الكشف الشامل عن أورام الثدي وتشخيصها باستخدام التصوير متعدد الوسائط

هذا المشروع يهدف إلى بناء نظام ذكي متكامل يعتمد على التعلم العميق (Deep Learning) لتطوير عملية تشخيص سرطان الثدي، والذي يعد أحد أكثر أنواع السرطان فتكاً بالنساء عالمياً. يتجاوز النظام الطرق التقليدية التي تعاني من بطء ووقت طويل وتعتمد على الفحص اليدوي. المنهجية والتقنيات الأساسية يعتمد المشروع على دمج منهجيتين رئيسيتين: 1- التعلم العميق وتحليل الصور: تم استخدام الشبكات العصبية التلافيفية (CNNs) ، مع نماذج متقدمة مثل DenseNet201 ، لتحليل الصور الطبية. 2- التصوير متعدد الوسائط (Multimodal Imaging): يتم تدريب النماذج على مجموعتين من البيانات لزيادة دقة التشخيص: صور الماموغرام (CBIS-DDSM): لتحليل الكتل والتكلسات والتشخيص الأولي. صور الأنسجة المرضية (Histopathology Images): لتصنيف الخلايا على المستوى المجهري. نماذج العمل الرئيسية (الـ Models) تم تصميم ثلاثة نماذج متخصصة باستخدام TensorFlow/Keras لتعمل في مسار متدرج: 1- التصنيف الثنائي (Benign vs. Malignant): لتحديد ما إذا كانت الآفة حميدة أو خبيثة كخطوة تشخيص أولية. 2- التصنيف متعدد الملصقات (Multi-Label Classification): يوفر تشخيصًا تفصيليًا للحالات الخبيثة، متنبئًا بزاوية التصوير، ونوع التكلس، وكثافة الثدي. 3- نموذج علم الأمراض (Pathology Classification): لتصنيف رقع الأنسجة المجهرية إلى حميدة أو خبيثة. الأدوات والتحديات الأدوات: استخدم المشروع لغة Python مع مكتبات Pandas, NumPy لتحليل البيانات، و Streamlit لواجهة الويب التفاعلية، وتم التدريب على منصة Google Colab.