DOI: https://doi.org/10.1038/s41598-025-94905-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40155680
تاريخ النشر: 2025-03-28
المؤلف: Amit Pimpalkar وآخرون
الموضوع الرئيسي: التصوير بالأشعة السينية المتقدمة والتصوير المقطعي
نظرة عامة
تقدم البحث منهجية شاملة لتصنيف صور الأشعة المقطعية للكلى إلى أربع فئات حاسمة: طبيعية، كيس، ورم، وحجر. من خلال استخدام الشبكات العصبية التلافيفية (CNNs) المعدلة بواسطة المعلمات الفائقة مثل VGG16 وResNet50 وCNNAlexnet وInceptionV3، يهدف الدراسة إلى تعزيز دقة اكتشاف أمراض الكلى. تتضمن المنهجية تقنيات معالجة الصور المتقدمة، بما في ذلك تطبيع البيانات، والتكبير، وتقسيم المياه، وثنائية أوتسو، والتي تعمل معًا على تحسين خرائط الميزات. تظهر النتائج دقة تصنيف مثيرة للإعجاب تبلغ 99.96% باستخدام نموذج InceptionV3، مما يدل على فعالية النهج المقترح في تحسين الدقة والموثوقية في التصوير الطبي.
تؤكد النتائج على إمكانية نماذج التعلم المنقول المعدلة في تعزيز اكتشاف أمراض الكلى، مع التحقق من النتائج مقابل الطرق الحالية. تشمل اتجاهات البحث المستقبلية استكشاف تقييمات متعددة البيانات لتقييم قابلية تعميم النموذج، ودمج خوارزميات متقدمة لتحسين دقة التصنيف، وتطبيق تقنيات الذكاء الاصطناعي القابلة للتفسير لتحسين قابلية تفسير النموذج. بالإضافة إلى ذلك، يقترح الدراسة دمج حلول قائمة على إنترنت الأشياء للتطبيقات السريرية في الوقت الحقيقي وتوسيع قدرات النموذج من خلال أوضاع تصوير متنوعة، مما يعزز من قوته وملاءمته السريرية.
طرق
تحدد هذه القسم منهجيات متقدمة لاكتشاف أمراض الكلى باستخدام الأشعة المقطعية، مع التأكيد على أهمية تقنيات التقسيم والتصنيف. يبرز فعالية أساليب التعلم العميق، وخاصة التعلم المنقول، في تحسين دقة التشخيص. تستخدم الدراسة استراتيجية تصنيف متعددة الاتجاهات، مستفيدة من نماذج معدلة بواسطة المعلمات الفائقة مثل VGG16 وResNet50 وCNNAlexNet وInceptionV3 لاستخراج الميزات. تشمل خطوات المعالجة المسبقة التطبيع، وتكبير البيانات (مثل التكبير، والدوران)، وتقنيات تحسين الصور مثل التصفية الغاوسية والتداخل الثنائي. يتم تحقيق التقسيم من خلال تقسيم المياه وثنائية أوتسو، بينما يستفيد التصنيف من تفعيل ReLU، ومُحسِّن آدم، وخسارة الانتروبيا المتقاطعة الفئوية النادرة (SCCE).
تستخدم البحث مجموعة بيانات لأمراض الكلى من كاجل، مع تقييم النتائج من خلال مقاييس الدقة، وخسارة التدريب والتحقق، ومصفوفات الالتباس. تشير النتائج إلى أن المنهجية المقترحة تعزز بشكل كبير الحساسية والخصوصية في اكتشاف أمراض الكلى، مما يمثل تقدمًا ملحوظًا في الطب الدقيق الذي يهدف إلى خطط علاج شخصية. بشكل عام، تؤكد الدراسة على إمكانية دمج تقنيات التعلم العميق المتطورة لتحسين تشخيص أمراض الكلى مع معالجة القيود الحالية في متطلبات الموارد الحاسوبية وملاءمة النموذج في الإعدادات السريرية.
