تشخیص بیماری کبد چرب مبتنی بر استخراج ویژگی از شبکه AlexNet آموزش داده روی تصاوی ر سونوگرافی کبد

بیماری کبد چرب غیر الکلی از شایع ترین بیماری های کبدی است که در صورت تشخیص به موقع، قابل درمان است. تصویر برداری فراصوت یک روش غیرتهاجمی و در دسترس عموم در انر تشخیص و غاربالگری کبد چرب است. اما به علت پیچیدگی فرآیند تشخیص، میزان تخصص و مهارت رادیولوژیست بر تفسیر نتایج اثرگذار است. در این راستا روش های استخراج ویژگی فرکانسی نتایج دقیق تری نسبت به ویژگی های مبتنی بر بافت ارائه داده اند. اما محدودیت این روش ها، عدم یکنواختی عملکرد آن ها در پایگاه های داده مختلف است. در این پژوهش با هدف دسته بندی بیماران کبد چرب و سطح آن از روش استخراج ویژگی مبتنی بر یادگیری عمیق با استفاده از آموزش شبکه ی AlexNet همراه با دسته بندی کننده SVM استفاده شده است. در این پژوهش از دو پایگاه داده استفاده شده است و نتایج برای پایگاه داده ی آوزش داده شده و پایگاه داده ی کاملاً جدید به ترتیب 96% و 90% برای تفکیک بیماران از افراد سالم و 92% و 83% برای تفکیک سطوح چربی به دست آمد. این روش نتایج پایدارتری را روی دو پایگاه داده ی مختلف نسبت به روش های فرکانسی نشان می دهد که به این ترتیب می توان نتیجه گرفت بازگشت به حوزه مکان فضای تصویر با استفاده ویژگی های یادگیری عمیق می تواند نتایج پایدارتری را با دقت مشابه به همراه داشته باشد.

کلیدواژه ها:

بیماری کبد چرب غیرالکلی ، پردازش تصاویر فراصوت ، غربالگری کبد چرب ، یادگیری عمیق در استخراج ویژگی تصاویر فراصوت شبکه های کانولوشن