Phát hiện sỏi thận sử dụng vision Transformer
Abstract
Kidney stones are the primary cause of illness, and the incidence of this condition is increasing worldwide. Delayed kidney stone diagnosis can lead to complications such as urinary tract infections, kidney obstruction, and irreversible kidney damage, potentially resulting in significant economic and even life-threatening consequences if not treated promptly. Therefore, early detection and treatment of kidney stones are essential. Furthermore, Vision Transformer (ViT) has emerged as a competitive alternative to traditional convolutional neural networks in the field of computer vision and is widely used in various image recognition tasks. In this paper, we propose a method for kidney stone detection using Vision Transformer. Research results demonstrate that the proposed method achieves an accuracy rate of up to 93% on CT image datasets during the training process.
Tóm tắt
Sỏi thận là nguyên nhân chính gây bệnh tật và có tỷ lệ mắc bệnh ngày càng gia tăng trên thế giới; sỏi thận để muộn sẽ gây ra biến chứng nhiễm khuẩn tiết niệu, giãn đài bể thận và suy thận không hồi phục; gây ra thiệt hại về kinh tế hoặc thậm chí là tính mạng con người nếu không được điều trị kịp thời. Do đó, việc phát hiện và điều trị sớm bệnh sỏi thận là điều vô cùng cần thiết. Mặt khác, hiện nay, Vision Transformer (ViT) nổi lên như một giải pháp thay thế cạnh tranh so với các mạng thần kinh tích chập trong lĩnh vực thị giác máy tính, và được sử dụng rộng rãi trong các tác vụ nhận dạng hình ảnh khác nhau. Trong bài báo này, chúng tôi đề xuất phương pháp phát hiện sỏi thận sử dụng Vision Transformer. Kết quả nghiên cứu cho thấy, phương pháp đề xuất đạt độ chính xác lên đến
93% trên tập dữ liệu hình ảnh CT trong quá trình huấn luyện
Tài liệu tham khảo
[1] Kai Han, Yunhe Wang, Hanting Chen, Xinghao Chen, Jianyuan Guo, Zhenhua Liu, Yehui Tang, An Xiao, Chunjing Xu, Yixing Xu, Zhaohui Yang, Yiman Zhang, and Dacheng Tao Fellow, “A Survey on Vision Transformer”, IEEE Transactions on
Pattern Analysis and Machine Intelligence, Jan. 2023, pp. 87-110, vol. 45
[2] Thurman JM, “Complement and the Kidney: An Overview. Adv Chronic Kidney Dis”, 2020 Mar;27(2):86-94. doi: 10.1053/j.ackd.2019.10.003. PMID: 32553250; PMCID: PMC7310605.
[3] Fitri LA, Haryanto F, Arimura H, YunHao C, Ninomiya K, Nakano R, Haekal M, Warty Y, Fauzi U, “Automated classification of urinary stones based on microcomputed tomography images using convolutional neural network”, Phys Med. 2020 Oct;78:201208. doi: 10.1016/j.ejmp.2020.09.007. Epub 2020 Oct 8. PMID: 33039971.
[4] Caglayan A, Horsanali MO, Kocadurdu K, Ismailoglu E, Guneyli S, “Deep learning model-assisted detection of kidney stones on computed tomography”, Int Braz J Urol. 2022 Sep-Oct;48(5):830-839. doi: 10.1590/S1677-5538.IBJU.2022.0132. PMID: 35838509; PMCID: PMC9388181.
[5] Irudayaraj, Alexander Albert, “Kidney Stone Detection using Deep Learning Methodologies”, Masters thesis, Dublin, National College of Ireland, 2022
[6] Alelign T, Petros B. Kidney Stone Disease: An Update on Current Concepts. Adv Urol. 2018 Feb 4;2018:3068365. doi: 10.1155/2018/3068365. PMID: 29515627; PMCID: PMC5817324.
[7] Romero V, Akpinar H, Assimos DG. Kidney stones: a global picture of prevalence, incidence, and associated risk factors. Rev Urol. 2010 Spring;12(2-3):e86-96. PMID: 20811557; PMCID: PMC2931286.
[8] Hyams ES, Matlaga BR. Economic impact of urinary stones. Transl Androl Urol. 2014 Sep;3(3):278-83. doi: 10.3978/j.issn.2223-4683.2014.07.02. PMID: 26816777; PMCID: PMC4708578.
[9] Strohmaier WL. Economics of stone disease/treatment. Arab J Urol. 2012 Sep;10(3):273-8. doi: 10.1016/j.aju.2012.02.002. Epub 2012 Mar 22. PMID: 26558036; PMCID: PMC4442936.
[10] WebMD Editorial Contributors, “ Kidney Stones”, December 16, 2022
[11] Zeng, G, Mai, Z, Xia, S, Wang, Z, Zhang, K, Wang, L, “Prevalence of kidney stones in China: an ultrasonography based cross-sectional study”, BJU Int. (2017) 120:109– 16. doi: 10.1111/bju.13828
