تصنيف أمراض الشبكية باستخدام صور OCT بالاعتماد على التعلم العميق

تم تطوير نظام رؤية حاسوبية يعتمد على التعلم العميق لتصنيف صور الأشعة المقطعية البصرية للشبكية (OCT) تلقائيًا إلى أربع فئات تشخيصية مختلفة.

يعتمد المشروع على مجموعة بيانات طبية كبيرة (Kermany OCT2017) تحتوي على أكثر من 83,000 صورة لشبكية العين. تم استخدام أسلوب نقل التعلم (Transfer Learning) من خلال نموذج الشبكات العصبية الالتفافية DenseNet121 المُدرَّب مسبقًا لاستخراج الخصائص البصرية عالية المستوى من صور الشبكية.

أهم المساهمات في المشروع:

بناء نظام متكامل من البداية للنهاية لتصنيف الصور الطبية باستخدام التعلم العميق

تطبيق تقنيات متقدمة لزيادة البيانات (Data Augmentation) لتحسين قدرة النموذج على التعميم

استخدام أسلوب نقل التعلم بنموذج DenseNet121 المُدرَّب على ImageNet

تصميم طبقة تصنيف مخصصة مع استخدام Dropout لتقليل مشكلة الإفراط في التعلّم (Overfitting)

استخدام تقنيات تحسين التدريب مثل:

الإيقاف المبكر (Early Stopping)

جدولة معدل التعلّم (Learning Rate Scheduling)

حفظ أفضل نموذج أثناء التدريب (Model Checkpointing)

تحقيق أداء تصنيف قوي مع دقة عالية على بيانات التحقق

يساهم هذا النظام في المساعدة على الكشف الآلي عن أمراض الشبكية من خلال تحليل صور OCT، مما يوضح التطبيق العملي للتعلم العميق في مجال التصوير الطبي والرعاية الصحية.

التقنيات المستخدمة:

Python – TensorFlow – Keras – OpenCV – DenseNet121 – Transfer Learning – Data Augmentation – Convolutional Neural Networks (CNNs)