English العربية کوردی

أنا  ژیهات ریبر عبدالقادر

مساعد مدرس

التخصصات

علوم الحاسوب تكنولوجيا المعلومات

zhehat.abdulqader@uoz.edu.krd
07507808945
العراق , دهوک
0
جوائز
4
البحوث العلمية
1
الاطاريح
1
الدورات التدريبية

0
الكتب
1
المؤتمرات العلمية
0
العروض التقديمية
0
ورش العمل

التعليم

ماجستير في تكنولوجيا المعلومات

تكنولوجيا المعلومات من جامعة دهوك التقنية

2025

بكالوريوس في علوم الكمبيوتر

جامعة زاخو من جامعة زاخو

2019

العضوية


2025

2025-12-08,current
عضو لجنة الامتحانات بكلية التربية.

لجنة الامتحانات

2022

2022-11-01,current
قدّم الدعم لتكنولوجيا المعلومات والشبكات ونظام الجامعة. أدار الأنظمة، وأعدّ الإحصاءات، والجداول الرئيسية كعضو في فريق تكنولوجيا المعلومات والاتصالات والإحصاء. أشرف على تسجيل الطلاب، وحل مشاكل البرمجيات للطلاب والموظفين.

فريق تكنولوجيا المعلومات والإحصاء

2022-11-01,current
عضو لجنة التسجيل لتسجيل طلبة المرحلة الأولى.

لجنة التسجيل

اللقب العلمي

مساعد مدرس

2025-11-02

مساعد محاضر

2019-07-23

البحوث العلمية

Dasinya Journal for Engineering and Informatics (القضية : 00) (الحجم : 01)
Deep Learning-Based Skin Disease Detection and Classification: A Comprehensive Literature Review

The rapid advancements in deep learning have revolutionized medical diagnostics, particularly in dermatology. Accurate detection... See more

The rapid advancements in deep learning have revolutionized medical diagnostics, particularly in dermatology. Accurate detection and classification of skin diseases are critical for effective treatment and improved patient outcomes. This review provides a comprehensive overview of state-of-the-art deep learning methods, such as Convolutional Neural Networks (CNNs) and transfer learning approaches, applied to automate the diagnosis of dermatological conditions. Large datasets like HAM10000 and ISIC are pivotal for training effective classifiers. However, challenges such as dataset imbalance, lesion heterogeneity, and overfitting persist. Techniques including ensemble learning, attention mechanisms, explainable AI, data augmentation, hybrid models, and task-specific loss functions have significantly enhanced classification accuracy, model interpretability, and robustness. By synthesizing these advancements, this review under scores the transformative potential of deep learning in dermatology, paving the way for scalable, accurate, and accessible diagnostic tools that complement clinical expertise. Finally, the study highlights the ethical and practical considerations essential for deploying AI-driven systems in real-world healthcare settings.

 2025-10
Science Journal of University of Zakho (القضية : 04) (الحجم : 13)
Deep Learning-Based Skin Disease Detection and Classification

Automatic classification of dermoscopy images is essential for the early diagnosis and treatment of skin... See more

Automatic classification of dermoscopy images is essential for the early diagnosis and treatment of skin diseases. However, this task is challenging due to visual similarities between disease types, variations in skin structures, and differences across disease stages. To address these difficulties, Deep Learning (DL) has emerged as a powerful approach for computer-aided dermatological diagnosis. In this study, we propose a DL framework specifically designed for skin disease classification. The model employs a lightweight ConvNeXt-Tiny architecture, combined with a two-phase hybrid data augmentation strategy and an advanced optimization pipeline. The methodology includes extensive preprocessing of dermoscopic images, followed by hybrid augmentation that merges offline transformations (spatial, pixel-level, structural) with online probabilistic methods such as MixUp and CutMix. This approach improves minority class representation and stabilizes decision boundaries. Experiments on the HAM10000 dataset show strong results: 95.21% accuracy, 93.89% precision, 89.87% recall, 98.62% specificity, 91.60% F1-score, and 98.98% AUC. These outcomes surpass baseline ConvNeXt variants and other state-of-the-art methods. The proposed framework offers a practical solution for deployment in resource-constrained clinical environments, supporting accurate and early diagnosis of skin diseases.

