|
|
طبقه بندی اتوماتیک چربی کبد با استفاده از ویژگیهای بافت از روی تصاویر اولتراسوند
|
|
|
|
|
نویسنده
|
نادری یاقوتی امیر رضا ,شالباف احمد ,مقصودی آرش
|
منبع
|
مجله دانشكده پزشكي دانشگاه علوم پزشكي تهران - 1400 - دوره : 79 - شماره : 1 - صفحه:10 -17
|
|
|
چکیده
|
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.
|
کلیدواژه
|
کبد چرب، پردازش تصویر، یادگیری ماشین، تصاویر اولتراسوند.
|
آدرس
|
دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران, گروه مهندسی پزشکی, ایران, دانشگاه علوم پزشکی شهید بهشتی, دانشکده پزشکی, گروه مهندسی و فیزیک پزشکی, ایران, دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران, گروه مهندسی پزشکی, ایران
|
|
|
|
|
|
|
|
|
|
|
Automatic classification of Non-alcoholic fatty liver using texture features from ultrasound images
|
|
|
Authors
|
Shalbaf Ahmad ,Naderi Yaghouti Amir Reza ,Maghsoudi Arash
|
Abstract
|
Background: Accurate and early detection of nonalcoholic fatty liver, which is a major cause of chronic diseases is very important and is vital to prevent the complications associated with this disease. Ultrasound of the liver is the most common and widely performed method of diagnosing fatty liver. However, due to the low quality of ultrasound images, the need for an automatic and intelligent classification method based on artificial intelligence methods to accurately detect the amount of liver fat is essential. This paper aims to develop an advanced machine learning model based on texture features to assess liver fat levels based on liver ultrasound images.Methods: In this analytic study, which is done from April to November 2020 in Tehran, ultrasound images of 55 obese people who have undergone laparoscopic surgery have been used and the histological result of a liver biopsy has been employed as a reference for liver fat. First, 88 texturebased features were extracted from the images using the GrayLevel CoOccurrence Matrix (GLCM) method. In the next step, using the method of minimum redundancy and maximum correlation, the top features were selected from among 88 features and applied to the classifier input. Finally, using the three classifiers of linear discriminant analysis, support vector machine and AdaBoost, the images were classified into 4 groups based on the amount of liver fat.Results: The accuracy of the automatic liver fat prediction model from ultrasound images for AdaBoost classification was 92.72%. However, the accuracies obtained for support vector machine and linear discriminant analysis classification were 87.88% and 75.76%, respectively.Conclusion: The proposed approach based on texture features using the GLCM and the AdaBoost classification from ultrasound images automatically detects the amount of liver fat with high accuracy and can help physicians and radiologists in the final diagnosis.
|
Keywords
|
fatty liver ,image processing ,machine learning ,ultrasound imaging.
|
|
|
|
|
|
|
|
|
|
|