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

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

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

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

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