view in publisher's site

Kidney disease detection and segmentation using artificial neural network and multi-kernel k-means clustering for ultrasound images

Highlights•To design and develop effective kidney disease detection approach.•An artificial neural network and multi-kernel k-means clustering algorithms were used.•Stone and tumor were effectively identified by medical ultra sound images.•Performance of linear + Quadratic kernel approach is analyzed with sensitivity, specificity and accuracy.•The proposed linear + Quadratic kernel approach achieves the maximum accuracy compare to other methods.AbstractThe main aim of this paper is to design and develop an approach for kidney disease detection and segmentation using a combination of clustering and classification approach. Nowadays, kidney stone detection and segmentation is one of the crucial procedures in surgical and treatment planning for ultrasound images. However, at present, kidney stone segmentation in ultrasound images is mostly performed manually in clinical practice. Apart from being time-consuming, manual stone delineation is difficult and depends on the individual operator. Therefore, in this work, we proposed a kidney stone detection using artificial neural network and segmentation using multi-kernel k-means clustering algorithm. Normally, the system comprises of four modules like (i) preprocessing, (ii) feature extraction, (iii) classification and (iv) segmentation. Primarily, we eliminate the noise present in the input image using median filter. Then, we extract the important GLCM features from the image. After that, we classify the image as normal or abnormal using neural network classifier. Finally, the abnormal images are given to the segmentation stage to segment the stone and tumor part separately using multi.Kernel K-means clustering algorithm. The experimentation results show that the proposed system as linear + quadratic based segmentation achieves the maximum accuracy of 99.61%, compare with all other methods.

تشخیص بیماری‌های کلیوی و بخش‌بندی با استفاده از شبکه عصبی مصنوعی و multi K - means برای تصاویر سونوگرافی به معنای خوشه‌بندی است.

کاره‌ای مهم: طراحی و توسعه رویکرد تشخیص بیماری کبد موثر. یک شبکه عصبی مصنوعی و چند هسته k - means برای خوشه‌بندی استفاده شد. * استون و تومور به طور موثر با تصاویر فوق صوتی پزشکی شناسایی شدند. عملکرد روش هسته خطی + Quadratic با حساسیت، ویژگی و دقت تحلیل می‌شود. رویکرد هسته linear + Quadratic پیشنهادی به حداکثر دقت مقایسه شده با هدف اصلی این مقاله، طراحی و توسعه یک رویکرد برای تشخیص بیماری کلیه و تقسیم‌بندی با استفاده از ترکیبی از روش خوشه‌بندی و طبقه‌بندی است. امروزه تشخیص سنگ کلیه و بخش‌بندی یکی از رویه‌های حیاتی در طراحی و برنامه‌ریزی درمان برای تصاویر سونوگرافی است. با این حال، در حال حاضر، تقسیم‌بندی سنگ کلیه در تصاویر سونوگرافی بیشتر بصورت دستی در عمل بالینی انجام می‌شود. جدا از وقت گیر کردن، توصیف سنگ دستی دشوار است و به اپراتور فردی بستگی دارد. بنابراین در این تحقیق، یک تشخیص سنگ کلیه با استفاده از شبکه عصبی مصنوعی و بخش‌بندی با استفاده از الگوریتم خوشه‌بندی چند هسته k - means پیشنهاد کردیم. به طور معمول، سیستم متشکل از چهار ماژول پیش‌پردازش، استخراج ویژگی (ii)استخراج ویژگی (iii)طبقه‌بندی و (iv)تقسیم‌بندی است. در وهله اول، ما نویز موجود در تصویر ورودی با استفاده از فیلتر میانه را حذف می‌کنیم. سپس، ویژگی‌های مهم GLCM تصویر را از تصویر استخراج می‌کنیم. بعد از آن، تصویر را به صورت عادی یا غیر عادی با استفاده از طبقه‌بندی کننده شبکه عصبی طبقه‌بندی می‌کنیم. در نهایت، با استفاده از الگوریتم خوشه‌بندی K - means، تصاویر غیر عادی به مرحله تقسیم‌بندی داده می‌شوند تا بخش سنگ و تومور را به طور جداگانه با استفاده از الگوریتم خوشه‌بندی K - means به طور جداگانه تقسیم‌بندی کنند. نتایج آزمایش‌ها نشان می‌دهد که سیستم پیشنهادی به صورت تقسیم‌بندی خطی + درجه دو به حداکثر دقت of % دست می‌یابد و با سایر روش‌ها مقایسه می‌شود.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Condensed Matter Physics
  • ترجمه مقاله Condensed Matter Physics
  • مقاله فیزیک ماده چگال
  • ترجمه مقاله فیزیک ماده چگال
  • مقاله Applied Mathematics
  • ترجمه مقاله Applied Mathematics
  • مقاله ریاضیات کاربردی
  • ترجمه مقاله ریاضیات کاربردی
  • مقاله Electrical and Electronic Engineering
  • ترجمه مقاله Electrical and Electronic Engineering
  • مقاله مهندسی برق و الکترونیک
  • ترجمه مقاله مهندسی برق و الکترونیک
  • مقاله Instrumentation
  • ترجمه مقاله Instrumentation
  • مقاله دستگاهش
  • ترجمه مقاله دستگاهش
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.