دوره 79، شماره 1 - ( فروردین 1400 )
جلد 79 شماره 1 صفحات 17-10 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Naderi Yaghouti A R, Shalbaf A, Maghsoudi A. Automatic classification of Non-alcoholic fatty liver using texture features from ultrasound images. Tehran Univ Med J 2021; 79 (1) :10-17
URL: http://tumj.tums.ac.ir/article-1-11130-fa.html
URL: http://tumj.tums.ac.ir/article-1-11130-fa.html
نادری یاقوتی امیر رضا، شالباف احمد، مقصودی آرش. طبقه بندی اتوماتیک چربی کبد با استفاده از ویژگی‌های بافت از روی تصاویر اولتراسوند. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1400; 79 (1) :10-17
امیر رضا نادری یاقوتی1 
، احمد شالباف2 ، آرش مقصودی* 3
، احمد شالباف2 ، آرش مقصودی* 3
1- گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2- گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.
3- گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2- گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.
3- گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
چکیده: (1743 مشاهده)
زمینه و هدف: تشخیص دقیق و به‌هنگام بیماری کبدچرب غیرالکلی که عامل اصلی بیماری‌های مزمن کبد است، بسیار مهم می‌باشد. سونوگرافی از کبد متداول‌ترین روش تشخیص میزان کبدچرب می‌باشد. اما به دلیل کیفیت پایین تصاویر اولتراسوند، نیاز به روش‌های هوش مصنوعی برای تشخیص دقیق میزان چربی کبدی، ضروری می‌باشد. هدف این مقاله توسعه یک مدل یادگیری ماشین برای ارزیابی سطح چربی کبد براساس تصاویر التراسوند کبد می‌باشد.
روش بررسی: در این مطالعه تحلیلی که از اردیبهشت 1399 تا آذر 1399 در تهران به طول انجامیده است، از تصاویر اولتراسوند 55 فرد مبتلا به چاقی مفرط که قصد جراحی لاپاروسکوپی داشته‌اند، استفاده شده و از نتیجه بافت‌شناسی نمونه برداشتی از کبد در آزمایشگاه به‌عنوان مرجع میزان چربی کبد استفاده شده است. ابتدا 88 ویژگی مبتنی‌بر بافت با استفاده از ماتریس هم‌رخداد سطح خاکستری از تصاویر استخراج شده است. در مرحله‌ی بعد با استفاده از روش حداقل افزونگی و حداکثر ارتباط 20 ویژگی برتر از میان 88 ویژگی انتخاب شده و به ورودی طبقه بند اعمال شده است. در انتها با استفاده از سه طبقه‌بند آنالیز افتراقی خطی، ماشین بردار پشتیبان و آدابوست، تصاویر به چهار گروه براساس میزان چربی طبقه‌بندی شده‌اند.
یافته‌ها: صحت به‌دست آمده در این مدل، برای طبقه‌بند آدابوست برابر با 72/92% شد. در‌حالی‌که صحت به‌دست آمده برای هر دو طبقه‌بند ماشین بردار پشتیبان و آنالیز افتراقی خطی به‌ترتیب برابر با 88/87% و 76/75% شده‌‌است.
نتیجه‌گیری: رویکرد پیشنهادی مبتنی‌بر ویژگی‌های بافت با استفاده از طبقه‌بند آدابوست از روی تصاویر التراسوند، میزان چربی کبد را با دقت بالا و به‌صورت اتوماتیک تشخیص می‌دهد و می‌تواند در تشخیص نهایی به پزشکان و رادیولوژیست‌ها کمک شایانی کند.
روش بررسی: در این مطالعه تحلیلی که از اردیبهشت 1399 تا آذر 1399 در تهران به طول انجامیده است، از تصاویر اولتراسوند 55 فرد مبتلا به چاقی مفرط که قصد جراحی لاپاروسکوپی داشته‌اند، استفاده شده و از نتیجه بافت‌شناسی نمونه برداشتی از کبد در آزمایشگاه به‌عنوان مرجع میزان چربی کبد استفاده شده است. ابتدا 88 ویژگی مبتنی‌بر بافت با استفاده از ماتریس هم‌رخداد سطح خاکستری از تصاویر استخراج شده است. در مرحله‌ی بعد با استفاده از روش حداقل افزونگی و حداکثر ارتباط 20 ویژگی برتر از میان 88 ویژگی انتخاب شده و به ورودی طبقه بند اعمال شده است. در انتها با استفاده از سه طبقه‌بند آنالیز افتراقی خطی، ماشین بردار پشتیبان و آدابوست، تصاویر به چهار گروه براساس میزان چربی طبقه‌بندی شده‌اند.
یافته‌ها: صحت به‌دست آمده در این مدل، برای طبقه‌بند آدابوست برابر با 72/92% شد. در‌حالی‌که صحت به‌دست آمده برای هر دو طبقه‌بند ماشین بردار پشتیبان و آنالیز افتراقی خطی به‌ترتیب برابر با 88/87% و 76/75% شده‌‌است.
نتیجه‌گیری: رویکرد پیشنهادی مبتنی‌بر ویژگی‌های بافت با استفاده از طبقه‌بند آدابوست از روی تصاویر التراسوند، میزان چربی کبد را با دقت بالا و به‌صورت اتوماتیک تشخیص می‌دهد و می‌تواند در تشخیص نهایی به پزشکان و رادیولوژیست‌ها کمک شایانی کند.
نوع مطالعه: مقاله اصیل |
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
