طبقه بندی بیماری های کلیه با استفاده از ویژگی های آماری محلی و شبکه عصبی بازگشتی

تشخیص دقیق و سریع سرطان کلیه از روی تصاویر CT برای تصمیم گیری بالینی به موقع و کاهش ریسک بیمار اهمیت زیادی دارد. در این مقاله یک روش مبتنی بر پیش پردازش، تصویر استخراج لبه ها و تحلیل ویژگی های آماری محلی و بکارگیری یادگیری عمیق از نوع شبکه عصبی بازگشتی برای تشخیص و دسته بندی بیماری های کلیه ارائه شده است. روش پیشنهادی با حذف بخش های غیرضروری تصویر عصبی بازگشتی طبقه بندی محاسبه هیستوگرام در پنجره های مختلف و تحلیل روابط بین لبه ها و بخش های مختلف تصویر، قادر به استخراج ویژگی هایی است که بیانگر وضعیت بافت کلیه می باشد. در روش پیشنهادی به ازای پیکسل هایی با شدت روشنایی پایین تر بازه های هیستوگرام با دقت بیشتر و به ازای پیکسل های روشن تر بازه های وسیع تری از هیستوگرام انتخاب گردید تا ویژگی های آماری بهتری برای تفکیک کلاس ها استخراج شود. دقت طبقه بندی روش ارائه شده به ازای تصاویر موجود در پایگاه داده استاندارد Kaggle و در چهار کلاس، نرمال، کیست، سنگ و تومور ۹۹/۷۶ است و نسبت به تحقیقات گذشته از عملکرد بسیار مناسبی برخوردار می باشد.

کلیدواژه ها:

پردازش تصویر ، بیماری کلیه ، هیستوگرام ، یادگیری عمیق ، شبکه عصبی بازگشتی