الرؤية الحاسوبية
تصنيف الصور الطبية (MedMNIST)
Medical Image Classification (MedMNIST PneumoniaMNIST)
تصنيف صور أشعة صدر صغيرة إلى طبيعي/التهاب رئوي بشبكة CNN، مع التقسيم الرسمي وتقييم AUC وGrad-CAM.
وصف المشكلة
MedMNIST مجموعة معيارية من صور طبية مصغرة بتقسيمات رسمية. نستخدم PneumoniaMNIST (أشعة صدر 28×28) لأنها خفيفة، ويمكن تطبيق الكود نفسه على المجموعات الأخرى.
حالة المشروع: دليل تنفيذ كامل بالخطوات والكود. لم يُشغّل الكود في بيئة إعداد الأكاديمية لأنه يحتاج Deep Learning Toolbox، Statistics and Machine Learning Toolbox، Image Processing Toolbox وتنزيل البيانات، لذلك لا نعرض نتائج رقمية؛ شغّله في MATLAB وسجّل نتائجك بالمقاييس المذكورة.
الأهداف التعليمية
- قراءة ملف NPZ أو تحويله إلى MAT
- تدريب CNN على صور طبية غير متوازنة
- التقييم بـ AUC والحساسية
- تفسير القرارات بـ Grad-CAM
البيانات المطلوبة
PneumoniaMNIST: 5856 صورة 28×28 رمادية (تدريب 4708، تحقق 524، اختبار 624)، الفئتان طبيعي والتهاب رئوي. يُنزّل بصيغة NPZ.
مصدر البيانات:
خطوات التنفيذ
- نزّل pneumoniamnist.npz وحوّله إلى MAT (مثلاً بـ Python: numpy.load ثم scipy.io.savemat).
- حمّل المصفوفات واجعلها 28×28×1×N.
- درّب CNN صغيرة مع أوزان فئات.
- قيّم بـ AUC والحساسية والنوعية على الاختبار الرسمي.
- اعرض Grad-CAM لأمثلة صحيحة وخاطئة.
المعالجة المسبقة
- im2single للتحويل إلى [0, 1].
- أوزان الفئات عكس تكرارها في الخسارة.
الخوارزمية
CNN بثلاث كتل التفافية، وخسارة Cross-Entropy موزونة بالفئات.
كود MATLAB
S = load('pneumoniamnist.mat'); % train_images, train_labels, val_*, test_*
prep = @(I) im2single(permute(I, [2 3 4 1])); % N x 28 x 28 -> 28 x 28 x 1 x N
Xtr = prep(reshape(S.train_images, [], 28, 28, 1)); ytr = categorical(S.train_labels(:), [0 1], ["normal" "pneumonia"]);
Xva = prep(reshape(S.val_images, [], 28, 28, 1)); yva = categorical(S.val_labels(:), [0 1], ["normal" "pneumonia"]);
Xte = prep(reshape(S.test_images, [], 28, 28, 1)); yte = categorical(S.test_labels(:), [0 1], ["normal" "pneumonia"]);
w = numel(ytr) ./ (2 * countcats(ytr))';
layers = [imageInputLayer([28 28 1])
convolution2dLayer(3, 16, 'Padding', 'same'), batchNormalizationLayer, reluLayer, maxPooling2dLayer(2, 'Stride', 2)
convolution2dLayer(3, 32, 'Padding', 'same'), batchNormalizationLayer, reluLayer, maxPooling2dLayer(2, 'Stride', 2)
convolution2dLayer(3, 64, 'Padding', 'same'), batchNormalizationLayer, reluLayer
globalAveragePooling2dLayer, fullyConnectedLayer(2), softmaxLayer];
lossFcn = @(Y, T) crossentropy(Y, T, w, 'WeightsFormat', 'C');
opts = trainingOptions('adam', 'MaxEpochs', 15, 'ValidationData', {Xva, yva}, 'Metrics', 'accuracy');
net = trainnet(Xtr, ytr, layers, lossFcn, opts);
P = minibatchpredict(net, Xte);
[~, ~, ~, auc] = perfcurve(yte, P(:, 2), 'pneumonia');
pred = scores2label(P, ["normal" "pneumonia"]);
fprintf('AUC = %.3f, sensitivity = %.3f, specificity = %.3f\n', auc, ...
mean(pred(yte == "pneumonia") == "pneumonia"), mean(pred(yte == "normal") == "normal"));لم يُشغّل في بيئة الإعداد (يحتاج Deep Learning Toolbox، Statistics and Machine Learning Toolbox، Image Processing Toolbox وبيانات خارجية). راجع الكود مع توثيق الدوال في إصدارك قبل التشغيل.
شرح الكود
- تأكد من ترتيب الأبعاد بعد التحويل من NPZ؛ اعرض صورة للتحقق.
- w يعطي الفئة الأقل وزناً أكبر.
- التقسيم الرسمي يمنع خلط المرضى (حسب توثيق MedMNIST).
- perfcurve من Statistics Toolbox.
النتائج المتوقعة
سجّل AUC والحساسية والنوعية على الاختبار الرسمي، وقارن بقيم الخط الأساسي المنشورة في ورقة MedMNIST v2 مع ملاحظة اختلاف البنية.
مقاييس التقييم
- AUC
- الحساسية
- النوعية
- Accuracy
القيود
- دقة 28×28 تفقد تفاصيل تشخيصية كثيرة.
- التسميات من مصدر واحد.
- نموذج تعليمي لا يُستخدم سريرياً.
