Fatty liver is a common liver disease caused by the accumulation of fat in the liver cells which is created with steatosis protein. It can cause permanent damage to the liver without on time and effective control. At present, the amount of fatty liver is a growing trend due to increasing obesity, alcohol and diabetes. Therefore, a quantitative analysis of liver ultrasound image using computer tools and methods is essential and useful to establish a standard clinical method for the diagnosis of fatty liver and improvement of diagnostic accuracy, repeatability and clinical efficacy, which will help specialists in this field to make a faster and more accurate diagnosis based on medical images.

The most common cause of liver disease is Non-Alcoholic Fatty Liver Disease (NAFLD), for which the use of Deep Learning Technology in the disease detection in ultrasound images can be an effective method. The main challenge of this research is to find a structure that can be trained on disease data with the ability of highest possible accuracy.

In this study which was performed on 1100 liver ultrasound images, Deep Learning Technology and a Self-Generating Network-based method with different parameters to classify fatty and healthy liver images were used and trained. After training the network, samples are provided to the network and the feature vector extracted from each image is used to teach the CNN and LSTM classifiers.

The results show that the accuracy rate of the LSTM-based model is 25% higher than the CNN-based model, and also with increasing the number of Self-Generating layers, the correctness rate improves and compared to the No-Learning Metrics mode, better results are obtained.

چکیده

کبد چرب یک بیماری شایع کبدی ناشی از انباشت چربی در سلول‌های کبدی است که از طریق پروتئین استاتوزی ایجاد می‌شود. بدون کنترل به موقع و موثرممکن است باعث آسیب دائمی به کبد شود. در حال حاضر میزان بروز کبد چرب به دلیل رشد چاقی، الکل و دیابت همچنان افزایش می‌یابد. بنابراین یک تجزیه و تحلیل کمّی تصویر سونوگرافی کبدی با استفاده از ابزارها و روش‌های کامپیوتری امری ضروری است و به ایجاد روش بالینی هدف تشخیص کبد چرب و استاندارد و بهبود دقت تشخیصی، تکرارپذیری و کارآیی بالینی کمک خواهد کرد که این مهم باعث کمک به تشخیص دقیق‌تر و سریع‌تر بیماری از روی تصاویر پزشکی به متخصصان این حوزه خواهد کرد. شایع ترین علت بیماری کبدی، کبد چرب غیر الکلی (NAFLD)است که بدین منظور استفاده از تکنولوژی یادگیری عمیق در شناسایی بیماری در تصاویر التراسوند می‌تواند روش موثری باشد. چالش اصلی این پژوهش در حقیقت یافتن پیکره‌ای با قابلیت آموزش بر روی دادگان بیماری با بالاترین دقت ممکن است. در پژوهش صورت گرفته که بر روی 1100 تصویر سونوگرافی کبد صورت گرفت با استفاده از تکنولوژی یادگیری عمیق و یک روش مبتنی بر شبکه خودکدگشا با پارامترهای مختلف برای دسته بندی تصاویر کبد چرپ و سالم مورد بررسی قرار گرفت و آموزش داده شد.پس از آموزش شبکه نمونه‌ها به شبکه ارائه شده و بردار ویژگی مستخرج از هر تصویر، برای آموزش طبقه بندهای CNN وLSTM مورد استفاده قرار می‌گیرد. نتایج حاصله بیانگر این است که نرخ صحت مدل مبتنی بر LSTM به میزان 25٪ بیشتر از مدل مبتنی بر CNN است و همچنین با افزایش تعداد لایه‎های خودکدگشا، نرخ صحت نیز بهبود یافته و همچنین نسبت به حالت بدون یادگیری متریک، نتایج بهتری حاصل شده است.

قیمت: 55,000 تومان پرداخت و دانلود

#نسخه_الکترونیکی_کمک_در_کاهش_تولید_کاغذ_است. #اگر_مالک_یا_ناشر_فایل_هستید، با ثبت نام در سایت محصول را به سبدکاربری خود منتقل و درآمدفروش آن را دریافت نمایید.

برچسب ها: آشکارسازی کبد چرب LSTM آلتراسوند کبد غیر الکلی