 2025-10
Journal of Information Technology and Informatics (القضية : 02) (الحجم : 03)
Responsible AI Development for Sustainable Enterprises A Review of Integrating Ethical AI with IoT and Enterprise Systems

The purpose of this study is to investigate the integration of ethical Artificial Intelligence (AI)... See more

The purpose of this study is to investigate the integration of ethical Artificial Intelligence (AI) with Internet of Things (IoT) and corporate systems, with a particular focus on the significant functions that responsible AI plays in the development of environmentally responsible business practices. The synthesis of research places an emphasis on the integration of AI technology with robust ethical standards, principles of corporate social responsibility, and concerns for the environment. This integration enhances both the operational efficiency of the organization as well as the overall sustainable business philosophy. The evaluation places a strong emphasis on the significant part that public administrations play in the process of building ethical governance frameworks for AI, which ensure that AI is in accordance with social and environmental objectives. In addition to this, it studies the potential for AI, the IoT, and big data to work together to solve challenges related to sustainability. According to the findings of the study, it is essential to make continuous improvements to AI systems in order to guarantee their scientific growth while also taking into consideration the concerns of society and the environment. It has been recommended that in the future, research should place a higher priority on performing empirical validations and adopting these integrative technologies in specific businesses. It would be beneficial to bridge the gap between theoretical notions and practical implementations, which would ultimately result in a business climate that is more environmentally sensitive and socially conscientious.

 2024-07
Indonesian Journal of Computer Science (القضية : 03) (الحجم : 13)
Deep and Machine Learning Algorithms for Diagnosing Brain Cancer and Tumors

In the rapidly evolving field of medical diagnostics, the integration of deep learning (DL) and... See more

In the rapidly evolving field of medical diagnostics, the integration of deep learning (DL) and machine learning (ML) technologies has dramatically advanced the accuracy and efficiency of brain cancer and tumor diagnosis using magnetic resonance imaging (MRI). This review explores the transformative impact of these technologies, highlighting their role in enhancing tumor detection, classification, and early diagnosis interventions. DL and ML algorithms have significantly improved the analysis of complex imaging data, enabling more precise and faster diagnostic decisions, which are crucial for effective patient management and treatment planning. This review encompasses a broad spectrum of studies that illustrate the capabilities of these computational techniques in handling large datasets, learning intricate patterns, and achieving a high diagnostic performance. By delving into various algorithmic approaches and their clinical implications, this study underscores the importance of continued advancements and the integration of AI technologies in the field of oncology, aiming to foster better patient outcomes through innovative diagnostic tools.

 2024-06

الاطاريح

2025-11-02
اكتشاف وتصنيف الأمراض الجلدية بالاعتماد على التعلم العميق

التشخيص الدقيق وفي الوقت المناسب للأمراض الجلدية يُعد أمرًا بالغ الأهمية من أجل علاج فعّال... See more

