Chest X-Ray Image processing

معالجة صور الأشعة السينية للصدر (Chest X-Ray Image Processing)

في هذا المشروع، قمت بمعالجة صور الأشعة السينية للصدر باستخدام تقنيات تعلم الآلة والتعلم العميق (Deep Learning) لتحسين جودة البيانات وبناء نموذج قادر على تحليل الصور بدقة. شملت المهام الرئيسية ما يلي:

1. تطبيق تقنيات زيادة البيانات (Image Augmentation):

- زيادة تنوع البيانات:

قمت بتطبيق تقنيات زيادة البيانات مثل التدوير (Rotation)، والقلب الأفقي والرأسي (Flipping)، وتعديل التباين (Contrast Adjustment) لتعزيز تنوع مجموعة البيانات.

-تحسين قوة النموذج (Model Robustness):

هذه التقنيات ساعدت في تحسين قدرة النموذج على التعامل مع الصور التي قد تختلف في الزاوية أو الإضاءة أو التوجيه، مما يجعله أكثر قوة وتكيفًا مع البيانات الجديدة.

- تقليل فرط التخصيص (Overfitting):

زيادة البيانات ساعدت أيضًا في تقليل فرط تخصيص النموذج للبيانات التدريبية، مما يحسن أداءه على البيانات غير المرئية (Unseen Data).

2. تقييم أداء النموذج (Model Evaluation):

- استخدام مقاييس الأداء:

قمت بتقييم أداء النموذج باستخدام مقاييس مثل الدقة (Precision)، والاستدعاء (Recall)، ودرجة F1 (F1-Score).

- الدقة (Precision): تقيس نسبة التنبؤات الصحيحة الإيجابية من إجمالي التنبؤات الإيجابية.

- الاستدعاء (Recall): تقيس نسبة التنبؤات الصحيحة الإيجابية من إجمالي الحالات الإيجابية الفعلية.

-درجة F1 (F1-Score):هي متوسط توافقي بين الدقة والاستدعاء، مما يعطي مقياسًا متوازنًا لأداء النموذج.

- تصور النتائج (Visualization):

قمت بتصوير النتائج باستخدام رسوم بيانية مثل مصفوفة الارتباك (Confusion Matrix) ومنحنى ROC (ROC Curve) لتوضيح أداء النموذج بشكل مرئي وسهل الفهم.

3. تصميم وتدريب نموذج CNN (Convolutional Neural Network):

- تصميم النموذج:

قمت بتصميم نموذج شبكة عصبية تلافيفية (CNN) باستخدام مكتبتي TensorFlow و Keras.

- الطبقات التلافيفية (Convolutional Layers): تم استخدامها لاستخراج الميزات (Features) من الصور.

- طبقات التجميع (Pooling Layers): تم استخدامها لتقليل حجم البيانات مع الحفاظ على الميزات الرئيسية.

-الطبقات الكثيفة (Dense Layers): تم استخدامها للتعلم من الميزات المستخرجة وتصنيف الصور.

- تدريب النموذج:

تم تدريب النموذج على مجموعة بيانات صور الأشعة السينية باستخدام خوارزمية التحسين (Optimizer) مثل Adam وخسارة (Loss Function) مثل Binary Crossentropy أو Categorical Crossentropy حسب طبيعة المشكلة.

- **ضبط المعلمات (Hyperparameter Tuning):**

تم تجربة قيم مختلفة لمعدل التعلم (Learning Rate)، وحجم الدُفعة (Batch Size)، وعدد العصور (Epochs) لتحسين أداء النموذج.

النتائج:

-تحسين دقة النموذج:

بعد تطبيق تقنيات زيادة البيانات وتحسين بنية النموذج، تم تحقيق دقة عالية في تصنيف صور الأشعة السينية.

- تقليل الأخطاء:

انخفضت نسبة الأخطاء في التنبؤات بفضل تحسين قوة النموذج وتقييمه باستخدام مقاييس دقيقة.

- تصور النتائج:

تم تقديم النتائج بشكل مرئي وواضح، مما سهل عملية تحليل أداء النموذج واتخاذ القرارات بناءً على البيانات.

باختصار، قمت بمعالجة صور الأشعة السينية للصدر باستخدام تقنيات زيادة البيانات وتصميم نموذج CNN لتحقيق دقة عالية في تحليل الصور، مع تقييم النتائج باستخدام مقاييس أداء متقدمة وتصويرها بشكل مرئي لفهم أفضل لأداء النموذج.