000			06341namaa22004211i 4500
003			OSt
005			20250413110135.0
008			250325s2024 |||a|||f m||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a005.1
092			_a005.1 _221
097			_aM.Sc
099			_aCai01.18.07.M.Sc.2024.Ra.D
100	0		_aRania Mohmmed Samir Elsheshtawy, _epreparation.
245	1	2	_aA deep learning approach for diagnosis and detection of acute lymphocytic leukemia / _cby Rania Mohmmed Samir Elsheshtawy ; Supervision Prof. Ammar Mohammed Ammar, Dr. Basma Ezzat Hassan.
246	1	5	_aنهج التعلم العميق لتشخيص واكتشاف سرطان الدم الليمفاوي الحاد /
264		0	_c2024.
300			_a121 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2024.
504			_aBibliography: pages 108-120.
520			_aALL is a fast-growing condition that can impact the bone marrow, blood, and crucial organs within the body. It is a rapidly progressive disorder that requires prompt medical attention and treatment. Timely and accurate diagnosis is crucial to determine appropriate treatment. However, the manual diagnosis by hematologists can be time-consuming and susceptible to errors and inconsistencies. Deep learning, particularly convolutional neural network (CNN/ConvNet) technology, is used to address various challenges in detecting and diagnosing ALL. This advanced technology is capable of accurately analyzing large amounts of data and identifying subtle differences in the genetic and cellular makeup of leukemia cells, has shown promise in medical diagnosis, particularly in visual image analysis. The fast and accurate feature extraction function and trainable network architecture of CNNs make them suitable for this application. In this study, we propose an effective deep framework for CNN networks that enables the rapid and early detection and classification of leukemia cells from microscopic blood smear images. In order to classify cells as either blast cells (ALL) or healthy cells (HEM), the problem was framed as a binary classification challenge. Each individual cell was assessed and classified using this approach. In this study, various CNN-based architectures were evaluated using transfer learning. Specifically, we investigated the performance of VGG16, VGG19, ResNet60, ResNet101, and DensNet169 models. The results indicate that the DensNet169 model outperformed the other models with an accuracy score of 97.62% . These findings demonstrate the potential of transfer learning and the superiority of the DensNet169 model for the accurate and efficient classification of leukemia cells in microscopic blood smear images
520			_a (اللوكيميا )سرطان الدم الليمفاوي الحاد( هو حالة سريعة النمو التي يمكن أن تؤثر على نخاع العظم، الدم، والأعضاء الحاسمة داخل الجسم. إنه اضطراب تقدمي سريع يتطلب عناية وعلاجا طبيين فوريين. والتشخيص في الوقت المناسب وبدقة أمر حاسم لتحديد العلاج المناسب. ومع ذلك، يمكن أن يكون التشخيص الذاتي من قبل أخصائيي أمراض الدم مستهلكاً للوقت ومعرضاً للأخطاء والتناقضات. ويسُتخدم التعلم العميق، ولا سيما تكنولوجيا الشبكة العصبية التعاقبية) CNN/ConvNet( في التصدي لمختلف التحديات في كشف وتشخيص كل شيء. وهذه التكنولوجيا المتقدمة قادرة على التحليل الدقيق لكميات كبيرة من البيانات وتحديد الاختلافات الدقيقة في التركيب الوراثي والخلوي لخلايا اللوكيميا، وقد أثبتت أنها واعدة في التشخيص الطبي، ولا سيما في تحليل الصور البصرية. وتؤدي وظيفة الاستخراج السريع والدقيق للخاصيات وبنيان الشبكة القابلة للتدريب في CNNs إلى جعلهما مناسبين لهذا التطبيق. وفي هذه الدراسة، نقترح إطاراً عميقاً فعالاً لشبكات CNN التي تتيح الكشف السريع والمبكر عن خلايا سرطان الدم وتصنيفها من الصور المجهرية لمسح الدم. وبغية تصنيف الخلايا إما على أنها خلايا انفجارية )ALL( أو خلايا صحية) HEM(، وُضعت المشكلة كتحد للتصنيف الثنائي. وتم تقييم كل خلية على حدة وتصنيفها باستخدام هذا النهج. وفي هذه الدراسة، جرى تقييم مختلف البنيات القائمة على شبكة CNN باستخدام التعلم في مجال النقل. وعلى وجه التحديد، قمنا بالتحقيق في أداء نماذج VGG16 و VGG19 و ResNet60 و ResNet101 و DensNet169. وتشير النتائج إلى أن نموذج DensNet169 فاق أداء النماذج الأخرى بمستوى دقة قدره 97.62 في المائة. وتبين هذه النتائج إمكانات التعلم عن طريق النقل وتفوق نموذج DensNet169 على تصنيف خلايا اللوكيميا بدقة وكفاءة في صور مسح الدم المجهرية
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aSoftware Engineering _2qrmak
653		0	_aAcute lymphoblastic leukemia _aMedical Images _aConvolutional Neural Network _aC_NMC_2019 Dataset
700	0		_aAmmar Mohammed Ammar _ethesis advisor.
700	0		_aBasma Ezzat Hassan _ethesis advisor.
900			_b01-01-2024 _cAmmar Mohammed Ammar _cBasma Ezzat Hassan _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Software Engineering
905			_aShimaa _eHuda
942			_2ddc _cTH _e21 _n0
999			_c171286