Diagnosing Kidney Imaging with Deep Learning

dc.creatorIskandarova, S.N.
dc.creatorMakhkamova, D.A.
dc.date2023-03-19
dc.date.accessioned2023-08-20T07:09:58Z
dc.date.available2023-08-20T07:09:58Z
dc.descriptionUltrasound images can be used to diagnose kidney disease: identify systemic abnormalities such as cysts, stones, and infections, and provide information about kidney function. This article focuses on the selection of appropriate features for efficient classification of normal and abnormal kidney images. In diagnosing cardiac images, grayscale transformation has been used to classify abnormal images in the kidneys. A data set formed by a convolutional neural network was trained. 2 classes were created and on their basis a recognition result of 89% was achieved. The prevalence of chronic kidney disease (CKD) increases annually in the present scenario of research. One of the sources for further therapy is the CKD prediction where the Machine learning techniques become more important in medical diagnosis due to their high accuracy classification ability. In the recent past, the accuracy of classification algorithms depends on the proper use of algorithms for feature selection to reduce the data size. In this paper, Heterogeneous Modified Artifical Neural Network (HMANN) has been proposed for the early detection, segmentation, and diagnosis of chronic renal failure on the Internet of Medical Things (IoMT) platform. Furthermore, the proposed HMANN is classified as a Support Vector Machine and Multilayer Perceptron (MLP) with a Backpropagation (BP) algorithm. The proposed algorithm works based on an ultrasound image which is denoted as a preprocessing step and the region of kidney interest is segmented in the ultrasound imageen-US
dc.descriptionУльтразвуковые 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.ru-RU
dc.formatapplication/pdf
dc.identifierhttps://ijdt.uz/index.php/ijdt/article/view/64
dc.identifier.urihttp://dspace.umsida.ac.id/handle/123456789/6823
dc.languagerus
dc.publisherSamarkand branch of TUITen-US
dc.relationhttps://ijdt.uz/index.php/ijdt/article/view/64/44
dc.rightsCopyright (c) 2023 Iskandarova S.N.en-US
dc.sourceINTERNATIONAL JOURNAL OF THEORETICAL AND APPLIED ISSUES OF DIGITAL TECHNOLOGIES; Vol. 3 No. 1 (2023): International Journal of Theoretical and Applied Issues of Digital Technologies; 70-76en-US
dc.sourceМеждународный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий; Том 3 № 1 (2023): Международный журнал теоретических и прикладных вопросов цифровых технологий; 70-76ru-RU
dc.source2181-3094
dc.source2181-3086
dc.subjectimage contrasten-US
dc.subjecthistogramen-US
dc.subjectimage classificationen-US
dc.subjectconvolutional neural networken-US
dc.subjectCNN (convolutional neural network)en-US
dc.subjectneural networken-US
dc.subjectконтрастность изображенияru-RU
dc.subjectгистограммаru-RU
dc.subjectклассификация изображенийru-RU
dc.subjectсверхточная нейронная сетьru-RU
dc.subjectСНС (сверхточная нейронная сеть)ru-RU
dc.subjectнейронная сетьru-RU
dc.titleDiagnosing Kidney Imaging with Deep Learningen-US
dc.titleДиагностика визуализации почек с помощью Deep Learningru-RU
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typePeer-reviewed Articleen-US
Files