000			04856namaa22004331i 4500
003			EG-GICUC
005			20260315133647.0
008			260315s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a610.28
092			_a610.28 _221
097			_aPh.D
099			_aCai01.13.03.Ph.D.2025.Sh.I
100	0		_aShereen Ekhlas Mohammed Ibrahim Morsy, _epreparation.
245	1	0	_aIntelligent diagnostic system for ultrasound images / _cby Shereen Ekhlas Mohammed Ibrahim Morsy ; Supervisors Prof. Dr. Abou Bakr Mohammed Abd Al-Fatah Youssef, Prof. Dr. Ahmed Mohammed Ragab El-Bialy.
246	1	5	_aنظام تشخيص ذكي لصور الموجات فوق الصوتية
264		0	_c2025.
300			_a86 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2025.
504			_aBibliography: pages 76-86.
520		3	_aUltrasound 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.
520		3	_aتصوير 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aBiomedical Engineering
650		0	_aالهندسة الحيوية
653		1	_aUltrasound images _aBreast Cancer _aLung Ultrasound _aArtificial Intelligence _aDeep learning _aموجات صوتية _aسرطان الثدى
700	0		_aAbou Bakr Mohammed Abd Al-Fatah Youssef _ethesis advisor.
700	0		_aAhmed Mohammed Ragab El-Bialy _ethesis advisor.
900			_b01-01-2025 _cAbou Bakr Mohammed Abd Al-Fatah Youssef _cAhmed Mohammed Ragab El-Bialy _dAhmed Hisham Bahy Aldin Kandil _dNancy Mustafa Ahmed Salem _UCairo University _FFaculty of Engineering _DDepartment of Biomedical Engineering and Systems
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c179050