام مايعرف ب (Data Augmentation) لتقليل فرط التكيّف ((Overfitting.تم تقييم الأداء باستخدام مقاييس الدقة  (Accuracy)، والدقة الإيجابية  (Precision)، والاسترجاع (Recall)، ودرجة   F1  عبر مجموعتي البيانات، حقق نموذج XResNet50 أعلى دقة بلغت 97% و92% على التوالي.ورغم أن النتائج تشير إلى أداء قوي ضمن الإعداد التجريبي المحدد، يُوصى بإجراء تحقق إضافي باستخدام تقسيم البيانات على مستوى المرضى (Patient-wise Splitting) ومجموعات بيانات إضافية لتأكيد قابلية التعميم.تقدم هذه النتائج مرجعًا مقارنًا لاختيار المعماريات المناسبة لتصنيف حصى الكلى اعتمادًا على صور الأشعة المقطعية.