تطوير نماذج ذكاء اصطناعي (Deep Learning) لتصنيف صور الأشعة السينية للرئتين

قمت بتطوير مشروع يعتمد على تقنيات التعلم العميق (Deep Learning) و التعلم بالنقل (Transfer Learning) لتصنيف صور الأشعة السينية للرئتين إلى ثلاث فئات: Lung Opacity، Viral Pneumonia، و Normal.

الخطوات التي قمت بها:

1.إعداد البيانات: إنشاء DataFrame يحتوي على مسار الصور (File Path) والتصنيف (Label)، ثم تقسيم البيانات إلى Training، Validation، و Test.

2.زيادة البيانات (Data Augmentation): استخدام تقنيات Augmentation لزيادة تنوع الصور وتحسين أداء النماذج.

3.التمثيل البصري: عرض عينات من الصور لفهم طبيعتها قبل عملية التدريب.

4.بناء النماذج: تطبيق وتدريب 3 نماذج مسبقة التدريب (Pre-trained Models):

- DenseNet121

- ResNet50

- EfficientNetB0

5. تقييم الأداء:

- متابعة الأداء (Accuracy & Loss) أثناء التدريب والتحقق (Training & Validation).

- قياس دقة النماذج على بيانات Train، Validation، و Test.

- استخدام Confusion Matrix و Classification Report لفهم دقة النماذج بشكل تفصيلي.

6. اختيار النموذج الأفضل: الاعتماد على أفضل نموذج أداءً لإجراء التنبؤات (Prediction) على صورة جديدة.

7. حفظ النموذج النهائي: لتسهيل إعادة استخدامه مستقبلًا.

النتيجة: نموذج فعال ودقيق لتصنيف صور الأشعة السينية للرئتين، مما يساعد في دعم التشخيص الطبي المبكر وتحليل الحالات بشكل آلي.

التقنيات والأدوات المستخدمة:

-اللغات والمكتبات: Python، Pandas، NumPy، Matplotlib، Seaborn

-التعلم العميق: TensorFlow/Keras (Transfer Learning, CNN, Pre-trained Models)

-النماذج المستخدمة: DenseNet121، ResNet50، EfficientNetB0

-المعالجة المسبقة: Data Augmentation، Image Rescaling، Train/Validation/Test Split

-التقييم: Accuracy، Loss، Confusion Matrix، Classification Report