نظرة عامة
يقدم هذا المشروع نظامًا ذكيًا لدعم التشخيص الطبي (Computer-Aided Diagnosis) للكشف عن أورام سرطان الثدي وتحديد موقعها بدقة باستخدام تقنيات متقدمة في معالجة الصور ونماذج التعلم العميق. يهدف النظام إلى المساعدة في الاكتشاف المبكر من خلال تحليل الصور الطبية وتحديد المناطق المصابة بدقة عالية.
أهداف المشروع
الكشف عن وجود أورام في صور الأشعة الطبية
تحديد موقع الورم بدقة على مستوى البكسل (Segmentation)
تحسين جودة الصور الطبية قبل التحليل
المقارنة بين الطرق التقليدية في معالجة الصور وتقنيات التعلم العميق
منهجية العمل
1. معالجة الصور (Image Preprocessing)
تم تحسين جودة الصور باستخدام تقنيات مثل
Histogram Equalization
لزيادة التباين، بالإضافة إلى استخدام
Gaussian Blur
لتقليل الضوضاء.
كما تم توحيد حجم الصور وإجراء عملية Normalization لضمان ثبات البيانات.
2. المعالجة التقليدية للصور
تم استخدام أساليب تقليدية لتحديد المناطق المشتبه بها مثل
Thresholding
و
Canny Edge Detection
لاستخراج حدود الورم.
كما تم تطبيق عمليات مورفولوجية مثل
Dilation
و
Erosion
لتحسين النتائج وإزالة الضوضاء من الـ masks الناتجة.
3. نموذج التعلم العميق
تم بناء نموذج Segmentation يعتمد على معمارية U-Net، والتي تتميز بقدرتها على تحديد موقع الورم بدقة عالية من خلال بنية Encoder-Decoder.
كما تم استخدام نموذج تصنيف (Classification) قائم على Transfer Learning لتحديد نوع الحالة (سليمة – حميدة – خبيثة).
الأدوات والتقنيات المستخدمة
Python
PyTorch
OpenCV
NumPy
Matplotlib
معايير التقييم
في التصنيف (Detection):
Accuracy، Precision، Recall، F1-score
في التقسيم (Segmentation):
Dice Coefficient، Intersection over Union (IoU)
حقق النموذج دقة عالية في تحديد الأورام وتقليل الأخطاء في التنبؤ.
مميزات المشروع
دمج بين المعالجة التقليدية للصور والتعلم العميق
دقة عالية في تحديد حدود الورم
تحسين جودة البيانات قبل إدخالها للنموذج
قابلية التطبيق في الأنظمة الطبية الحقيقية
النتائج
تحسين ملحوظ في جودة الصور بعد المعالجة
تحديد دقيق لمناطق الورم باستخدام U-Net
أداء قوي في تصنيف الحالات
إمكانية استخدام النظام كمساعد في التشخيص الطبي
التطبيق (Deployment)
تم تطوير واجهة بسيطة تتيح للمستخدم:
رفع صورة طبية
الحصول على نتيجة الكشف
عرض الـ Segmentation Mask بشكل بصري
