Efficient Approach for Kidney Stone Treatment Using Convolutional Neural Network
Notice bibliographique
Résumé
Kidney stone treatment is a critical task because untreated kidney stones can lead to severe pain, kidney damage, and potentially life-threatening complications such as infections and blockages of the urinary tract.The ToC (Time of Conversion) and Accuracy of Diagnosis are very low with earlier models.According to World Health Organization (WHO), every 1 in 11 people are affected by kidney stones.Current diagnostic methods face challenges in identifying the affected area and location of cysts and tumors.Elastic Net Regression (ENR), Logistic Regression (LR) and Machine Learning models are less accurate in finding the anomalies.Therefore, for the sake of future generations, it is essential to create a sophisticated kidney abnormality detection application.This research successfully presents a Convolutional Neural Network (CNN) based approach for the classification of Computed Tomography (CT) kidney images into four categories: Normal, Cyst, Tumor, and Stone.The dataset, curated from different hospitals in Dhaka, Bangladesh, contains 12,446 images, with a balanced representation of Normal, Cyst, Tumor, and Stone categories.In terms of CNN architecture, our model comprises multiple convolutional layers, max-pooling layers, and fully connected layers.The convolutional layers apply learnable filters to detect patterns and features, followed by Rectified Linear Unit (ReLU) activation functions to introduce nonlinearity.Max-pooling layers downsample feature maps, enhancing computational efficiency.Fully connected layers facilitate classification by learning complex patterns.The proposed methodology leverages the power of deep learning to automate the recognition of kidney conditions, aiding radiologists in their diagnostic tasks.The methodology involves preprocessing of CT images, followed by feature extraction and classification using the CNN model.The research evaluates the approach on a curated CT kidney dataset, achieving promising results, and discusses the potential for future improvements and applications in clinical practice.In comparison to existing literature, the proposed work demonstrates significant advancements in kidney abnormality detection.The model's performance measures, including Accuracy (99.57%),F1-score (99.34%),Recall (99.56%) and Precision (99.58%), far surpass those of previous methodologies.The proposed application outperforms the methodology and competes with present models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».