معرفی یک مدل نوین به منظور طبقه بندی ناهنجاری های کلیه مبتنی بر تکنیک های یادگیری عمیق و تصاویر توموگرافی کامپیوتری با رویکرد تشخیص سنگ کلیه
بیماری سنگ کلیه مرتبا در حال افزایش است. تشخیص این بیماری از سه راه امکان پذیر است؛ معاینه فیزیکی توسط پزشک، آزمایش های پاتولوژی و تصویربرداری. تصویربرداری نیز شامل اشعه ایکس، توموگرافی کامپیوتری، سونوگرافی و ام آر آی است. به دلیل اینکه تصاویر توموگرافی کامپیوتری قادرند حتی ریزترین سنگ ها را نمایش دهند، استفاده از این روش به شرط رعایت احتیاط های لازم، نتیجه مطلوبی در پی خواهد داشت. در این مطالعه با استفاده از تکنیک یادگیری عمیق به طراحی یک مدل تشخیصی و طبقه بندی کننده تصاویر توموگرافی کامپیوتری کلیه پرداخته شد. این مطالعه مبتنی بر استفاده از شبکه عمیق VGG-Net و در بستر زبان برنامه نویسی پایتون بود. فرآیند طراحی مطالعه شامل: جمع آوری داده ها، پیش پردازش تصاویر، اعمال مدل پیشنهادی، طبقه بندی تصاویر به چهار کلاس سالم، کیست، تومور و سنگ، آموزش و اعتبارسنجی و در نهایت تشکیل ماتریس درهم ریختگی بود. میزان صحت مدل پیشنهادی 98 درصد و میزان دقت این مدل برای کلاس سنگ 99 درصد، برای کلاس کیست 99 درصد، برای کلاس سالم97 درصد و برای کلاس تومور 98 درصد بود. با توجه به دقت و صحت این مدل طبقه بندی کننده، می توان از آن برای کمک به پزشک در تشخیص ناهنجاری کلیه به خصوص سنگ کلیه استفاده نمود.
سنگ کلیه، یادگیری عمیق، توموگرافی کامپیوتری، شبکه عصبی، ناهنجاری کلیه
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.