Adaptive Local Binary Pattern: A Novel Feature Descriptor for Enhanced Analysis of Kidney Abnormalities in CT Scan Images using ensemble based Machine Learning Approach

由于肾脏病专家匮乏和公众对肾衰竭日益增加的关注，推动了对能够自主检测肾脏异常的人工智能系统的需求。肾衰竭是肾功能逐渐下降的标志，可能由囊肿、结石和肿瘤等因素引起。慢性肾脏疾病可能最初不会被注意到，导致未经治疗的病例直到进展到晚期才会被发现。该数据集包括来自达卡多家医院的12,427张图像，被分为四组：囊肿、肿瘤、结石和正常。我们的方法旨在通过裁剪、调整大小和CALHE技术提高CT扫描图像质量，然后使用我们提出的自适应局部二值模式（A-LBP）特征提取方法进行特征提取，与最先进的局部二值模式（LBP）方法进行比较。我们提出的特征被输入到分类器中，例如随机森林、决策树、朴素贝叶斯、K近邻和支持向量机。我们探索了一种软投票的集成模型，以获得更强大的模型。我们使用我们的特征描述符和将五个分类器（随机森林、决策树、朴素贝叶斯、K近邻和支持向量机）与软投票方法集成，获得了超过99％的最高准确率。

自动检测肾脏异常的人工智能系统的需求增加，因为肾衰竭是一个公共卫生问题，但肾脏病专家短缺。该论文旨在解决这个问题，提出了一种使用A-LBP特征提取方法和多个分类器的集成模型来自动识别肾脏异常的方法。

使用A-LBP特征提取方法和多个分类器的集成模型来自动识别肾脏异常。与现有研究相比，该论文的方法更加准确和鲁棒。

使用Cropping、Resizing和CALHE技术增强CT扫描图像质量，并提出了A-LBP特征提取方法。实验结果表明，集成五个分类器（随机森林、决策树、朴素贝叶斯、K-近邻和支持向量机）的软投票方法可以达到99%以上的准确率。数据集包括来自多个医院的12,427张图像。

近期的相关研究包括：'Automated detection of kidney diseases: a survey'，'A deep learning approach for automatic detection of renal diseases using ultrasound images'，'A review of deep learning in the study of renal diseases'等。