تصنيف سرطان الجلد

تم تطوير نموذج (CNN) باستخدام مكتبات TensorFlow وKeras لتصنيف سرطانات الجلد بناءً على صور آفات الجلد. يركز النموذج على تمييز 9 فئات مختلفة من الآفات الجلدية، بما في ذلك سرطان الخلايا القاعدية (Basal Cell Carcinoma)، الميلانوما (Melanoma)، وحالات أخرى مثل الوحمات (Nevus) والآفات الوعائية (Vascular Lesion). تم استخدام نموذج DenseNet201 المعتمد على نقل التعلم (Transfer Learning) لتحقيق دقة عالية في التصنيف.

الأدوات والتقنيات المستخدمة:

اللغة: Python

المكتبات الرئيسية:

TensorFlow/Keras: لبناء وتدريب الشبكة العصبية.

Pandas/NumPy: لمعالجة البيانات وتنظيمها.

Matplotlib/Seaborn: لتصور أداء النموذج والنتائج.

Scikit-learn: لتقييم النموذج عبر تقارير التصنيف ومصفوفة الارتباك.

Streamlit: لبناء واجهة تفاعلية للتنبؤات المباشرة.

هيكل النموذج:

نقل التعلم (Transfer Learning):

استخدام نموذج DenseNet201 المدرب مسبقًا على مجموعة بيانات ImageNet.

إزالة الطبقات العلوية (Include_top=False) وإضافة طبقات مخصصة.

الطبقات المخصصة:

Flatten: تحويل المخرجات إلى متجه أحادي البعد.

Dropout (نسبة 50%): تقليل الإفراط في التخصيص (Overfitting).

Dense (512 وحدة): طبقة مخفية مع تنشيط ReLU.

طبقة الإخراج (9 وحدات): تنشيط Softmax لإخراج احتمالات الفئات التسع.

التدريب:

مُحسّن SGD مع معدل تعلم 0.001 وزخم 0.9.

دالة الخسارة: Categorical Crossentropy.

تقليل معدل التعلم تلقائيًا (ReduceLROnPlateau) لتحسين الأداء.

معالجة البيانات:

زيادة البيانات (Data Augmentation):

تدوير الصور، الانزياح الأفقي والعمودي، القص، والانعكاس الأفقي.

تعبئة النقاط المفقودة باستخدام الوضع "الأقرب" (Fill_mode='nearest').

التوحيد (Normalization):

حساب المتوسط والانحراف المعياري للصور التدريبية.

تطبيق التوحيد على بيانات التدريب والاختبار.

التقسيم:

تقسيم البيانات إلى مجموعات تدريب (80%) واختبار (20%).

تقسيم مجموعة التدريب إلى تدريب (80%) وتحقق (20%).

أداء النموذج:

دقة التدريب: تصل إلى ~95% (مع تحسن مستمر).

دقة الاختبار: ~90%، مما يشير إلى تعميم جيد.

تقارير التصنيف: دقة عالية لكل الفئات (F1-Score ~0.85-0.95).

التصورات والنتائج:

مصفوفة الارتباك (Confusion Matrix):

أداء ممتاز في التمييز بين الفئات، خاصة الوحمات (Nevus) والآفات الوعائية (Vascular Lesion).

واجهة تفاعلية (Streamlit):

تتيح تحميل صورة آفة جلدية وتوقع المرض مع عرض الثقة بالنسبة المئوية.

الفئات الممكنة:

Actinic Keratosis (التقرن السعفي)

Basal Cell Carcinoma (سرطان الخلايا القاعدية)

Dermatofibroma (الورم الليفي الجلدي)

Melanoma (الميلانوما)

Nevus (الوحمة)

Pigmented Benign Keratosis (التقرن الدهني المصطبغ)

Seborrheic Keratosis (التقرن الدهني)

Squamous Cell Carcinoma (سرطان الخلايا الحرشفية)

Vascular Lesion (الآفة الوعائية)

التطبيق العملي:

يمكن استخدام النموذج لدعم تشخيص أطباء الجلدية عبر تحليل سريع ودقيق لصور آفات الجلد، مما يسهم في الكشف المبكر عن السرطانات وعلاجها. الواجهة التفاعلية تجعل النموذج سهل الاستخدام للمختصين وغير المختصين.