تطوير نماذج ذكاء اصطناعي (Deep Learning) لتصنيف صور الأشعة السينية للرئتين

قمت بتطوير مشروع يعتمد على تقنيات التعلم العميق (Deep Learning) و التعلم بالنقل (Transfer Learning) لتصنيف صور الأشعة السينية للرئتين إلى ثلاث فئات: Lung Opacity، Viral Pneumonia، و Normal. الخطوات التي قمت بها: 1.إعداد البيانات: إنشاء DataFrame يحتوي على مسار الصور (File Path) والتصنيف (Label)، ثم تقسيم البيانات إلى Training، Validation، و Test. 2.زيادة البيانات (Data Augmentation): استخدام تقنيات Augmentation لزيادة تنوع الصور وتحسين أداء النماذج. 3.التمثيل البصري: عرض عينات من الصور لفهم طبيعتها قبل عملية التدريب. 4.بناء النماذج: تطبيق وتدريب 3 نماذج مسبقة التدريب (Pre-trained Models): - DenseNet121 - ResNet50 - EfficientNetB0 5. تقييم الأداء: - متابعة الأداء (Accuracy & Loss) أثناء التدريب والتحقق (Training & Validation). - قياس دقة النماذج على بيانات Train، Validation، و Test. - استخدام Confusion Matrix و Classification Report لفهم دقة النماذج بشكل تفصيلي. 6. اختيار النموذج الأفضل: الاعتماد على أفضل نموذج أداءً لإجراء التنبؤات (Prediction) على صورة جديدة. 7. حفظ النموذج النهائي: لتسهيل إعادة استخدامه مستقبلًا. النتيجة: نموذج فعال ودقيق لتصنيف صور الأشعة السينية للرئتين، مما يساعد في دعم التشخيص الطبي المبكر وتحليل الحالات بشكل آلي. التقنيات والأدوات المستخدمة: -اللغات والمكتبات: Python، Pandas، NumPy، Matplotlib، Seaborn -التعلم العميق: TensorFlow/Keras (Transfer Learning, CNN, Pre-trained Models) -النماذج المستخدمة: DenseNet121، ResNet50، EfficientNetB0 -المعالجة المسبقة: Data Augmentation، Image Rescaling، Train/Validation/Test Split -التقييم: Accuracy، Loss، Confusion Matrix، Classification Report