KaydedilenlerDerginizi ekleyin

Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2022 / Sayı: 40

Böbrek Hastalıkları için Açıklanabilir Yapay Zeka Destekli Derin Öğrenmeye Dayalı Bir Tespit ve Tahmin Modeli

A Detection and Prediction Model Based on Deep Learning Assisted by Explainable Artificial Intelligence for Kidney Diseases

Ahmet Furkan BAYRAM
Caglar GURKAN
Abdulkadir BUDAK
Hakan KARATAŞ
Sayfa
67–74
Yayın Tarihi
2022-09-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak, YOLOv7 mimari tasarımı, YOLOv7 Tiny mimari tasarımından daha iyi performans gösterdi.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Böbrek hastalıkları dünya çapında en yaygın hastalıklardan biridir ve çoğu insanda dayanılmaz ağrılara neden olur.
📊
Temel Bulgular & Veri:YOLO mimari tasarımlarının performans analizi kısmında 72 böbrek kisti, 394 böbrek taşı ve 192 sağlıklı böbrek olmak üzere üç sınıftaki BT görüntüleri kullanılmıştır.
💡
Sonuç & Katkı:Sonuç olarak, YOLOv7 mimari tasarımı, YOLOv7 Tiny mimari tasarımından daha iyi performans gösterdi.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Böbrek taşı · Böbrek kisti · Derin öğrenme

Özet

Böbrek hastalıkları dünya çapında en yaygın hastalıklardan biridir ve çoğu insanda dayanılmaz ağrılara neden olur. Bu çalışmada böbrekteki kist ve taşın tespiti amaçlanmıştır. Bu amaçla böbrek, böbrek kisti ve böbrek taşı tespiti için YOLO mimari tasarımları kullanılmıştır. YOLO mimari tasarımları açıklanabilir yapay zeka (AYZ) özelliği ile desteklenmiştir. YOLO mimari tasarımlarının performans analizi kısmında 72 böbrek kisti, 394 böbrek taşı ve 192 sağlıklı böbrek olmak üzere üç sınıftaki BT görüntüleri kullanılmıştır. Sonuç olarak, YOLOv7 mimari tasarımı, YOLOv7 Tiny mimari tasarımından daha iyi performans gösterdi. YOLOv7 mimari tasarımı 0.85 mAP50 değerini, 0.882 kesinliği, 0.829 duyarlılığı ve 0.854 F1 skorunu elde etmiştir. Sonuç olarak, böbrek hastalıklarının teşhisi için derin öğrenme tabanlı AYZ destekli bilgisayar destekli tanı (BDT) sistemi geliştirilmiştir.

Abstract

Kidney diseases are one of the most common diseases worldwide and cause unbearable pain in most people. In this study aims to detecting the cyst and stone in the kidney. For the this purpose, YOLO architecture designs were used for detection of kidney, kidney cyst and kidney stone. The YOLO architecture designs were supported by the explainable artificial intelligence (xAI) feature. CT images in three classes, namely 72 kidney cysts, 394 kidney stones and 192 healthy kidneys were used in the performance analysis part of the YOLO architecture designs. As a result, YOLOv7 architecture design outperformed the YOLOv7 Tiny architecture design. YOLOv7 architecture design achieved the mAP50 of 0.85, precision of 0.882, sensitivity of 0.829 and F1 score of 0.854. Consequently, deep learning based xAI assisted computer aided diagnosis (CAD) system was developed for diagnosis of kidney diseases.

🔖

Bu Makaleye Atıf Yap

BAYRAM, A. F., GURKAN, C., BUDAK, A., KARATAŞ, H. (2022). Böbrek Hastalıkları için Açıklanabilir Yapay Zeka Destekli Derin Öğrenmeye Dayalı Bir Tespit ve Tahmin Modeli. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 40, 67–74. https://ajindex.com/articles/875597

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Türk, C., Petřík, A., Sarica, K., Seitz, C., Skolarikos, A., Straub, M., & Knoll, T. (2016). EAU Guidelines on Diagnosis and Conservative Management of Urolithiasis. European Urology, 69(3), 468–474. https://doi.org/10.1016/J.EURURO.2015.07.040
  2. Stamatelou, K. K., Francis, M. E., Jones, C. A., Nyberg, L. M., & Curhan, G. C. (2003). Time trends in reported prevalence of kidney stones in the United States: 1976–1994. Kidney International, 63(5), 1817–1823. https://doi.org/10.1046/J.1523-1755.2003.00917.X
  3. Scales, C. D., Smith, A. C., Hanley, J. M., & Saigal, C. S. (2012). Prevalence of Kidney Stones in the United States. European Urology, 62(1), 160–165. https://doi.org/10.1016/J.EURURO.2012.03.052
  4. Fwu, C. W., Eggers, P. W., Kimmel, P. L., Kusek, J. W., & Kirkali, Z. (2013). Emergency department visits, use of imaging, and drugs for urolithiasis have increased in the United States. Kidney International, 83(3), 479–486. https://doi.org/10.1038/KI.2012.419
  5. Chewcharat, A., & Curhan, G. (2021). Trends in the prevalence of kidney stones in the United States from 2007 to 2016. Urolithiasis, 49(1), 27–39. https://doi.org/10.1007/S00240-020-01210-W/TABLES/7
  6. Weston, A. D., Korfiatis, P., Kline, T. L., Philbrick, K. A., Kostandy, P., Sakinis, T., Sugimoto, M., Takahashi, N., & Erickson, B. J. (2019). Automated Abdominal Segmentation of CT Scans for Body Composition Analysis Using Deep Learning. Radiology, 290(3), 669–679. https://doi.org/10.1148/RADIOL.2018181432/ASSET/IMAGES/LARGE/RADIOL.2018181432.FIG5.JPEG
  7. Ozturk, T., Talo, M., Yildirim, E. A., Baloglu, U. B., Yildirim, O., & Rajendra Acharya, U. (2020). Automated detection of COVID-19 cases using deep neural networks with X-ray images. Computers in Biology and Medicine, 121, 103792. https://doi.org/10.1016/J.COMPBIOMED.2020.103792
  8. Yan, K., Wang, X., Lu, L., & Summers, R. M. (2018). DeepLesion: automated mining of large-scale lesion annotations and universal lesion detection with deep learning. Https://Doi.Org/10.1117/1.JMI.5.3.036501, 5(3), 036501. https://doi.org/10.1117/1.JMI.5.3.036501
  9. Lin, Z., Cui, Y., Liu, J., Sun, Z., Ma, S., Zhang, X., & Wang, X. (2021). Automated segmentation of kidney and renal mass and automated detection of renal mass in CT urography using 3D U-Net-based deep convolutional neural network. European Radiology, 31(7), 5021–5031. https://doi.org/10.1007/S00330-020-07608-9/FIGURES/6
  10. Lin, D. T., Lei, C. C., & Hung, S. W. (2006). Computer-aided kidney segmentation on abdominal CT images. IEEE Tr