Brain Tumor Classification Using Deep CNN with Residual Blocks

قمت بتطوير نموذج ذكاء اصطناعي لتصنيف أنواع أورام المخ المختلفة من صور الـ MRI باستخدام شبكة عصبية تلافيفية عميقة (CNN) مدعومة بـ Residual Blocks لتحسين أداء التدريب ومنع مشكلة فقدان التدرج.

هدف المشروع

تصنيف أنواع أورام المخ بدقة عالية اعتمادًا على تحليل صور الرنين المغناطيسي.

المنهجية التقنية

Data Preparation

تنظيم الصور في مجلدات حسب نوع الورم

توحيد أبعاد الصور (224×224)

تحويل الصور إلى Tensors

تقسيم البيانات إلى Training و Testing

استخدام DataLoader لتقسيم البيانات إلى Batches

Model Architecture

تم بناء شبكة CNN عميقة تتضمن:

Convolution Layers لاستخراج الميزات

Batch Normalization لتحسين استقرار التدريب

Residual Blocks مستوحاة من فكرة

ResNet

لمنع Vanishing Gradient

Max Pooling لتقليل الأبعاد تدريجياً

Global Average Pooling

Fully Connected Layers للتصنيف النهائي

الشبكة تتعلم تدريجياً:

حواف وألوان

أنماط الورم

الفروق الدقيقة بين الأنواع

Training Strategy

Loss Function: Cross-Entropy

Optimizer: Adam

استخدام Weight Decay لتقليل Overfitting

تدريب النموذج عبر عدة Epochs

حساب Median Loss وAccuracy لكل مرحلة

Evaluation & Analysis

حساب Accuracy على بيانات الاختبار

استخدام Confusion Matrix لتحليل الأخطاء

استخراج Classification Report (Precision – Recall – F1-Score)

عرض توقعات النموذج بصريًا لمقارنة النتائج الصحيحة والخاطئة

Model Deployment

حفظ أوزان النموذج لإعادة الاستخدام

إمكانية دمجه لاحقًا في تطبيق طبي أو نظام دعم قرار

مميزات المشروع

استخدام Residual Connections في شبكة عميقة

معالجة مشكلة Vanishing Gradient

تحليل شامل للأداء رقميًا وبصريًا

تنظيم احترافي لخطوات المشروع من التحضير حتى الحفظ

قابل للتطوير ليصبح Medical AI Application

التقنيات المستخدمة

Python – PyTorch / TensorFlow – NumPy – Matplotlib – Scikit-learn