چکیده:
بیماری سنگ کلیه مرتبا در حال افزایش است. تشخیص این بیماری از سه راه امکان پذیر است؛ معاینه فیزیکی توسط پزشک، آزمایشهای 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 سنگها را نمایش دهند، استفاده از این روش به شرط رعایت احتیاطهای لازم، نتیجه مطلوبی در پی خواهد داشت. در این مطالعه با استفاده از تکنیک یادگیری عمیق به طراحی یک مدل تشخیصی و طبقهبندیکننده تصاویر توموگرافی کامپیوتری کلیه پرداخته شد. این مطالعه مبتنی بر استفاده از شبکه عمیق VGG-Net و در بستر زبان برنامهنویسی پایتون بود. فرآیند طراحی مطالعه شامل: جمع آوری دادهها، پیشپردازش تصاویر، اعمال مدل پیشنهادی، طبقهبندی تصاویر به چهار کلاس سالم، کیست، تومور و سنگ، آموزش و اعتبارسنجی و در نهایت تشکیل ماتریس درهمریختگی 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 طبقهبندی کننده، میتوان از آن برای کمک به پزشک در تشخیص ناهنجاری کلیه بهخصوص سنگ کلیه استفاده نمود.
خلاصه ماشینی:
با توجه به دقت و صحت این مدل طبقهبندی کننده، میتوان از آن برای کمک به پزشک در تشخیص ناهنجاری کلیه بهخصوص سنگ کلیه استفاده نمود.
با توجه به مطالب بیان شده، در این مطالعه به معرفی یک سیستم تشخیص دهندهی سنگ کلیه با بهرهگیری از شبکههای عصبی عمیق و استفاده از تصاویر توموگرافی کامپیوتری پرداخته میشود.
سیستم مذکور پس از آموزش و یادگیری قادر خواهد بود پس از اخذ تصاویر توموگرافی کامپیوتری، آنها را در چه ext=" xt="Ston xt="Tumo t="Normal> طبقهبندی نموده و با این کار به پزشک در تشخیص درست ناهنجاری کلیه علی الخصوص سنگ کلیه یاری رساند.
2- ادبیات و پیشینة پژوهش Black و همکارانش [24] در مطالعهای که برای ارزیابی کارایی روشهای یادگیری عمیق با هدف تشخیص خودکار ترکیب سنگها با استفاده از تصاویر دیجیتالی انجام دادند، 63 سنگ کلیه را که دارای ترکیبات اسید اوریک، اگزالات کلسیم مونوهیدرات، کلسیم هیدروژن فسفات دی هیدرات و منیزیم آمونیوم فسفات هگزا هیدرات بود را مورد بررسی قرار داده و مدلی را با استفاده از شبکه عصبیResNet-101 برای تشخیص سنگ کلیه معرفی نمودند که میزان دقت این مدل حدود 96 درصد اعلام شد.
با توجه به دقت و صحت این مدل طبقهبندیکننده، میتوان از آن برای کمک به پزشک در تشخیص ناهنجاریهای کلیه علی الخصوص سنگ کلیه استفاده نمود.
Deep learning model-assisted detection of kidney stones on computed tomography.
Fusion of multiple segmentations of medical images using OV2ASSION and Deep Learning methods: Application to CT-Scans for tumoral kidney.
Deep learning model for automated kidney stone detection using coronal CT images.