Detection and Classification of Pregnancy StateUsing Deep Learning Technique

Hassan  Abdelrhman Mohammed; Eltahir  Mohmmed Hussein; Mahir  Mohammed Sharif

doi:10.52981/oiuj.v17i2.1819

Hassan Abdelrhman Mohammed 1Dept. of Computer Sciences Faculty of Computer Sciences & Information Technology, Karary University, Khartoum,Sudan
Eltahir Mohmmed Hussein 2Dept of Electrical and Electronic Engineering, Faculty of Engineering Sudan University of Science &Technology,Khartoum, Sudan
Mahir Mohammed Sharif 3Dept. of Computer Science Faculty of Computer Science & Information Technology, Omdurman Islamic University, Omdurman, Sudan

DOI: https://doi.org/10.52981/oiuj.v17i2.1819

الكلمات المفتاحية: UltrasoundImage, Recognition, etusdetection, Deep Learning &CNN.

الملخص

الهدف من هذا العمل هو تصميم وتطوير نموذج يكتشف ويصنف الحالة الصحية للحمل.الموجات فوق الصوتية هي واحدة من أكثر تطورات التصوير السريري انتشارًاً، حيث تمكّن الطبيب من تقييم الأمراض وتحليلها وعلاجها. تودي معظم مضاعفات الحمل إلى مشاكل خطيرة تقيد النمو السليم الذي يسبب الضعف أو الوفاة. في هذا العمل تم تطوير نموذج معالجة الصور للتعرف على صحة الجنين أثناء الحمل وتصنيفه لجميع مراحل نموه. تم تنفيذ التقنيات في التعلم العميق حيث تم تطبيق نموذجCNN (Resnet50)للتعرف على الصور لاكتشاف وتصنيف الحالة الصحية للجنين من صور الموجات فوق الصوتية. النموذج المقترح ساهم بتقديم حل متكامل لكل فترة الحمل يعمل على التعرف على كل مراحل نمو الجنين ابتداء من مرحلة ما قبل الحمل (وهنا يتعرف على صلاحية الرحم للحمل وحجم البويضة وقابليتها لتكوين الجنين) وحتى مرحلة الولادة وذلك من خلال التدريب والتحقق والاختبار باستخدام تقنية التحقق المتقاطع التي استخدمت فيها خمس طيات لدفة التشخيص وذلك وفقا للأنماط التي تميز كل مرحلة عن الأخرى والتحقق من انه سليم او غير سليم في المرحلة المعنية. عززت هذه الدراسة دقة التشخيص باستخدام نقل التعليم واستخدامه للصور المدخلة الجديدة التي لم يتم التدريب عليها كتغذية عكسية.حقق النظام دقة بلغت نسبة 96.5 % في الكشف عن الجنين وتصنيفه الي أي من المراحل التي تم تقسيمها وفقا الميزات التي تظهر من مرحلة إلىأخريإلىإحدى عشر فئة.

السير الشخصية للمؤلفين

Hassan Abdelrhman Mohammed، 1Dept. of Computer Sciences Faculty of Computer Sciences & Information Technology, Karary University, Khartoum,Sudan

^{1Dept. of Computer Sciences Faculty of Computer Sciences & Information Technology, Karary University, Khartoum,Sudan}

Eltahir Mohmmed Hussein، 2Dept of Electrical and Electronic Engineering, Faculty of Engineering Sudan University of Science &Technology,Khartoum, Sudan

^{Dept of Electrical and Electronic Engineering, Faculty of Engineering Sudan University of Science &Technology,Khartoum, Sudan}

Mahir Mohammed Sharif، 3Dept. of Computer Science Faculty of Computer Science & Information Technology, Omdurman Islamic University, Omdurman, Sudan

^{Dept. of Computer Science Faculty of Computer Science & Information Technology, Omdurman Islamic University, Omdurman, Sudan}

المراجع

Al-Bander, B., Alzahrani, T., Alzahrani, S., Williams, B. M., & Zheng, Y. (2019). Improving Fetal Head Contour Detection by Object Localisation with Deep Learning. Paper presented at the Annual Conference on Medical Image Understanding and Analysis.