نتائج
يقدم قسم النتائج في ورقة البحث تقييمًا شاملاً لخمس نماذج متميزة لاكتشاف أمراض الكلى، بما في ذلك النموذج الهجين CNNAlexNet وVGG16 وResNet50 وCNN المعدل، InceptionV3. تم تقييم كل نموذج باستخدام معلمات مشتركة، وتشير النتائج إلى أن النماذج المعدلة حققت دقة ملحوظة، حيث وصلت VGG16 إلى 100% وInceptionV3 حققت 99.96%. تبرز الدراسة فعالية هياكل التعلم المنقول، التي تستفيد من الأوزان المدربة مسبقًا لتعزيز أداء النموذج في تمييز الأنماط المعقدة داخل مجموعات بيانات أورام الكلى. من الجدير بالذكر أن النماذج أظهرت اتجاهًا تصاعديًا في دقة الاختبار والتحقق مع زيادة عدد دورات التدريب، على الرغم من أن التدريب توقف عند 25 دورة بسبب استقرار دقة التحقق.
تؤكد التحليل أيضًا على أهمية اختيار النموذج في تحقيق التوازن بين الكفاءة الحاسوبية وأداء التشخيص. أظهر نموذج CNN المعدل وقت معالجة يبلغ حوالي 14 مللي ثانية لكل خطوة، بينما كانت النماذج الأكثر تعقيدًا مثل VGG16 وResNet50 تتطلب أوقات معالجة أطول. تناقش البحث أيضًا أهمية ضبط المعلمات الفائقة واختيار دالة الخسارة، وبشكل خاص الانتروبيا المتقاطعة الفئوية النادرة (SCCE)، في تحسين أداء النموذج. توضح مصفوفة الالتباس ومقاييس الأداء المختلفة، بما في ذلك الدقة، والاسترجاع، ودرجة F1، ودرجات ROC AUC، قوة النماذج في تصنيف أمراض الكلى بدقة. بشكل عام، تؤكد النتائج على إمكانية هذه النماذج المتقدمة في تحسين الاكتشاف المبكر وتصنيف أمراض الكلى بشكل كبير، مما يعزز في النهاية نتائج المرضى.
مناقشة
يقدم البحث تقنية جديدة لاكتشاف وتصنيف أمراض الكلى باستخدام صور الأشعة المقطعية الروتينية، مع دمج منهجيات متقدمة مثل تقسيم المياه، وثنائية أوتسو، والتعلم المنقول مع النماذج المدربة مسبقًا (VGG16 وResNet50 وCNNAlexnet وInceptionV3). تشمل المساهمات الرئيسية تطبيق تقسيم المياه لتحسين الدقة في تحديد هياكل الكلى واستخدام طريقة أوتسو لتحسين وضوح الصورة من خلال فصل حصوات الكلى بشكل فعال عن الأنسجة المحيطة. تؤكد الدراسة على أهمية تقنيات تطبيع البيانات والتكبير—مثل التكبير، والدوران، وتعديلات السطوع—لضمان التوحيد والصلابة في مجموعة بيانات التدريب، مما يقلل من خطر الإفراط في التكيف.
تشير النتائج إلى أن النهج المقترح يعزز بشكل كبير دقة التشخيص وأداء التصنيف، مما يعالج الفجوات الحرجة في اكتشاف أمراض الكلى. يظهر الجمع بين تقنيات معالجة الصور المتقدمة واستراتيجيات تدريب النماذج القوية تحسنًا ملحوظًا مقارنة بالطرق الحالية، مع تقييم مقارن شامل ضد المنهجيات الحديثة التي تؤكد فعاليتها. تؤكد البحث على إمكانية التعلم العميق والتعلم المنقول في التصوير الطبي، مما يساهم في اكتشاف أمراض الكلى وعلاجها بشكل أكثر موثوقية، مع الهدف النهائي لتحسين نتائج المرضى.
DOI: https://doi.org/10.1038/s41598-025-94905-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40155680
Publication Date: 2025-03-28
Author(s): Amit Pimpalkar et al.
Primary Topic: Advanced X-ray and CT Imaging
Overview
The research presents a comprehensive methodology for classifying kidney CT images into four critical categories: Normal, Cyst, Tumor, and Stone. By employing hyperparameter-tuned convolutional neural networks (CNNs) such as VGG16, ResNet50, CNNAlexnet, and InceptionV3, the study aims to enhance the accuracy of kidney disease detection. The methodology incorporates advanced image processing techniques, including data normalization, augmentation, watershed segmentation, and Otsu’s binarization, which collectively optimize feature maps. The results demonstrate an impressive classification accuracy of 99.96% using the InceptionV3 model, indicating the effectiveness of the proposed approach in improving diagnostic precision and reliability in medical imaging.
