تطوير نظام تشخيص الكسور في صور الأشعة السينية بتعلم الآلة

نظام ذكي لكشف الكسور العظمية في صور الأشعة السينية باستخدام تقنيات تعلم الآلة الكلاسيكية، مع تركيز على الشفافية والقابلية للتفسير والتكرار - مناسب للتطبيقات الطبية.

الهدف من المشروع:

تطوير نظام قابل للتفسير والتكرار لكشف الكسور العظمية في صور الأشعة السينية للجهاز العضلي الهيكلي باستخدام تقنيات Computer Vision الكلاسيكية ونماذج تعلم الآلة - بدون استخدام التعلم العميق - مع توفير مقاييس تقييم شاملة ومرئيات واضحة مناسبة للفهم السريري والعروض التقديمية.

قاعدة البيانات:

- MURA Dataset v1.1 من Stanford ML Group

- أكثر من 40,000 دراسة إشعاعية

- 7 أجزاء من الجسم (الكوع، الإصبع، الساعد، اليد، العضد، الكتف، المعصم)

- تصنيف ثنائي: طبيعي / غير طبيعي (وجود كسر)

? المنهجية العلمية:

**المعالجة المسبقة:**

- تغيير حجم الصور إلى 128×128

- معادلة الهيستوجرام (Histogram Equalization) لتحسين التباين

- تطبيق Gaussian Blur لتقليل التشويش

- تطبيع قيم البكسل

**استخراج الخصائص:**

- HOG (Histogram of Oriented Gradients) - تقنية متقدمة لالتقاط الأنماط والحواف

- 9 توجهات، 8×8 بكسل لكل خلية، 2×2 خلية لكل كتلة

- إنتاج متجه خصائص بأكثر من 3000 بُعد لكل صورة

**النماذج المستخدمة:**

- Linear SVM مع StandardScaler

- Logistic Regression مع StandardScaler (الأفضل)

- Random Forest

- K-Nearest Neighbors

- Decision Tree

النتائج والتقييم:

- أفضل نموذج: Logistic Regression

- F1-Score: ~0.53 على مجموعة التحقق

- مقاييس شاملة: Accuracy, Precision, Recall, F1-Score

- مصفوفات الالتباس لجميع النماذج

- منحنى ROC و AUC للنموذج الأفضل

- تحليل هامش القرار (تحليل الثقة)

- مسح العتبة (التوازن الأمثل لـ F1)

- التحقق المتقاطع الطبقي 5 أضعاف

المخرجات البصرية:

- أكثر من 10 رسومات بيانية احترافية

- عينات من قاعدة البيانات

- مصفوفات الالتباس

- مقارنة المقاييس

- أمثلة توضيحية عالية ومنخفضة الثقة

- خط المعالجة المسبقة

- رسوم بيانية لهوامش القرار

- منحنيات ROC

- تحليل العتبات

التقنيات المستخدمة:

- Python 3.8+

- scikit-learn - نماذج تعلم الآلة

- OpenCV - معالجة الصور

- NumPy & Pandas - معالجة البيانات

- Matplotlib & Seaborn - التصورات البيانية

- Joblib - حفظ النماذج

- Jupyter Notebook - بيئة التطوير

المميزات الرئيسية:

- قابل للتفسير: استخدام HOG وتعلم آلة كلاسيكي (بدون صناديق سوداء)

- قابل للتكرار: بذور عشوائية ثابتة، نماذج محفوظة، هيكل دفتر ملاحظات واضح

- مرئي: أكثر من 10 رسوم بيانية بجودة النشر للعروض التقديمية والتقارير

- شامل: تصور المعالجة المسبقة، تحليل الهامش، ضبط العتبة، التحقق المتقاطع

- قابل للتوسع: سهولة إضافة معالجة CLAHE، طرق Ensemble، أو خطوط أساسية للتعلم العميق

التطبيقات العملية:

- المستشفيات والمراكز الطبية

- أنظمة المساعدة في التشخيص

- أدوات الفحص الأولي للأشعة

- البحث الطبي والأكاديمي

- التعليم الطبي

محتويات المشروع:

- Jupyter Notebook شامل (من البيانات → الخصائص → النماذج → التقييم)

- ملف المتطلبات (requirements.txt)

- أفضل نموذج محفوظ (best_model.joblib)

- أكثر من 10 رسومات بيانية محفوظة

المشروع موثق بشكل احترافي، قابل للتكرار، ومناسب للنشر العلمي أو التطبيقات الطبية الحقيقية.