نستكشف إمكانات نماذج الشبكات العصبية التلافيفية (CNN) للكشف عن سرطان المرارة (GBC) من صور الأشعة فوق الصوتية (USG)، حيث لا توجد دراسات سابقة معروفة في هذا المجال. تعتبر الأشعة فوق الصوتية هي الوسيلة التشخيصية الأكثر شيوعًا للأمراض المرارية بسبب تكلفتها المنخفضة وسهولة الوصول إليها. ومع ذلك، فإن صور الأشعة فوق الصوتية تكون صعبة التحليل بسبب جودة الصورة المنخفضة والضوضاء وتغير الزوايا نتيجة طبيعة الاستشعار اليدوي. أظهرت دراستنا الشاملة للتقنيات الرائدة في تصنيف الصور أن هذه التقنيات غالبًا ما تفشل في تعلم المنطقة المميزة للمرارة بسبب وجود الظلال في صور الأشعة فوق الصوتية. كما أن تقنيات الكشف عن الأجسام الرائدة تحقق دقة منخفضة بسبب النسيج الزائف الناجم عن الضوضاء أو الأعضاء المجاورة.نقترح استخدام GBCNet لمواجهة التحديات التي نواجهها في مشكلتنا. يبدأ GBCNet باستخراج المناطق ذات الاهتمام (ROIs) من خلال كشف المرارة (وليس السرطان)، ثم يستخدم معمارية جديدة متعددة المقياس ومتخصصة في تصنيف سرطان المرارة باستخدام تقنية التجميع من الدرجة الثانية. لمعالجة النسيج الزائف بشكل فعال، نقترح برنامجًا تعليميًا مستوحىً من حدة الإبصار البشرية، والذي يقلل من التحيزات النسيجية في GBCNet. تظهر النتائج التجريبية أن GBCNet يتفوق بشكل كبير على نماذج الشبكات العصبية التلافيفية الرائدة وكذلك الأطباء الاختصاصيين في علم الأشعة.ابتكاراتنا التقنية تنطبق بشكل عام على مهام تحليل صور الأشعة فوق الصوتية الأخرى أيضًا. لذلك، كإثبات للجدوى، نعرض أيضًا فعالية GBCNet في الكشف عن سرطان الثدي من صور الأشعة فوق الصوتية. يمكن الوصول إلى صفحة المشروع التي تحتوي على شفرة المصدر والنماذج المدربة والبيانات عبر الرابط: https://gbc-iitd.github.io/gbcnet