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
- سال انتشار: 1401
- محل انتشار: دوماهنامه نخبگان علوم و مهندسی، دوره: 7، شماره: 6
- کد COI اختصاصی: JR_SEE-7-6_001
- زبان مقاله: فارسی
- تعداد مشاهده: 166
نویسندگان
نویسنده مسئول
نویسنده دوم
چکیده
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 ۹۸ درصد و میزان دقت این مدل برای کلاس سنگ ۹۹ درصد، برای کلاس کیست ۹۹ درصد، برای کلاس سالم۹۷ درصد و برای کلاس تومور ۹۸ 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.کلیدواژه ها
سنگ کلیه، یادگیری عمیق، توموگرافی کامپیوتری، شبکه عصبی، ناهنجاری کلیهاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.