تحليل صور طبية بالذكاء الاصطناعي (Medical Image Segmentation with UNet)

مش كل مشكلة في الصور الطبية محتاجة عين بشرية تفصل كل خلية بإيدها — المشكلة إن الطرق التقليدية (زي Otsu thresholding) بتفشل تمامًا في حالات معينة، والفشل ده مش واضح إلا لما تقيسه بدقة. أبدأ بفهم المشكلة... ثم أختار الحل. في المشروع ده، المشكلة كانت: هل موديل Deep Learning فعلاً يفرق مع بيانات طبية محدودة (670 صورة بس)، ولا الطرق التقليدية كافية؟ إيه اللي عملته بالظبط؟ بنيت ودرّبت شبكة UNet من الصفر (PyTorch) لتحليل صور خلايا مجهرية (Microscopy)، وقارنتها بـ baseline كلاسيكي (Otsu thresholding). صممت الـ loss function (BCE + Dice) خصيصًا لمعالجة عدم توازن شديد في البيانات (13.9% بس من البيكسلز هي الهدف الفعلي). شغّلت 3 تجارب ablation منظمة (learning rate, loss function, augmentation) لتبرير كل قرار تصميمي بالأرقام، مش بالتخمين. النتيجة: - UNet حقق Dice Score = 0.92 مقارنة بـ 0.73 للـ Otsu التقليدي — تحسن 18.7 نقطة. - حللت أداء الـ baseline حسب نوع الصبغة (staining) واكتشفت إنه بيفشل تمامًا في حالة واحدة (Dice=0.07) بينما بيبان كويس في المتوسط العام — لولا التحليل التفصيلي كانت الحقيقة دي هتضيع. أدوات: Python, PyTorch, Albumentations, OpenCV, Scikit-learn.