تطوير نظام إلكتروني لتحليل وتشخيص صور الأشعة السينية لتصنيف كسور العظام باستخدام خوارزميات التعلم الآلي
الكلمات المفتاحية:
نظام إلكتروني، الأشعة السينية، كسور العظام، التعلم الآلي، الذكاء الاصطناعيالملخص
يعد الذكاء الاصطناعي من التقنيات الواعدة في مجال التصوير الطبي، لما له من دور فعّال في تحسين دقة وكفاءة التشخيص وتقليل الأخطاء البشرية. وغالباً ما تُستخدم صور الأشعة السينية على نطاق واسع في تشخيص كسور العظام الناتجة عن الحوادث، والشيخوخة، وهشاشة العظام، إلا أن التقييم اليدوي لهذه الصور قد يكون مرهقًا ومعرّضًا للأخطاء، خاصة في حالات الكسور الدقيقة التي يصعب اكتشافها بسبب قلة الخبرة أو ضعف وضوح الصورة، مما قد يؤدي إلى تشخيص غير دقيق. لذلك يهدف هذا البحث إلى تطوير نظام ذكي قائم على تقنيات التعلم الآلي لتحليل وتشخيص صور الأشعة السينية لكسور العظام، بهدف تحسين دقة التشخيص وتسريع عملية الكشف، مع تقليل الأخطاء الطبية المحتملة. حيث تم اعتماد المنهج الوصفي التحليلي في تحليل وتصميم النظام. كما تم توظيف مجموعة من الأدوات والتقنيات، من أبرزها لغة البرمجة Python، ومنصتي Jupyter وGoogle Colab، إضافة إلى برنامج Crystal Reports. يعتمد النظام على تدريب خوارزميتي التصنيف SVMوKNN باستخدام مجموعة بيانات من صور الأشعة السينية التي تشمل عظامًا مكسورة وغير مكسورة، وذلك بعد تطبيق عمليات المعالجة المسبقة للصور واستخراج الميزات المناسبة. أظهرت نتائج المقارنة تفوق نموذجSVM، حيث حقق دقة اختبار بلغت 83.36% مقابل 82.86% لنموذج KNN، كما سجل نموذج SVM دقة وصلت إلى 96% عند اختباره مع مجموعة بيانات متوازنة مقابل 52% لنموذج KNN. وبالتالي فإن نموذج SVM أكثر ملائمة وموثوقية للاعتماد عليه في تشخيص كسور العظام لصور الأشعة السينية. كما تؤكد النتائج فعالية النظام المقترح في تحسين التصنيف، وتبرز كفاءة الذكاء الاصطناعي في دعم تشخيص كسور العظام بما يحسن جودة الرعاية الصحية ويقلل العبء عن اختصاصي الأشعة.
التنزيلات
المراجع
أولاً: المراجع باللغة العربية
ذويب، محمّد (2020). مقدمة عن خوارزمية آلة المتّجه الداعمSupport Vector Machine–. على الرابط: [https://aiinarabic.com/introduction-to-support-vector-machine/].
طعيمة، علاء (2020). التعلم الآلي عن طريق الأمثلة. كلية علوم الحاسوب وتكنولوجياالمعلومات. جامعة القادسية، العراق.
عوكل، لمى عدنان (2021). دور استخدام خوارزميات الذكاء الصناعي في عمليات ضبط الجودة: دراسة حالة-مصنع الميسور للصناعات البلاستيكية-سورية-ريف دمشق. رسالة ماجستير في إدارة الجودة، الجامعة الافتراضية السورية، سورية.
قمو، زهرة؛ هويدي، فاطمة سليمان؛ إكحيل، سليمة وكندي، غزالة (2023). دور الأنظمة الإلكترونية في تحسين إدارة ومتابعة مشاريع التخرج عبر الإنترنت: دراسة تطبيقية لكلية تقنية المعلومات. المؤتمر العلمي السنوي لطلاب المرحلة الجامعية والدراسات العليا بالجامعة الأسمرية الإسلامية، 1، 7. 16-35.
