طبقه بندي اتوماتيك چربي كبد با استفاده از ويژگي‌هاي بافت از روي تصاوير اولتراسوند

زمينه و هدف: تشخيص دقيق و به‌هنگام بيماري كبد‌چرب غيرالكلي كه عامل اصلي بيماري‌هاي مزمن كبد است، بسيار مهم مي‌باشد. سونوگرافي از كبد متداول‌ترين روش تشخيص ميزان كبدچرب مي‌باشد. اما به دليل كيفيت پايين تصاوير اولتراسوند، نياز به روش‌هاي هوش مصنوعي براي تشخيص دقيق ميزان چربي كبدي، ضروري مي‌باشد. هدف اين مقاله توسعه يك مدل يادگيري ماشين براي ارزيابي سطح چربي كبد براساس تصاوير التراسوند كبد مي‌باشد. روش بررسي: در اين مطالعه تحليلي كه از ارديبهشت 1399 تا آذر 1399 در تهران به طول انجاميده است، از تصاوير اولتراسوند 55 فرد مبتلا به چاقي مفرط كه قصد جراحي لاپاروسكوپي داشته‌اند، استفاده شده و از نتيجه بافت‌شناسي نمونه ‌برداشتي از كبد در آزمايشگاه به‌عنوان مرجع ميزان چربي كبد استفاده شده است. ابتدا 88 ويژگي‌ مبتني‌بر بافت با استفاده از ماتريس هم‌رخداد سطح خاكستري از تصاوير استخراج شده است. در مرحله‌ي بعد با استفاده از روش حداقل افزونگي و حداكثر ارتباط 20 ويژگي‌ برتر از ميان 88 ويژگي انتخاب شده و به ورودي طبقه بند اعمال شده است. در انتها با استفاده از سه طبقه‌بند آناليز افتراقي خطي، ماشين بردار پشتيبان و آدابوست، تصاوير به چهار گروه براساس ميزان چربي طبقه‌بندي شده‌اند. يافته‌ها: صحت به‌دست آمده در اين مدل، براي طبقه‌بند آدابوست برابر با 72/92% شد. در‌حالي‌كه صحت به‌دست آمده براي هر دو طبقه‌بند ماشين بردار پشتيبان و آناليز افتراقي خطي به‌ترتيب برابر با 88/87% و 76/75% شده‌‌است. نتيجه‌گيري: رويكرد پيشنهادي مبتني‌بر ويژگي‌هاي بافت با استفاده از طبقه‌بند آدابوست از روي تصاوير التراسوند، ميزان چربي كبد را با دقت بالا و به‌صورت اتوماتيك تشخيص مي‌دهد و مي‌تواند در تشخيص نهايي به پزشكان و راديولوژيست‌ها كمك شاياني كند.