Диагностика визуализации почек с помощью Deep Learning

Аннотация

Ультразвуковые изображения можно использовать для диагностики заболеваний почек: выявления системных аномалий, таких как кисты, камни и инфекции, и предоставления информации о функции почек. В этой статье основное внимание уделяется выбору подходящих признаков для эффективной классификации нормальных и аномальных изображений почек. При диагностике изображений сердца преобразование оттенков серого использовалось для классификации аномальных изображений в почках. Обучался набор данных, сформированный сверточной нейронной сетью. Было создано 2 класса и на их основе достигнут результат распознавания 89%. Распространенность хронической болезни почек (ХБП) при данном сценарии исследований ежегодно увеличивается. Одним из источников для дальнейшей терапии является прогнозирование ХБП, где методы машинного обучения становятся более важными в медицинской диагностике из-за их высокой точности классификации. В недавнем прошлом точность алгоритмов классификации зависела от правильного использования алгоритмов выбора признаков для уменьшения размера данных. В этой статье гетерогенно модифицированная искусственная нейронная сеть (ГМИНС) была предложена для раннего обнаружения, сегментации и диагностики хронической почечной недостаточности на платформе Интернета медицинских вещей (ИМВ). Кроме того, предлагаемый ГМИНС классифицируется как машина опорных векторов и многослойный персептрон (МП) с алгоритмом обратного распространения ошибки (ОР). Предлагаемый алгоритм работает на основе ультразвукового изображения, которое обозначается как этап предварительной обработки, и интересующая область почки сегментируется на ультразвуковом изображении.