ثانياً: المراجع باللغة الإنجليزية
Bagaria, R., Wadhwani, S., & Wadhwani, A. K. (2021). Bone fracture detection in X-ray images using convolutional neural network. In Raju Pal & Praveen K. Shukla (eds.), SCRS Conference Proceedings on Intelligent Systems, 459–466. Computing & Intelligent Systems, SCRS, India.
Bhalla, N. (2024). Hough Transforms in Image Processing. Scaler. Online at: [https://www.scaler.com/topics/hough-transform-in-image-processing/].
Bigham‐Sadegh, A., & Oryan, A. (2015). Basic concepts regarding fracture healing and the current options and future directions in managing bone fractures. International Wound Journal, 12(3), 238-247.
Cloudinary (2024). Median Filter. Cloudinary. Online at: [https://cloudinary.com/glossary/median-filter].
Goel, M. K., Singh, G., Sunil, G., MuhamedAle, H., & Sharma, G. (2025). Hand Fracture Detection Using Convolutional Neural Networks: A Deep Learning Approach for Automated Diagnostics. In 2025 IEEE International Conference on Interdisciplinary Approaches in Technology and Management for Social Innovation (IATMSI), 3, 1-6). IEEE.
Howedi, F. S., Aldabrzi, A. Y., Sultan, S., & Wali, A. (2023). Utilizing Information Technology Tools to Design and Develop an E-travel Guide System for Tourism Industry -Applied study to the City of Misurata, Annama Journal (STDJ). 4(2), 101-112.
Mehta, R., Pareek, P., Jayaswal, R., Patil, S., & Vyas, K. (2023). Bone fracture detection using AI-based techniques. Scalable Computing: Practice and Experience, 24(2), 161-171.
Murti, K. C. S. (2022). Use Cases. In Design Principles for Embedded Systems, 21-34. Singapore: Springer Singapore.
Noureen, A., Zia, M. A., Adnan, A., & Hashim, M. (2023). Analysis and classification of bone fractures using machine learning techniques. In E3S Web of Conferences, 409, 02015. EDP Sciences.
Thorat, S. R., Jha, D. G., Sharma, A. K., & Katkar, D. V. (2024). Wrist fracture detection using self-supervised learning methodology. Journal of Musculoskeletal Surgery and Research, 8(2), 133-141.
Towards AI. (2020). What is a Canny Edge Detection Algorithm? Towards AI. Online at: [https://towardsai.net/p/computer-vision/what-is-a-canny-edge-detection-algorithm].
Üreten, K., Sevinç, H. F., İğdeli, U., Onay, A., & Maraş, Y. (2022). Use of deep learning methods for hand fracture detection from plain hand radiographs. Turkish Journal of Trauma & Emergency Surgery, 28(2), 196-201.
Vironicka, S. A., & Sathiaseelan, J. G. R. (2022). Framework for Classifying Long Bone Detection Using Image Processing Techniques. International Journal of Intelligent Systems and Applications in Engineering, 10(1s), 56–66.
Wang, R., Wang, J., & Wang, N. (2017). Application of data mining technology in medical image processing. In 2016 International Conference on Engineering and Advanced Technology (ICEAT 2016) , 18-21. Atlantis Press.
Wang, X., Xu, Z., Tong, Y., Xia, L., Jie, B., Ding, P., Bai, H., Zhang, Y., & He, Y. (2022). Detection and classification of mandibular fracture on CT scan using deep convolutional neural network. Clinical Oral Investigations, 26(6), 4593-4601.
Wani, I. M., & Arora, S. (2023). Osteoporosis diagnosis in knee X-rays by transfer learning based on convolution neural network. Multimedia Tools and Applications, 82(9), 14193-14217.
التنزيلات
منشور
إصدار
القسم
الرخصة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
