وصف الخدمة

تصنيف أمراض الرئة من صور الأشعة باستخدام الذكاء الاصطناعي (دقة 92-93%)
نبذة عن المشروع
المشروع ده نموذج Deep Learning متخصص في تحليل صور الأشعة الصدرية (Chest X-Ray) وتصنيفها تلقائيًا إلى 4 فئات:

Normal – رئة سليمة
COVID-19 – إصابة بفيروس كورونا
Viral Pneumonia – التهاب رئوي فيروسي
Lung Opacity – تعتيم رئوي

تفاصيل تقنية

اللغة والأدوات: Python, TensorFlow/Keras, NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn
البيانات: 21,165 صورة أشعة حقيقية من Kaggle Dataset
معالجة البيانات: تم توازن الـ dataset باستخدام Data Augmentation للوصول لـ 5000 صورة لكل فئة (20,000 إجمالي)
المعمارية: CNN (Convolutional Neural Network) مبنية من الصفر باستخدام Conv2D, BatchNormalization, MaxPooling, Dropout, Dense layers
التدريب: 30 Epoch مع EarlyStopping و ReduceLROnPlateau
التقسيم: Train / Validation / Test Split

مميزات الخدمة

مميزات النموذج

نموذج ذكاء اصطناعي بدقة تصل إلى 93% في تصنيف أمراض الرئة
تشخيص 4 أمراض من صورة أشعة واحدة (كوفيد، التهاب رئوي، تعتيم رئوي، طبيعي)
تدريب على أكثر من 21,000 صورة أشعة صدرية حقيقية
معمارية CNN احترافية مبنية ومضبوطة يدوياً من الصفر
بيانات متوازنة بتقنية Data Augmentation لضمان دقة عادلة لكل فئة
نتائج شفافة بـ Confusion Matrix و ROC Curves لكل فئة
متوسط AUC يصل لـ 98.8% مما يعكس قوة النموذج في التمييز بين الحالات
النموذج محفوظ وجاهز للاستخدام الفوري مع نسبة ثقة لكل تنبؤ
كود منظم ومشروح وسهل التطوير والتعديل
مناسب لـ المشاريع البحثية والتطبيقات الطبية الذكية

معرض الأعمال

ما الذي ستستلمه

ما الذي سيستلمه العميل

ملف الكود الكامل (Jupyter Notebook .ipynb)
كود Python منظم وجاهز للتشغيل على Kaggle أو Google Colab
النموذج المدرب والمحفوظ (.h5 / .keras)
جاهز للاستخدام الفوري بدون إعادة تدريب
تقرير الأداء الكامل
يشمل Classification Report, Confusion Matrix, ROC Curves لكل فئة
شرح طريقة تشغيل النموذج
تعليمات واضحة لكيفية تحميل النموذج والتنبؤ بصورة جديدة
Dataset المستخدم أو رابطه من Kaggle جاهز للتحميل مباشرة

تعليمات للمشتري

متطلبات التشغيل

حساب على Kaggle أو Google Colab (مجاني)
Python 3.x مع المكتبات التالية:
TensorFlow, NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn, PIL

تحميل الداتاسيت

افتح الرابط الخاص بالداتاسيت على Kaggle
حمّله وضعه في نفس مجلد الكود

تشغيل الكود

افتح ملف الـ .ipynb على Kaggle أو Colab
شغّل الـ Cells بالترتيب من الأول للآخر
وقت التدريب الكامل تقريباً 7 ساعات على CPU

استخدام النموذج الجاهز
لو مش عايز تعيد التدريب، حمّل الموديل المحفوظ مباشرة:
pythonfrom tensorflow.keras.models import load_model
model = load_model('model.h5')

التنبؤ بصورة جديدة
pythonfrom PIL import Image
import numpy as np

img = Image.open('your_image.png').resize((224, 224))
img_array = np.array(img) / 255.0
img_array = np.expand_dims(img_array, axis=0)
prediction = model.predict(img_array)

في حالة وجود مشكلة

تأكد إن إصدار TensorFlow هو 2.x أو أحدث
تأكد إن الصورة بصيغة PNG أو JPG
تواصل معي وهرد عليك في أقرب وقت