Intelligent diagnostic system for ultrasound images /
Shereen Ekhlas Mohammed Ibrahim Morsy,
Intelligent diagnostic system for ultrasound images / نظام تشخيص ذكي لصور الموجات فوق الصوتية by Shereen Ekhlas Mohammed Ibrahim Morsy ; Supervisors Prof. Dr. Abou Bakr Mohammed Abd Al-Fatah Youssef, Prof. Dr. Ahmed Mohammed Ragab El-Bialy. - 86 pages : illustrations ; 30 cm. + CD.
Thesis (Ph.D)-Cairo University, 2025.
Bibliography: pages 76-86.
Ultrasound imaging is a non-invasive tool for diagnosing breast and lung diseases but is limited by operator dependency. AI-driven computer-aided diagnosis (CAD) systems enhance accuracy and efficiency by automating feature extraction. This thesis explores AI-based breast and lung ultrasound analysis using machine learning (ML), deep learning (DL), and transfer learning.
For breast ultrasound, three CAD approaches were evaluated. The ML-based system used SVM, KNN, and Decision Trees, with SVM achieving 89.6% accuracy. The DL-based system, employing CNNs and deep features, achieved 95.1% accuracy. Transfer learning integrated ResUNet for segmentation and EfficientNetB7 for classification, reaching 88% accuracy.
For lung ultrasound, CNN and EfficientNetB3 outperformed other models, exceeding 90% accuracy. These findings demonstrate the utility of AI as a supportive tool in the diagnostic process, though challenges like dataset limitations and model generalizability remain. Future research will refine architectures, integrate multimodal imaging, and enhance clinical validation. تصوير الموجات فوق الصوتية هو أداة غير جراحية لتشخيص أمراض الثدي والرئة ولكنه محدود بالاعتماد على المستخدم. تعزز أنظمة التشخيص بمساعدة الكمبيوتر المدفوعة بالذكاء الاصطناعي (CAD) الدقة والكفاءة من خلال أتمتة استخراج المزايا. تستكشف هذه الأطروحة تحليل الموجات فوق الصوتية للثدي والرئة المعتمد على الذكاء الاصطناعي باستخدام التعلم الآلي (ML)، والتعلم العميق (DL)، والتعلم بالنقل. بالنسبة لفحص الثدي بالموجات فوق الصوتية، تم تقييم ثلاث طرق مبنية على الذكاء الاصطناعي. استخدم النظام القائم على التعلم الآلي SVM وKNN وأشجار القرار، حيث حقق SVM دقة بنسبة 89.6%. حقق النظام القائم على التعلم العميق، الذي يستخدم الشبكات العصبية التلافيفية والميزات العميقة، دقة بنسبة 95.1%. تم دمج التعلم بالنقل مع ResUNet للتجزئة وEfficientNetB7 للتصنيف، مما حقق دقة بنسبة 88%. بالنسبة للأشعة فوق الصوتية للرئة، تفوقتCNN وEfficientNetB3 على النماذج الأخرى، متجاوزةً دقة 90%. تؤكد النتائج على إمكانيات الذكاء الاصطناعي في تحسين التشخيصات، على الرغم من وجود تحديات مثل قيود مجموعة البيانات وقابلية تعميم النموذج. ستقوم الأبحاث المستقبلية بتحسين الهياكل، ودمج التصوير متعدد.
Text in English and abstract in Arabic & English.
Biomedical Engineering
الهندسة الحيوية
Ultrasound images Breast Cancer Lung Ultrasound Artificial Intelligence Deep learning موجات صوتية سرطان الثدى
610.28
Intelligent diagnostic system for ultrasound images / نظام تشخيص ذكي لصور الموجات فوق الصوتية by Shereen Ekhlas Mohammed Ibrahim Morsy ; Supervisors Prof. Dr. Abou Bakr Mohammed Abd Al-Fatah Youssef, Prof. Dr. Ahmed Mohammed Ragab El-Bialy. - 86 pages : illustrations ; 30 cm. + CD.
Thesis (Ph.D)-Cairo University, 2025.
Bibliography: pages 76-86.
Ultrasound imaging is a non-invasive tool for diagnosing breast and lung diseases but is limited by operator dependency. AI-driven computer-aided diagnosis (CAD) systems enhance accuracy and efficiency by automating feature extraction. This thesis explores AI-based breast and lung ultrasound analysis using machine learning (ML), deep learning (DL), and transfer learning.
For breast ultrasound, three CAD approaches were evaluated. The ML-based system used SVM, KNN, and Decision Trees, with SVM achieving 89.6% accuracy. The DL-based system, employing CNNs and deep features, achieved 95.1% accuracy. Transfer learning integrated ResUNet for segmentation and EfficientNetB7 for classification, reaching 88% accuracy.
For lung ultrasound, CNN and EfficientNetB3 outperformed other models, exceeding 90% accuracy. These findings demonstrate the utility of AI as a supportive tool in the diagnostic process, though challenges like dataset limitations and model generalizability remain. Future research will refine architectures, integrate multimodal imaging, and enhance clinical validation. تصوير الموجات فوق الصوتية هو أداة غير جراحية لتشخيص أمراض الثدي والرئة ولكنه محدود بالاعتماد على المستخدم. تعزز أنظمة التشخيص بمساعدة الكمبيوتر المدفوعة بالذكاء الاصطناعي (CAD) الدقة والكفاءة من خلال أتمتة استخراج المزايا. تستكشف هذه الأطروحة تحليل الموجات فوق الصوتية للثدي والرئة المعتمد على الذكاء الاصطناعي باستخدام التعلم الآلي (ML)، والتعلم العميق (DL)، والتعلم بالنقل. بالنسبة لفحص الثدي بالموجات فوق الصوتية، تم تقييم ثلاث طرق مبنية على الذكاء الاصطناعي. استخدم النظام القائم على التعلم الآلي SVM وKNN وأشجار القرار، حيث حقق SVM دقة بنسبة 89.6%. حقق النظام القائم على التعلم العميق، الذي يستخدم الشبكات العصبية التلافيفية والميزات العميقة، دقة بنسبة 95.1%. تم دمج التعلم بالنقل مع ResUNet للتجزئة وEfficientNetB7 للتصنيف، مما حقق دقة بنسبة 88%. بالنسبة للأشعة فوق الصوتية للرئة، تفوقتCNN وEfficientNetB3 على النماذج الأخرى، متجاوزةً دقة 90%. تؤكد النتائج على إمكانيات الذكاء الاصطناعي في تحسين التشخيصات، على الرغم من وجود تحديات مثل قيود مجموعة البيانات وقابلية تعميم النموذج. ستقوم الأبحاث المستقبلية بتحسين الهياكل، ودمج التصوير متعدد.
Text in English and abstract in Arabic & English.
Biomedical Engineering
الهندسة الحيوية
Ultrasound images Breast Cancer Lung Ultrasound Artificial Intelligence Deep learning موجات صوتية سرطان الثدى
610.28