كليدواژه :
تصويربرداري اولتراسوند , يادگيري ماشين , شبكه هاي يادگيري انتقالي عميق , كبد چرب
چكيده فارسي :
زمينه و هدف:
امروزه يكي از رايج ترين بيماري هاي موجود در زمينه كبد، عارضه چربي كبد است كه به ميزان قابل توجهي در افراد مبتلا به چاقي مفرط و بيماران ديابتي
ديده مي شود. با استفاده از روش تصويربرداري اولتراسوند مي توان به شناسايي و ارزيابي افراد مبتلا به اين عارضه پرداخت. لذا هدف از اين مطالعه، استفاده از
الگوريتم هاي مبتني بر يادگيري ماشين پيشرفته براي تشخيص اتوماتيك دقيق چربي كبد از روي تصاوير اولتراسوند مي باشد.
روش بررسي:
در اين مقاله از تصاوير اولتراسوند گردآوري شده از 55 فرد كه مبتلا به چاقي مفرط بوده و قصد جراحي چرب يبرداري به شيوه لاپاروسكوپي داشته اند، استفاده
شده است. سطح چربي كبد بيماران مختلف مورد آزمايش، با استفاده از نمونه برداري تعيين شده است. براساس نمون هبرداري انجام شده، دارا بودن كبد چرب به
بيماراني اطلاق مي شود كه بيش از 5% هپاتوسيت كبدي آنها با نفوذ چربي همراه شده است. در اين مطالعه، ما از سه شبكه عصبي عميق از پيش آموزش ديده شده
كانولوشني به عنوان الگوريتم هاي پيشرفته يادگيري ماشين با نام هاي GoogleNet ،Inception-ResNetV2 و AlexNet براي استخراج ويژگي هاي سطح بالاي
مجموعه تصاوير اولتراسوند جمع آوري شده استفاده كرديم. پس از استخراج ويژگي از تصاوير، از لايه SoftMax براي كلاس بندي تصاوير شامل چربي كبد استفاده شد.
يافته ها:
دقت بدست آمده براي شبكه هاي عصبي عميق GoogleNet ،Inception-ResNetV2 و AlexNet در تشخيص اتوماتيك چربي كبد به ترتيب، برابر با 8108 / 0،
0/9459 و 9932 / 0 حاصل شد. ميزان سطح زير منحني مشخصه هاي كاري گيرنده ) AUC ( براي اين سه شبكه نيز به ترتيب برابر با 9757 / 0، 9960 / 0 و
0/9963 بدست آمد.
نتيجه گيري:
الگوريتم هوشمند پيشنهادي به متخصصين سونوگرافي كمك م يكند تا به طور اتوماتيك و با دقت بالا، چربي بافت كبدي بيماران را ب ينياز از حضور يك
متخصص براي تعيين ناحيه مورد نظر تشخيص دهند.
چكيده لاتين :
Background:
One of the common diseases is fatty liver disease, which can be seen significantly in patients with excessive obesity as well as
patients with diabetes. Using ultrasound imaging methods, it can be possible to identify and evaluate patients affected by this
disease. The aim of this study was to use advanced machine learning algorithms for better and more accurate classification of the
acquired images from different patients affected by fatty liver disease.
Materials and Methods:
In this study, the acquired ultrasound images of 55 patients suspicious as having fatty liver disease have been used. The level of fat for
different patients was labeled by biopsy sampling. Based on this experiment, the patients were predicated as having a fatty liver when
more than 5% of their liver hepatocytes were accompanied by infiltration of fat. Then, we utilized some pre-trained convolutional neural
networks, including Inception-ResNetV2, GoogleNet, and AlexNet to extract high-level features of the collection of the acquired images.
After that, a SoftMax layer was implemented to classify the images that indicated fatty liver.
Results:
The resulted precisions for Inception-ResNetV2, GoogleNet, and AlexNet pre-trained convolutional networks were 0.8108, 0.9459,
and 0.9932, respectively. Also, the area under the curve of receiver operating characteristics (AUC) for these networks were 0.9757,
0.9960, and 0.9963, respectively.
Conclusion:
The proposed intelligent algorithm can help sonography experts to recognize the liver tissues with fat automatically and accurately
without the need for a specialist to assign the region of interest for evaluation