The findings underscore the potential of fine-tuned transfer learning models in advancing kidney disease detection, with the results validated against existing methods. Future research directions include the exploration of multi-dataset evaluations to assess model generalizability, the integration of advanced algorithms for enhanced classification accuracy, and the application of explainable AI techniques to improve model interpretability. Additionally, the study suggests the incorporation of IoT-based solutions for real-time clinical applications and the expansion of the model’s capabilities through diverse imaging modalities, thereby enhancing its robustness and clinical applicability.
Methods
The section outlines advanced methodologies for detecting kidney diseases using CT scans, emphasizing the importance of segmentation and classification techniques. It highlights the efficacy of deep learning approaches, particularly transfer learning, in improving diagnostic accuracy. The study employs a four-way multi-classification strategy, utilizing hyperparameter-tuned models such as VGG16, ResNet50, CNNAlexNet, and InceptionV3 for feature extraction. Preprocessing steps include normalization, data augmentation (e.g., zoom, rotation), and image enhancement techniques like Gaussian filtering and bilinear interpolation. Segmentation is achieved through watershed segmentation and Otsu’s binarization, while classification leverages ReLU activation, the Adam optimizer, and Sparse Categorical Cross Entropy (SCCE) loss.
The research utilizes a CT kidney disease dataset from Kaggle, with results assessed through accuracy metrics, training and validation loss, and confusion matrices. The findings indicate that the proposed methodology significantly enhances sensitivity and specificity in kidney disease detection, marking a notable advancement in precision medicine aimed at personalized treatment plans. Overall, the study underscores the potential of integrating sophisticated deep learning techniques to optimize kidney disease diagnostics while addressing existing limitations in computational resource demands and model applicability in clinical settings.
Results
The results section of the research paper presents a comprehensive evaluation of five distinct models for kidney disease detection, including the hybrid model CNNAlexNet, VGG16, ResNet50, and the modified CNN, InceptionV3. Each model was assessed using shared hyperparameters, and the findings indicate that fine-tuned models achieved remarkable accuracy, with VGG16 reaching 100% and InceptionV3 achieving 99.96%. The study highlights the effectiveness of transfer learning architectures, which leverage pre-trained weights to enhance model performance in discerning complex patterns within kidney tumor datasets. Notably, the models demonstrated an upward trend in test and validation accuracies with increased training epochs, although training was halted at 25 epochs due to plateauing validation accuracies.
The analysis further emphasizes the importance of model selection in balancing computational efficiency and diagnostic performance. The fine-tuned CNN model exhibited a processing time of approximately 14 ms per step, while more complex models like VGG16 and ResNet50 required longer processing times. The research also discusses the significance of hyperparameter tuning and the choice of loss function, specifically the Sparse Categorical Cross-Entropy (SCCE), in optimizing model performance. The confusion matrix and various performance metrics, including precision, recall, F1-score, and ROC AUC scores, illustrate the models’ robustness in accurately classifying kidney diseases. Overall, the findings underscore the potential of these advanced models to significantly improve early detection and classification of kidney diseases, ultimately enhancing patient outcomes.
Discussion
The research presents a novel technique for detecting and classifying kidney disease using routine CT images, integrating advanced methodologies such as watershed segmentation, Otsu’s binarization thresholding, and transfer learning with pre-trained models (VGG16, ResNet50, CNNAlexnet, and InceptionV3). Key contributions include the application of watershed segmentation for enhanced accuracy in delineating kidney structures and the use of Otsu’s method to improve image clarity by effectively separating kidney stones from surrounding tissues. The study emphasizes the importance of data normalization and augmentation techniques—such as zoom, rotation, and brightness adjustments—to ensure uniformity and robustness in the training dataset, thereby mitigating the risk of overfitting.
The findings indicate that the proposed approach significantly enhances diagnostic accuracy and classification performance, addressing critical gaps in kidney disease detection. The combination of advanced image processing techniques and robust model training strategies demonstrates a marked improvement over existing methods, with a thorough comparative evaluation against state-of-the-art methodologies validating its effectiveness. The research underscores the potential of deep learning and transfer learning in medical imaging, contributing to more reliable kidney disease detection and treatment planning, ultimately aiming to improve patient outcomes.