تصنيف أورام الدماغ من صور الرنين المغناطيسي (MRI) باستخدام الشبكات العصبية التلافيفية (CNN)

نموذج تعلم عميق (Deep Learning) لتصنيف صور الرنين المغناطيسي للدماغ إلى 4 فئات: (Glioma - Meningioma - Pituitary Tumor - No Tumor)، بهدف المساعدة في الكشف المبكر عن أورام الدماغ. نطاق العمل: - بناء شبكة CNN من الصفر (Custom Architecture) باستخدام TensorFlow/Keras، مع تصميم معماري يتضمن Batch Normalization وGlobal Average Pooling لتقليل عدد المعاملات (Parameters) ومنع الـ Overfitting. - معالجة وتجهيز البيانات (Data Preprocessing): تحميل وتغيير حجم الصور، تطبيع القيم (Normalization)، وتقسيم البيانات بطريقة صحيحة إلى مجموعات تدريب/تحقق/اختبار (Train/Validation/Test) مع تفادي مشاكل تسرب البيانات (Data Leakage). - زيادة البيانات (Data Augmentation) لتحسين قدرة النموذج على التعميم، باستخدام تقنيات مثل التدوير والتكبير والانعكاس الأفقي. - ضبط النموذج (Model Tuning) عبر تجربة عدة معماريات وقيم مختلفة لمعدل التعلم (Learning Rate) والتنظيم (Regularization)، مع استخدام EarlyStopping وReduceLROnPlateau وModelCheckpoint لضمان أفضل أداء دون إهدار وقت التدريب. - التقييم الشامل للنموذج باستخدام مقاييس Precision وRecall وF1-score لكل فئة على حدة، بالإضافة إلى مصفوفة الالتباس (Confusion Matrix) لفهم نقاط قوة وضعف النموذج بدقة. النتيجة النهائية: دقة تصنيف (Test Accuracy) بلغت ~89.5% على بيانات لم يرها النموذج من قبل، مع توازن جيد بين أداء التدريب والتحقق يعكس قدرة النموذج على التعميم دون الإفراط في التخصيص (Overfitting). الأدوات والتقنيات المستخدمة: Python | TensorFlow / Keras | OpenCV | Scikit-learn | Matplotlib / Seaborn | Jupyter Notebook (Kaggle)