تمت في قسم هندسة الطب الحياتي كلية الهندسة - جامعة النهرين منافشة طالب الدكتوراه ياسر سلام عبد الغفور وذلك يوم الاثنين الموافق 2/3/2026 عن اطروحته الموسومة:

The Employing of Tiny Deep Learning for Lung Mass Indentification

وتألفت لحنة المناقشة من السادة:

* ا.د وجدي صادق عبود- رئيسا

( كلية الهندسة -جامعة النهرين)

•ا.د علي حسين مري - عضوا

( كلية الهندسة الخوارزمي -جامعة بغداد)

* ا.د.محمد صبري سالم - عضوا

( كلية الهندسة-جامعة النهرين)

•ا.م.د حسنين علي لفتة - عضوا

( كلية الهندسة - جامعة النهرين)

ا.م.د ايدن كامل محمد - عضوا

( كلية الهندسة الخوارزمي - جامعة بغداد)

ا.د.انس قصي هاشم- عضوا ومشرفا

( كلية الهندسة - جامعة النهرين)

ا.م.د.احمد فائق حسين - عضوا ومشرفا

( كلية الهندسة - جامعة النهرين)

تهدف الاطروحة الى توظيف وتطبيق مفهوم التعلم الدقيق العميق للكشف عن كتلة الرئة من خلال استخدام شبكات عصبية التفافية خفيفة الوزن وتطبيقها على كمبيوتر مدمج محدود الموارد من حيث الطاقه والقدرة والتخزين وتصميم جهاز محمول مساعد للطبيب في تشخصيص كتل الرئة وخاصة للطبيب الذي يعمل في المناطق النائية ولايمتلك كمبيوتر متطور لتطبيقات الذكاء الصناعي في التشخيص..ولقد تم استخدام اربع نماذج من هذه الشبكات العصبيه الخفيفة الوزن مثل MobileNetv2 , EfficientNetB0, SequeezeNet, ShuffeNet وتطبيقها على كمبيوتر مدمج Raspberry pi 5 ولقد استخدم كل نموذج مرتين مرة على انه مدرب  ومرة  مدرب من الصفر وتم تدريب النماذج على بيانات اشعة اكس للصدر من معهد الصحه الوطني من ولاية مريلاند في الولايات المتحده الامريكية..وتم مقارنه النتائج من حيث المقارنه بالاداء واستهلاك الطاقة والقدرة الكهربائية..

ولقد اظهرت النتائج كفاءة عاليه لنموذج MobileNetv2 بالدرجة الاولى من حيث الدقه العاليه في التشخيص  لكتل الرئة ومن حيث استهلاك الطاقه للعمليات التراكميه المتعدده داخل الشبكة ويليها نموذج ال EfficientNetB0 بالدرجة الثانيه من حيث الاداء واستهلاك الطاقة...

وتم قبول الاطروحة لكونها مستوفية لمتطلبات نيل شهادة الدكتوراه في تخصص هندسة الطب الحياتي

The PhD student Yasser Salam Abdul Ghafour defended his dissertation in the Department of Biomedical Engineering, College of Engineering – Al-Nahrain University on Monday, March 2, 2026. His dissertation was entitled:

“The Employing of Tiny Deep Learning for Lung Mass Identification.”

The examination committee consisted of:

• Prof. Dr. Wajdi Sadiq Abboud – Chair
  (College of Engineering – Al-Nahrain University)

• Prof. Dr. Ali Hussein Mari – Member
  (Al-Khwarizmi College of Engineering – University of Baghdad)

• Prof. Dr. Mohammed Sabri Salem – Member
  (College of Engineering – Al-Nahrain University)

• Asst. Prof. Dr. Hasnain Ali Lafta – Member
  (College of Engineering – Al-Nahrain University)

• Asst. Prof. Dr. Aiden Kamil Mohammed – Member
  (Al-Khwarizmi College of Engineering – University of Baghdad)

• Prof. Dr. Anas Qusai Hashim – Member and Supervisor
  (College of Engineering – Al-Nahrain University)

• Asst. Prof. Dr. Ahmed Faik Hussein – Member and Supervisor
  (College of Engineering – Al-Nahrain University)

The dissertation aims to employ and apply the concept of Tiny Deep Learning for the detection of lung masses using lightweight convolutional neural networks (CNNs) implemented on a resource-constrained embedded computer in terms of energy, processing power, and storage. The study also focuses on designing a portable device that can assist physicians in diagnosing lung masses, particularly for doctors working in remote areas who may not have access to advanced computers capable of running artificial intelligence diagnostic applications.

Four lightweight neural network models were used: MobileNetV2, EfficientNetB0, SqueezeNet, and ShuffleNet. These models were implemented on the embedded computer Raspberry Pi 5. Each model was tested twice: once using a pre-trained approach and once trained from scratch. The models were trained using chest X-ray datasets obtained from the National Institutes of Health in Maryland, United States.

The results were compared in terms of diagnostic performance, energy consumption, and electrical power usage. The findings showed that the MobileNetV2 model achieved the highest efficiency, particularly in terms of diagnostic accuracy for lung masses and lower energy consumption during the multiple computational operations within the network. The EfficientNetB0 model ranked second in terms of performance and energy efficiency.

The dissertation was accepted as it fulfilled the requirements for obtaining a PhD degree in Biomedical Engineering.