تشخیص کبد چرب و نرمال در تصاویر سونوگرافی با استفاده از شبکه های عصبی کانولوشن

چکیده مقاله

بیماری کبد چرب غیرالکلی شایع ترین بیماری مزمن کبدی در جهان است و در صورت عدم تشخیص به موقع می تواند به فیبروز، سیروز و کارسینوم هپاتوسلولار منجر شود سونوگرافی به دلیل هزینه کم، دسترس پذیری بالا و غیرتهاجمی بودن، روش اول برای غربالگری بیماری کبد چرب محسوب می شود که تفسیر آن به تجربه رادیولوژیست وابسته است و با تغییرپذیری بین مشاهده گران همراه است هدف این مطالعه ارائه یک سامانه خودکار مبتنی بر یادگیری عمیق برای تشخیص کبد چرب از تصاویر واقعی سونوگرافی است در این راستا، مجموعه داده ای شامل دو کلاس کبد نرمال و کبد چرب از یک مرکز تصویربرداری پزشکی در ارومیه، با رعایت ملاحظات اخلاقی گردآوری شده است یک شبکه عصبی کانولوشنی CNN طراحی و با بهره گیری از افزایش داده و بیش نمونه گیری به منظور کاهش عدم توازن کلاس ها آموزش داده شده است عملکرد مدل با اعتبارسنجی متقابل پنج بخشی ارزیابی شده که روش پیشنهادی دقت کلی ۹۲ و میانگین سطح زیر منحنی برابر با ۰٫۹۵ است که بیانگر توان مناسب مدل در تفکیک کبد چرب از کبد سالم می باشد نتایج نشان می دهند این رویکرد می تواند یک ابزار کمک تشخیصی عینی و قابل اتکا در محیط های بالینی به کار گرفته شود که با کاهش بارکاری، رادیولوژیست ها به ارتقای دقت و تسهیل تشخیص زودهنگام بیماری کبد چرب کمک کند

کلیدواژه‌ها

نویسندگان

مریم جلیل زاده

دکتری مهندسی پزشکی، کارشناس مسئول مهندسی پزشکی، معاونت بهداشت ارومیه

فاطمه کوهی

کارشناسی ارشد مهندسی صنایع، دانشگاه صنعتی ارومیه، ارومیه

فرید ممیزی

استادیار گروه مهندسی صنایع، دانشگاه صنعتی ارومیه، ارومیه

�لیل زاده، مریم و کوهی، فاطمه و ممیزی، فرید،1404،تشخیص کبد چرب و نرمال در تصاویر سونوگرافی با استفاده از شبکه های عصبی کانولوشن،دومین کنفرانس بین المللی دو سالانه پیشرفت ها در هوش مصنوعی و علوم داده،بوشهر

ارائه‌شده در

همایش «بسیج، پیشرفت و امنیت پایدار در منطقه جنوب شرق کشور»7 بهمن 1404 · تهران