في السنوات الأخيرة، حققت [خوارزميات التعلم](/tag/[خوارزميات](/tag/خوارزميات)-[التعلم](/tag/التعلم)) العميق ([Deep Learning](/tag/deep-learning)) تقدمًا ملحوظًا في مجال [تقسيم الصور](/tag/[تقسيم](/tag/تقسيم)-[الصور](/tag/الصور)) الطبية، حيث تم تسليط الضوء على أهمية [التقنيات الحديثة](/tag/التقنيات-الحديثة) في تعزيز [دقة](/tag/دقة) [التشخيص](/tag/التشخيص). ومع ذلك، كانت هناك [تحديات](/tag/تحديات) تتعلق بعدم وجود [منهجيات](/tag/منهجيات) موحدة لتحليل [الأداء](/tag/الأداء) واستخدام [مجموعات بيانات](/tag/مجموعات-[بيانات](/tag/بيانات)) مختلفة في [الأبحاث](/tag/الأبحاث) السابقة.

تتناول [دراسة جديدة](/tag/[دراسة](/tag/دراسة)-جديدة) الهدف الرئيسي المتمثل في [تقييم](/tag/تقييم) شامل لأطر التقسيم الحديثة مع التركيز على المركبات المدربة مسبقًا لتحقيق احتمال إصابة [COVID-19](/tag/covid-19) في [صور](/tag/صور) [التصوير](/tag/التصوير) المقطعي المحوسب (CT). وتعتبر هذه [الدراسة](/tag/الدراسة) مرجعًا مهمًا لتقسيم [الصور](/tag/الصور) في مختلف السيناريوهات التصويرية.

تم دمج أربع هياكل مختلفة من [التعلم](/tag/التعلم) العميق، وهي Unet وPSPNet وLinknet وFPN، مع ستة [مشفرات](/tag/مشفرات) مدربة مسبقًا تشمل VGG 19 وDenseNet 121 وInception [ResNet](/tag/resnet) V2 وMobileNet V2 وSeresNet 101 وEfficientNet B0. هذه التوليفة أعطت نتائج مثيرة لجهود [تقسيم الصور](/tag/[تقسيم](/tag/تقسيم)-[الصور](/tag/الصور)).

عند التركيز على [تقسيم](/tag/تقسيم) الصور، شمل [البحث](/tag/البحث) [تجارب](/tag/تجارب) ثنائية الفئات ومتعددة الفئات. أظهرت نتائج [التحليل](/tag/التحليل) باستخدام ثلاث [مجموعات بيانات](/tag/مجموعات-[بيانات](/tag/بيانات)) مختلفة لصور [COVID-19](/tag/covid-19) [دقة](/tag/دقة) وكفاءة عالية في النتائج. حيث حقق [التصنيف الثنائي](/tag/[التصنيف](/tag/التصنيف)-الثنائي) F1-Score بلغ 98%، بينما حقق [التصنيف](/tag/التصنيف) متعدد الفئات نتائج تتراوح بين 75% و77% [عبر](/tag/عبر) مجموعتين [بيانات](/tag/بيانات) منفصلتين.

تُظهر النتائج أن استخدام [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) والتعلم العميق يسهم بشكل كبير في [تحسين](/tag/تحسين) عمليات [التشخيص](/tag/التشخيص) لأمراض وبائية متعددة، مما يفتح آفاق جديدة لتطبيق هذه التقنيات في المستقبل.