تشخيص سرطان الدم باستخدام نماذج التعلم العميق - Acute Lymphoblastic Leukemia Diagnosis Employing Deep Learning Models

This project utilizes image preprocessing and advanced deep learning models, namely, YOLOv8, YOLOv11, ResNet50 and Inception-ResNet-v2 for Acute Lymphoblastic Leukemia Diagnosis; the study achieves accuracy rates as high as 99.7%, demonstrating the effectiveness of these algorithms across multiple datasets and various real-world situations. Developed an AI-based medical imaging system for early detection of Acute Lymphoblastic Leukemia (ALL) from microscopic blood smear images. The project implemented and compared deep learning models such as YOLO, ResNet, and InceptionResNet for accurate classification and detection of cancerous cells. The pipeline included data preprocessing, augmentation, model fine-tuning, and evaluation using precision-recall metrics. Results demonstrated strong detection performance and highlighted the potential of real-time object detection techniques in medical AI applications. Publication: 12th International Japan-Africa Conference on Electronics communications and Computations 2024, IEEE Xplore, https://ieeexplore.ieee.org/document/11061246 يعتمد هذا المشروع على تقنيات معالجة الصور المسبقة ونماذج التعلم العميق المتقدمة مثل YOLOv8 وYOLOv11 وResNet50 وInception-ResNet-v2 لتشخيص سرطان الدم الليمفاوي الحاد (ALL). حققت الدراسة دقة وصلت إلى 99.7%، مما يعكس كفاءة هذه الخوارزميات عبر عدة مجموعات بيانات وفي ظروف واقعية مختلفة. تم تطوير نظام تصوير طبي قائم على الذكاء الاصطناعي للكشف المبكر عن سرطان الدم الليمفاوي الحاد من صور لطاخات الدم المجهرية. شمل العمل تنفيذ ومقارنة نماذج تعلم عميق متعددة لتصنيف واكتشاف الخلايا السرطانية بدقة عالية. تضمنت منهجية العمل معالجة البيانات، زيادة البيانات (Augmentation)، ضبط النماذج (Fine-Tuning)، وتقييم الأداء باستخدام مقاييس الدقة والاسترجاع (Precision–Recall)، مما أظهر فعالية تقنيات الكشف اللحظي في تطبيقات الذكاء الاصطناعي الطبية. النشر العلمي: المؤتمر الدولي الثاني عشر الياباني-الأفريقي للإلكترونيات والاتصالات والحوسبة 2024 – منشور على IEEE Xplore.