Chest X-ray Pneumonia Detection Using CNNs

تم تصميم نموذج يعتمد على الشبكات العصبية التلافيفية (CNNs) لتصنيف صور الأشعة السينية للصدر إلى فئتين: طبيعي (Normal) والتهاب رئوي (Pneumonia). يهدف المشروع إلى دعم التشخيص الطبي باستخدام تقنيات الذكاء الاصطناعي، حيث حقق النموذج دقة اختبار بلغت 87.66%.

تفاصيل المشروع:

النموذج:

تم تصميم شبكة عصبية تلافيفية (CNN) مخصصة لمعالجة صور الأشعة السينية.

استخدام طبقات مثل Conv2D، MaxPooling2D، Dropout، BatchNormalization لتحسين الأداء والتقليل من الإفراط في التعميم (Overfitting).

تم ضبط المعلمات باستخدام تقنيات مثل Early Stopping وLearning Rate Scheduling للحصول على أفضل أداء.

معالجة البيانات:

تم استخدام تقنيات Data Augmentation (مثل التدوير، التغيير في السطوع، الانعكاس) لتحسين التعميم وتقليل الإفراط في التدريب.

معالجة مشكلة عدم توازن الفئات باستخدام Oversampling لتجنب تحيز النموذج نحو الفئة الأكثر تمثيلًا.

التطبيق:

نشر النموذج كواجهة تفاعلية باستخدام Gradio، مما يتيح للمستخدمين تحميل صور الأشعة السينية والحصول على تشخيص مباشر (Normal أو Pneumonia).

المهارات والتقنيات المستخدمة:

لغة البرمجة: Python

مكتبات: TensorFlow/Keras, NumPy, OpenCV, Matplotlib

تقنيات المعالجة: Data Augmentation, Oversampling

النشر: Gradio

بيئة العمل: Google Colab

نتائج المشروع:

دقة اختبار: 87.66%

واجهة تفاعلية تُمكن الأطباء أو المستخدمين من اختبار صور الأشعة السينية بسهولة وسرعة.

تقليل التحيز الناتج عن عدم توازن الفئات، مما أدى إلى تحسين دقة التنبؤ في الفئة الأقل تمثيلًا