000			03774nam a22004337a 4500
003			EG-GICUC
005			20260420101431.0
008			260420s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a610.28
092			_a610.28 _221
097			_aM.Sc
099			_aCai01.13.03.M.Sc.2025.Sa.A
100	0		_aSamira Mohamed Haroun, _epreparation.
245	1	0	_aAutomated classification of mature and immature leukocytes for diagnosing acute myeloid leukemia / _cby Samira Mohamed Haroun ; Supervisors Dr. Amr Abdelrahman Sharawi, Dr. Wael Aboelwafa Ahmed.
246	1	5	_aالتصنيف الالي لخلايا الدم البيضاء الناضجة و الغير ناضجة لتشخيص سرطان الدم النخاعي الحاد
264		0	_c2025.
300			_a72 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_a Thesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 65-72.
520		3	_aThis thesis evaluates six deep learning models—YOLOv11x, YOLOv8x, ResNet-50, VGG19, GoogLeNet, and SqueezeNet—for classifying mature and immature white blood cells in Acute Myeloid Leukemia (AML) using the Munich AML Morphology Dataset. The dataset comprises 18,365 single-cell images and was partitioned into training, validation, and testing sets. To address class imbalance, we applied multiple balancing techniques. Model performance was assessed using accuracy, precision, recall, specificity, and F1-score. Across all experiments, YOLOv11x achieved the best results, reaching 96% accuracy. These findings underscore the promise of advanced YOLO architectures for reliable, automated AML detection.
520		3	_aتُقيّم هذه الأطروحة ستة نماذج للتعلم العميق [YOLOv11x، YOLOv8x، ResNet-50، VGG19، Google Net، وSqueeze Net] لتصنيف خلايا الدم البيضاء الناضجة وغير الناضجة في سرطان الدم النخاعي الحاد باستخدام مجموعة بيانات ميونخ لعلم مورفولوجيا سرطان الدم النخاعي الحاد. قُسِّمت مجموعة البيانات، التي تضم 18,365 صورة أحادية الخلية، إلى مجموعات تدريب وتحقق واختبار، مع تقليل اختلال توازن الفئات باستخدام طرق مختلفة . قُيِّمت النماذج باستخدام معايير الدقة والتذكر والخصوصية ودرجة F1. تشير النتائج إلى أن YOLOv11x حقق أقصى أداء بدقة 96%. تُظهر هذه النتائج إمكانات هياكل YOLO المتقدمة للكشف الآلي والموثوق عن سرطان الدم النخاعي الحاد
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aBiomedical Engineering
650		0	_aالهندسة الحيوية الطبية
653		1	_aAcute Myeloid Leukemia _aWhite Blood Cells _aDeep Learning Image Classification _aConvolutional Neural Networks _aData Augmentation techniques _aسرطان الدم النخاعي الحاد _aخلايا الدم البيضاء
700	0		_aAmr Abdelrahman Sharawi _ethesis advisor.
700	0		_aWael Aboelwafa Ahmed _ethesis advisor.
900			_b01-01-2025 _cAmr Abdelrahman Sharawi _cWael Aboelwafa Ahmed _dMuhammad Ali Rushdi _dMohamed Nagy Saad Elziftawy _UCairo University _FFaculty of Engineering _DBiomedical Engineering and Systems
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c179599