Bone Fracture Detection using CNN & PSO

طورت مشروعًا يعتمد على التعلم العميق والرؤية الحاسوبية لاكتشاف كسور العظام من صور الأشعة السينية، من خلال تصنيف الصور إلى عظام مصابة بالكسور وغير مصابة.

تم تطوير ومقارنة نموذجين للتصنيف:

CNN Baseline لبناء نموذج أساسي للتصنيف.

CNN + PSO لتحسين أداء النموذج من خلال استخدام Particle Swarm Optimization للبحث عن أفضل قيم لمعدل التعلم وDropout.

شملت مراحل المشروع تحليل البيانات، معالجة وتجهيز صور الأشعة، زيادة البيانات (Data Augmentation)، بناء وتدريب النماذج، تحسين Hyperparameters، ثم تقييم ومقارنة النتائج.

تم تقييم النماذج باستخدام مجموعة من المقاييس، منها Accuracy، Precision، Recall، F1-Score، Confusion Matrix، بالإضافة إلى تحليل أداء النماذج أثناء التدريب.

التقنيات المستخدمة:

Python، TensorFlow، Keras، PyTorch، Scikit-learn، OpenCV، PIL، PSO، Matplotlib وSeaborn.

النتيجة: نظام تصنيف يعتمد على الذكاء الاصطناعي للمساعدة في الكشف الآلي عن كسور العظام من صور الأشعة السينية، مع مقارنة واضحة بين النموذج الأساسي والنموذج المحسن باستخدام PSO.