Attallah, O., Sharkas, M. A., & Gadelkarim, H. (2020). Deep learning techniques for automatic detection of embryonic neurodevelopmental disorders. Diagnostics, 10(1), 27.

Baumgartner, C. F., Kamnitsas, K., Matthew, J., Fletcher, T. P., Smith, S., Koch, L. M., . . . Rueckert, D. (2017). SonoNet: real-time detection and localisation of fetal standard scan planes in freehand ultrasound. IEEE transactions on medical imaging, 36(11), 2204-2215.

Deressa, T. D., & Kadam, K. (2018). Prediction of fetal health state during pregnancy: a survey. Int. J. Comput. Sci. Trends Technol.(IJCST), 6(1).

Diniz, P. H. (2020). Deep Learning Strategies for Ultrasound in Pregnancy. REPRODUCTIVE HEALTH.

Grandjean, G. A., Hossu, G., Banasiak, C., Ciofolo-Veit, C., Raynaud, C., Rouet, L., . . . Beaumont, M. (2019). Optimization of Fetal Biometry With 3D Ultrasound and Image Recognition (EPICEA): protocol for a prospective cross-sectional study. BMJ open, 9(12), e031777.

Ishikawa, G., Xu, R., Ohya, J., & Iwata, H. (2019). Detecting a Fetus in Ultrasound Images using Grad CAM and Locating the Fetus in the Uterus. Paper presented at the ICPRAM.

Luo, H., Liu, H., Li, K., & Zhang, B. (2019). Automatic quality assessment for 2D fetal sonographic standard plane based on multi-task learning. arXiv preprint arXiv:1912.05260.

Mu, Y., Feng, K., Yang, Y., & Wang, J. (2018). Applying deep learning for adverse pregnancy outcome detection with pre-pregnancy health data. Paper presented at the MATEC Web of Conferences.

Qu, R., Xu, G., Ding, C., Jia, W., & Sun, M. (2019). Deep learning-based methodology for recognition of fetal brain standard scan planes in 2D ultrasound images. IEEE Access, 8, 44443-44451.

Rawat, V., Jain, A., & Shrimali, V. (2018). Automated techniques for the interpretation of fetal abnormalities: a review. Applied bionics and biomechanics, 2018.

Sobhaninia, Z., Emami, A., Karimi, N., & Samavi, S. (2020). Localization of fetal head in ultrasound images by multiscale view and deep neural networks. Paper presented at the 2020 25th International Computer Conference, Computer Society of Iran (CSICC).

Sobhaninia, Z., Rafiei, S., Emami, A., Karimi, N., Najarian, K., Samavi, S., & Soroushmehr, S. R. (2019). Fetal ultrasound image segmentation for measuring biometric parameters using multi-task deep learning. Paper presented at the 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC).

Tahir, M., Badriyah, T., & Syarif, I. (2018). Classification Algorithms of Maternal Risk Detection For Preeclampsia With Hypertension During Pregnancy Using Particle Swarm Optimization. EMITTER International Journal of Engineering Technology, 6(2), 236-253.

Tran, D., Cooke, S., Illingworth, P., & Gardner, D. (2019). Deep learning as a predictive tool for fetal heart pregnancy following time-lapse incubation and blastocyst transfer. Human Reproduction, 34(6), 1011-1018.

Wang, S., Hua, Y., Cao, Y., Song, T., Xue, Z., Gong, X., . . . Guan, H. (2018). Deep learning based fetal middle cerebral artery segmentation in large-scale ultrasound images. Paper presented at the 2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM).

Zhang, J., Petitjean, C., Yger, F., & Ainouz, S. (2020). Explainability for regression CNN in fetal head circumference estimation from ultrasound images. In Interpretable and Annotation-Efficient Learning for Medical Image Computing (pp. 73-82): Springer.