التشخيص الدقيق وفي الوقت المناسب للأمراض الجلدية يُعد أمرًا بالغ الأهمية من أجل علاج فعّال للمرضى، ومع ذلك فإن الطرق التشخيصية الحالية غالبًا ما تكون محدودة بطبيعتها الذاتية، وبتطلبها لوقت طويل، إضافةً إلى النقص العالمي في عدد أطباء الجلدية. وفي حين أن نماذج التعلم العميق (Deep Learning)، ولا سيما الشبكات العصبية الالتفافية (CNNs)، قد ظهرت كحل واعد للتصنيف الآلي للأمراض الجلدية، إلا أن أدائها قد يتأثر بتحديات مثل صِغر حجم قواعد البيانات، وعدم توازن الفئات بشكل كبير، وخطر فرط التخصيص (overfitting). علاوة على ذلك، فإن التشابه البصري بين الآفات الجلدية والبُنى غير المرضية يُشكل تحديًا كبيرًا أمام التمييز الدقيق. يتناول هذا البحث هذه التحديات من خلال اقتراح إطار عمل شامل للتشخيص والتصنيف لسبعة أمراض جلدية شائعة. تعتمد الطريقة المقترَحة على دمج شبكة ConvNeXt-Tiny الحديثة مع منظومة هجينة من تقنيات تعزيز البيانات (Data Augmentation) ثنائية المرحلة. تتضمن هذه المنظومة كلاً من التحويلات غير المتصلة (offline transformations) والتعزيزات الاحتمالية المتصلة (online probabilistic augmentations) مثل Mixup و CutMix، والمصممة بدقة لتنظيم النموذج وزيادة قدرته على التعميم من بيانات بصرية متنوعة. وبعد مرحلة معالجة البيانات، والتي شملت إعادة التحجيم والتطبيع (resizing & normalization)، تم تدريب نموذج ConvNeXt-Tiny باستخدام خوارزمية AdamW optimizer، وجدولة معدل تعلم أحادي الدورة (One-Cycle Learning Rate Scheduler)، ودالة خسارة ملساء من نوع Categorical Cross-Entropy. تم تقييم فعالية الطريقة المقترَحة بدقة من خلال مجموعة واسعة من مقاييس الأداء. وتشير النتائج التجريبية إلى أن النهج المقترَح حقق أداءً محسّنًا، مع دقة تصنيف بلغت %95.21، ودقة (Precision)%93.89، واستدعاء (Recall) %89.87، ونوعية (Specificity) %98.62، ودرجة F1 بلغت %91.60، ومنطقة تحت المنحنى (AUC) %98.98. وتُبرز هذه النتائج قوة النموذج الاستثنائية في التمييز بين مجموعة واسعة من الأمراض الجلدية وقدرته العالية على التعميم عبر حالات مختلفة. إضافة إلى ذلك، أظهر التقييم التفصيلي للنموذج الأساسي والمضغوط (Quantized) والمُقَلَّم (Pruned) أن الكمّية الديناميكية (Dynamic Quantization) خفّضت حجم النموذج بنسبة %93.1 (من 106.15 ميغابايت إلى 7.28 ميغابايت) وقلّلت عدد المعاملات من 27,825,511 إلى 1,908,480 مع انخفاض طفيف في الدقة قدره 0.004 فقط، بينما أدى التقليم (Magnitude Pruning) بمعدل ندرة 30% إلى تسريع الاستدلال على وحدة معالجة الرسوميات (GPU) بمقدار 1.53× (تقليل وقت معالجة الدفعة من 642.27 مللي ثانية إلى 420.90 مللي ثانية) مع تحسّن طفيف في الدقة بمقدار **0.002**، مما يحقق توازنًا عمليًا بين التصنيف عالي الأداء والنشر الفعّال من حيث الموارد. وبتقديم حل قابل للتوسّع، ثابت، وموضوعي للتصنيف الآلي للأمراض الجلدية، يُسهم هذا البحث في تطوير أداة قوية لأنظمة التشخيص بمساعدة الحاسوب (CAD)، والتي يمكن أن تساعد الأطباء في عملهم وتساهم في نهاية المطاف في التخفيف من النقص العالمي في أطباء الجلدية.

 2025

المؤتمرات العلمية

المؤتمر الدولي الخامس للعلوم والهندسة المتقدمة (ICOASE2025)
 2025-09
الكشف عن أمراض الجلد وتصنيفها باستخدام التعلم العميق: مراجعة شاملة للبحوث

ساهم التطور الكبير في مجال التعلم العميق في إحداث ثورة في مجال الكشف عن الأمراض في القطاع الطبي، وخاصةً في مجال الأمراض الجلدية. يُعد التشخيص الدقيق وفي الوقت المناسب لأمراض الجلد أمرًا بالغ الأهمية لعلاجها بفعالية، ولتحسين جودة حياة المرضى. تقدم هذه الورقة وصفًا شاملًا لأساليب التعلم العميق الحديثة المستخدمة في أتمتة أنظمة التشخيص من خلال الشبكات العصبية التلافيفية (CNNs) وغيرها من أساليب التعلم بالنقل لتشخيص الحالات الجلدية. يُعدّ استخدام مجموعات بيانات كبيرة (مثل HAM10000 وISIC) أمرًا أساسيًا لتدريب المصنف بفعالية. ومع ذلك، تُعدّ اختلالات البيانات وعدم تجانسها في الآفات، والإفراط في التجهيز، من المشكلات. ولكن باستخدام التعلم التجميعي، وآلية الانتباه، والذكاء الاصطناعي القابل للتفسير، وزيادة البيانات، والنموذج الهجين، ودالة الخسارة الخاصة بالمهمة، يُمكننا تحسين دقة التصنيف، وقابلية تفسير النموذج، ومتانته بشكل كبير. من خلال دمج هذه التطورات، تُسلط هذه المراجعة الضوء على قدرة التعلم العميق التحويلية في مجال الأمراض الجلدية نحو تعزيز أدوات تشخيصية واسعة النطاق ودقيقة وبأسعار معقولة للخبرة السريرية. ويحدد العمل أخيرًا أيضًا المخاوف الأخلاقية والعملية المرتبطة بتبني أنظمة الذكاء الاصطناعي في الرعاية الصحية في العالم الحقيقي.

الدورات التدريبية

2024-06-30,2024-09-19
الإنجليزية الإمبراطورية - المملكة المتحدة

اللغة الإنجليزية

 2024