تصنيف أورام الجلد باستخدام التعلم العميق - Skin Tumor Classification using Deep Learning
تفاصيل العمل
يُعد سرطان الجلد من أكثر الأمراض شيوعًا وخطورة على مستوى العالم. يركز هذا المشروع على تصنيف سبعة أنواع رئيسية من آفات الجلد، وهي: الميلانوما، الوحمة الميلانينية، سرطان الخلايا القاعدية، التقرن السفعي (مرض بوين)، التقرن الحميد، الورم الليفي الجلدي، والآفات الوعائية.
في هذا المشروع، قمت بتطوير وتقييم نماذج تعلم عميق لتصنيف أورام الجلد بدقة وكفاءة. اعتمدت بشكل أساسي على نموذج YOLOv11 لتصنيف الحالات الحميدة والخبيثة، بالإضافة إلى تجربة نموذج هجين باستخدام EfficientNetV2M مع شبكة عصبية لمقارنة الأداء مع أحدث النماذج في المجال.
تم تدريب وتقييم النماذج باستخدام مجموعة بيانات HAM10000، وهي من أشهر مجموعات البيانات في أبحاث الأمراض الجلدية.
النتائج:
- حقق نموذج YOLOv11 دقة اختبار بلغت 92.8%
- حقق نموذج EfficientNetV2M + NN دقة اختبار بلغت 85.1%
تُظهر النتائج تفوق نموذج YOLOv11 في هذا التطبيق، مما يعكس كفاءته في تصنيف الصور الطبية والمساهمة في الكشف المبكر عن سرطان الجلد.
Skin cancer is among the most common and potentially life-threatening diseases worldwide. This project focuses on the classification of seven major types of skin lesions: Melanoma, Melanocytic Nevus, Basal Cell Carcinoma, Actinic Keratosis (Bowen’s Disease), Benign Keratosis, Dermatofibroma, and Vascular Lesions.
To address this challenge, I developed and evaluated deep learning models for accurate and efficient skin tumor classification. The primary approach leverages YOLOv11 for classification of benign and malignant cases. Additionally, I explored a hybrid architecture based on EfficientNetV2M combined with a Neural Network classifier to compare performance against state-of-the-art methods.
The models were trained and evaluated using the HAM10000 dataset, a widely used benchmark in dermatology research.
Results:
- YOLOv11 achieved a testing accuracy of 92.8%
- EfficientNetV2M + NN achieved a testing accuracy of 85.1%
The results demonstrate that YOLOv11 provides superior performance in this task, highlighting its effectiveness for medical image classification and early skin cancer detection.