ذكاء اصطناعي · رؤية حاسوبية2026مشروع التخرّج
NeuroVision AI
تصنيف أورام الدماغ من صور الرنين المغناطيسي: خمس معماريات للتعلّم العميق، وتسرّب بيانات مُقاس، وتطبيق Flutter يعرض النتائج.
- أفضل دقّة
- 98.44%
- صورة رنين
- 16,003
- فئات
- 4
- معماريات
- 5
- الدور
- بحث · تعلّم آلة · جوّال
المشكلة
تحتوي مجموعات بيانات الرنين المغناطيسي المفتوحة غالبًا على صور للمريض نفسه أو نسخ شبه متطابقة. وحين تقع هذه الصور في مجموعتي التدريب والاختبار معًا، يقدّم النموذج ما حفظه على أنه «تنبؤ صحيح»، فلا تعكس الدقّة المُعلنة الواقع.
الحل
تتشارك جميع التجارب التحضير الحتمي نفسه للبيانات. تُزال النسخ المطابقة بـ SHA-256 والصور المتطابقة بصريًا بـ pHash، ويتم التقسيم حسب المجموعات مع فحوص تسرّب داخل الشيفرة. ولا يُستخدم القلب الأفقي في زيادة البيانات بسبب التناظر التشريحي.
- تصنيف إلى أربع فئات مع تحليل الأخطاء لكل فئة
- قياس التسرّب بمقارنة الدقّة قبل التنظيف وبعده
- تطبيق جوّال بـ Flutter يعرض النتائج
المراحل
- 01
مجموعة البيانات
brain-tumor-dataset-v2 · 16,003 صورة رنين · 4 فئات
- 02
تنظيف التكرار
النسخ المطابقة بـ SHA-256 والمتطابقة بصريًا بـ pHash
- 03
تقسيم حسب المجموعات
GroupShuffleSplit وفحوص التسرّب (assertion)
- 04
التدريب
خمس معماريات · Kaggle Tesla P100/T4 · SEED=42
- 05
التطبيق
شاشات التنبؤ والنتائج في واجهة Flutter
النتائج
| المعمارية | الدقّة |
|---|---|
| ResNet50 | 98.44% |
| DenseNet121 | 95.63% |
| EfficientNetB0 | — |
| Custom CNN | — |
الاستنتاجات
- قبل التنظيف كانت أضعف فئة هي الورم السحائي؛ وبعد تنظيف pHash أصبحت أضعف فئة هي الصور السليمة (بلا ورم).
- تأكّد وجود تسرّب بيانات محدود لكنه حقيقي.
- وُثّق احتفاظ استدعاء EarlyStopping بحالته أثناء تدريب EfficientNetB0 كاستنتاج منهجي.
- الخطوة التالية: التجزئة على مجموعة BRISC2025 باستخدام U-Net مع مُرمّز EfficientNetB0.
الشاشات
التقنيات
- Python
- Deep Learning
- Computer Vision
- ResNet50
- DenseNet121
- EfficientNetB0
- pHash
- Kaggle GPU
- Flutter
- LaTeX
المشرف: د. علي رضا غون · جامعة بيله جك شيخ أدب علي