تطبيق الشبكات العصبية التلافيفية CNN لتحليل تصنيف بيانات التصوير الطبي باستخدام بايثون Python
تفاصيل العمل
يظهر هذا المشروع خبرتي في تحليل التصوير الطبي من خلال تنفيذ تصنيف شامل باستخدام مجموعة بيانات من الصور الطبية، والتي تتكون من ست فئات: تصوير اليد، والبطن، والتصوير المقطعي بالرنين المغناطيسي للقلب، والتصوير المقطعي بالصدر، والتصوير بالرنين المغناطيسي للثدي، والتصوير المقطعي بالرأس. كان الهدف تطوير نموذج شبكة عصبية تلافيفية (CNN) فعال للتصنيف متعدد الفئات، بالاستفادة من PyTorch وMONAI لمعالجة البيانات مسبقًا وزيادتها.
سير عمل المشروع:
1. إعداد البيانات:
- إنشاء مجموعة بيانات مُهيكلة للتدريب والتحقق والاختبار.
- تطبيق تحويلات MONAI لزيادة البيانات ومعالجتها مسبقًا.
2. تصميم النموذج والتدريب عليه:
- تطوير بنية شبكة عصبية تلافيفية بأربع طبقات تلافيفية، يتبع كل منها تطبيع الدفعات وتقنية LeakyReLU لضمان تعلّم مستقر.
- دمج طبقات MaxPooling لتقليل الأبعاد المكانية تدريجيًا مع الحفاظ على الميزات الرئيسية.
- تنفيذ طبقات متصلة بالكامل مع خاصية Dropout لتقليل الإفراط في التجهيز. - استُخدم تنشيط Softmax للتصنيف متعدد الفئات.
3. تكوين التدريب:
- دالة الخسارة: Cross-Entropy
- المُحسِّن: Adam
- الفترات: 4
النتائج والتقييم:
- حقق النموذج دقة 99.58% بعد الفترة الثالثة و99.61% بعد الفترة الرابعة، مما يُظهر تعميمًا ممتازًا.
- يُشير التحسن الطفيف في الدقة بين الفترات إلى أن المزيد من التدريب سيُوفر تحسينًا طفيفًا.
- تُظهر Confusion matrix أن النموذج يحقق دقة تصنيف عالية، مع حد أدنى من أخطاء التصنيف عبر الفئات. تشير الهيمنة القطرية إلى أن معظم التنبؤات تُطابق التسميات الصحيحة، مما يُؤكد قوة تعميم النموذج.
- يُوازن النموذج بفعالية بين استخراج السمات والتعميم من خلال تنظيم مُصمم جيدًا.
يُبرز هذا المشروع خبرتي في التعلم العميق، وتصنيف الصور الطبية، وتحسين النماذج باستخدام أحدث الأطر.