اكتشاف ورم الدماغ

تم تطوير نموذج شبكة عصبية (CNN) باستخدام مكتبات TensorFlow وKeras لتصنيف صور الدماغ إلى فئتين: "ورم" (Tumor) أو "سليم" (Healthy). يعتمد النموذج على معمارية متقدمة مع تنظيم (Regularization) وتقنيات زيادة البيانات (Data Augmentation) لتحسين الأداء وتقليل الإفراط في التخصيص (Overfitting). تم تدريب النموذج على مجموعة بيانات تحتوي على صور دماغية، وتم تقييمه باستخدام دقة التدريب والتحقق.

الأدوات والتقنيات المستخدمة:

اللغة: Python

المكتبات الرئيسية:

TensorFlow/Keras: لبناء وتدريب الشبكة العصبية.

NumPy/Pandas: لمعالجة البيانات وتنظيمها.

Matplotlib/Seaborn: لتصور أداء النموذج والنتائج

Streamlit: لبناء واجهة تفاعلية للتنبؤات المباشرة.

هيكل النموذج:

طبقات التلافيف (Convolutional Layers):

Conv2D (32 فلتر): استخراج الميزات الأولية مع تنشيط ReLU.

MaxPool2D: تخفيض الأبعاد للمساعدة في تعلم الميزات العامة.

تكرار الهيكل مع 64 و128 فلترًا لالتقاط أنماط معقدة

الطبقات الكثيفة (Dense Layers):

Flatten: تحويل المخرجات إلى متجه أحادي البعد.

Dense (256 وحدة): طبقة مخفية مع تنشيط ReLU وتنظيم L2.

BatchNormalization: تحسين استقرار التدريب.

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

Dense (128 وحدة): طبقة مخفية إضافية مع تنشيط ReLU وتنظيم L2.

طبقة الإخراج (1 وحدة): تنشيط Sigmoid للتصنيف الثنائي.

معالجة البيانات:

زيادة البيانات (Data Augmentation):

تدوير الصور، الانزياح الأفقي والعمودي، التكبير/التصغير، والانعكاس الأفقي.

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

التوحيد (Normalization):

تحويل قيم البكسل إلى المدى [0, 1] عبر القسمة على 255.

أداء النموذج:

دقة التدريب: تصل إلى ~95%

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

مقاييس إضافية: الدقة (Precision) والاستدعاء (Recall) لتحليل أداء النموذج.

التدريب:

المحسن (Optimizer): Adam بمعدل تعلم 0.0001.

دالة الخسارة: Binary Crossentropy.

الاستدعاءات (Callbacks):

EarlyStopping: إيقاف التدريب مبكرًا إذا لم يتحسن الأداء.

ModelCheckpoint: حفظ أفضل نموذج بناءً على دقة التحقق.

التطبيق العملي:

تم تطوير واجهة تفاعلية باستخدام Streamlit تتيح للمستخدمين تحميل صورة دماغية وتوقع ما إذا كانت تحتوي على ورم أم لا. الواجهة تعرض الصورة المرفقة والتنبؤ مع مستوى الثقة.