طبقه بندی اتوماتیک چربی کبد با استفاده از ویژگی های بافت از روی تصاویر اولتراسوند

تشخیص دقیق و به هنگام بیماری کبد چرب غیرالکلی که عامل اصلی بیماری های مزمن کبد است، بسیار مهم می باشد. سونوگرافی از کبد متداول ترین روش تشخیص میزان کبدچرب می باشد. اما به دلیل کیفیت پایین تصاویر اولتراسوند، نیاز به روش های هوش مصنوعی برای تشخیص دقیق میزان چربی کبدی، ضروری می باشد. هدف این مقاله توسعه یک مدل یادگیری ماشین برای ارزیابی سطح چربی کبد براساس تصاویر التراسوند کبد می باشد.

در این مطالعه تحلیلی که از اردیبهشت 1399 تا آذر 1399 در تهران به طول انجامیده است، از تصاویر اولتراسوند 55 فرد مبتلا به چاقی مفرط که قصد جراحی لاپاروسکوپی داشته اند، استفاده شده و از نتیجه بافت شناسی نمونه برداشتی از کبد در آزمایشگاه به عنوان مرجع میزان چربی کبد استفاده شده است. ابتدا 88 ویژگی مبتنی بر بافت با استفاده از ماتریس هم رخداد سطح خاکستری از تصاویر استخراج شده است. در مرحله ی بعد با استفاده از روش حداقل افزونگی و حداکثر ارتباط 20 ویژگی برتر از میان 88 ویژگی انتخاب شده و به ورودی طبقه بند اعمال شده است. در انتها با استفاده از سه طبقه بند آنالیز افتراقی خطی، ماشین بردار پشتیبان و آدابوست، تصاویر به چهار گروه براساس میزان چربی طبقه بندی شده اند.

یافته ها:

 صحت به دست آمده در این مدل، برای طبقه بند آدابوست برابر با 72/92% شد. در حالی که صحت به دست آمده برای هر دو طبقه بند ماشین بردار پشتیبان و آنالیز افتراقی خطی به ترتیب برابر با 88/87% و 76/75% شده است.

نتیجه گیری: 

رویکرد پیشنهادی مبتنی بر ویژگی های بافت با استفاده از طبقه بند آدابوست از روی تصاویر التراسوند، میزان چربی کبد را با دقت بالا و به صورت اتوماتیک تشخیص می دهد و می تواند در تشخیص نهایی به پزشکان و رادیولوژیست ها کمک شایانی کند.