نوقشت رسالة الماجستير للباحثة نور سعد حنون في كلية الهندسة جامعة البصرة قسم هندسة الحاسبات وتحت اشراف الاستاذ الدكتور غيداء عبدالرزاق سهيل بعنوان تحليل الصور الطبية باستخدام التعلم العميق الهجين لاستخراج الميزات في الكشف عن الأمراض
وتتضمن .. 
أصبح تحليل الصور الطبية ركيزة أساسية في الرعاية الصحية المعاصرة، إذ يُسهّل الكشف الدقيق عن الأمراض، والتقييم التشريحي، وتخطيط العلاج، فضلاً عن دعم اتخاذ القرارات السريرية من خلال التحليلات الحاسوبية المعقدة. ومن هذا المنطلق، يلعب التشخيص المبكر للسرطان، ولا سيما سرطان الرئة، دورًا بالغ الأهمية نظرًا لارتفاع معدل الوفيات الناجمة عنه، إلى جانب فوائد النجاة الكبيرة. وبينما يُتوقع نتائج واعدة من تطبيق تقنيات الذكاء الاصطناعي والتعلم العميق في تقنيات التصوير الطبي المستقبلية، فإن العديد من التقنيات الحالية في هذا المجال تواجه تحديات، مثل عدم كفاية الميزات والتمثيل، بالإضافة إلى استخدام ودمج مجموعات بيانات واستراتيجيات تعلم أصغر حجمًا.
تقترح هذه الأطروحة أربعة بنى هجينة مدعومة بالذكاء الاصطناعي، مصممة لتحسين تشخيص سرطان الرئة باستخدام صور الأشعة المقطعية (CT) والصور النسيجية المرضية (HIs). أولًا، تم تطوير LCxNet، وهي بنية تعلم عميق مخصصة وخفيفة الوزن وقابلة للتفسير، لتصنيف سرطان الرئة بكفاءة باستخدام صور الأشعة المقطعية. ثانيًا، يجمع إطار عمل هجين لتجميع الأوزان، يُسمى (LCD-VRD)، تمثيلات تكميلية من ثلاثة نماذج تعلم نقل مُدرَّبة مسبقًا، وهي VGG16 وResNet50V2 وDenseNet121. ثالثًا، تم تطوير إطار عمل HiF-LC من خلال دمج مُعرِّفات مُصمَّمة يدويًا، وميزات التعلم العميق، واستراتيجيات دمج الميزات مع مُصنِّفات التعلم الآلي. تشمل التكوينات الهجينة HOG-KNN و(LBP+VGG16)-SVM. أخيرًا، يجمع تصميم LCxViT المُقترح بين استخراج ميزات DenseNet121 ومُحوِّل الرؤية (ViT) لالتقاط المعلومات السياقية المحلية والعالمية معًا في تصنيف الصور النسيجية المرضية. في الختام، تُؤكِّد هذه الأطروحة على فعالية نماذج التعلم العميق الهجينة وقوتها وموثوقيتها في تشخيص السرطان، مع فتح آفاق واعدة للبحوث المستقبلية لتعزيز الأداء بما يتجاوز أحدث الأساليب المُتاحة.