منهجية الشبكات العصبية الالتفافية (CNN) لتصنيف الآفات الجلدية باستخدام مجموعة بيانات غير متوازنة مع تعزيز البيانات الصورية (Image Augmentation)

يعد سرطان الجلد تهديداً كبيراً لصحة الإنسان في جميع أنحاء العالم. يهدف هذا البحث إلى تحسين الكشف عن سرطان الجلد من خلال الاستعانة بنموذج تصنيف يعتمد على الشبكات العصبية الالتفافية (CNN) والذي يوظف تقنيات المعالجة المسبقة (Preprocessing) وتعزيز البيانات (Augmentation). تم استخدام مجموعة بيانات HAM10000، ومعالجة عدم التوازن الذي تحتويه عن طريق إعادة تغيير حجم الصور إلى 120×120 بكسل وإزالة الشعر منها. يساهم تعزيز تنوع مجموعات البيانات باستخدام تقنيات زيادة البيانات (Data Augmentation) في تحسين عمليتي النمذجة والتقييم. ولتحقيق أفضل تصنيف ممكن للآفات الجلدية، تتضمن بنية CNN المقترحة طبقات تم ضبطها بعناية فائقة. تم تقسيم البيانات إلى ثلاث مجموعات مختلفة: التدريب (Training)، والتحقق (Validation)، والاختبار (Testing). وتشير مقاييس التقييم، والتي تشمل الدقة (Accuracy)، والضبط (Precision)، والاستدعاء (Recall)، ومقياس F1-score، إلى أداء ناجح للغاية بمعدل 0.932. يثبت هذا التحليل تفوق النموذج المقترح على المنهجيات الأخرى في تصنيف الآفات الجلدية، مما يؤكد امتلاكه المقومات ليكون أداة فعالة للكشف المبكر عن السرطان.