A krónikus vesebetegségek osztályozása a szonográfiában a GLCM és a mesterséges neurális hálózat használatával

Absztrakt: A krónikus vesebetegség (CKD) korai felismerése esetén kezelhető, de a betegség előrehaladtával a gyógyulás lehetetlenné válik.Végül vesepótló kezelésre, például transzplantációra vagy dialízisre van szükség. Az ultrahang egy vizsgálati módszer a veserák, gyulladásos betegségek, göbös betegségek, krónikus vesebetegségek stb. diagnosztizálására. A gyulladás mértékének meghatározására szolgál olyan információk alapján, mint a vese mérete és a belső visszhang jellemzői. A jelenlegi klinikai vizsgálatban a krónikus vesebetegség progressziójának mértéke a glomeruláris filtrációs ráta értékén alapul. A gyulladás és a betegség mértékének változása azonban akár ultrahanggal is megfigyelhető. Ebben a vizsgálatban összesen 741 képet, 251 normál veseképet, 328 enyhe és közepesen súlyos CKD-képet és 162 súlyos CKD-képet teszteltek. A CKD klinikai gyakorlatban történő diagnosztizálása érdekében három ROI-t határoztak meg: a vesekéreget, a kéreg és a velő határát, valamint a velőt, amelyek az ultrahangfelvételek információinak megszerzése céljából vizsgált területek. Az ultrahang képelemzésben széles körben használt GLCM algoritmus segítségével minden ROI-ból kinyertük a paramétereket. Amikor mindegyik paramétert kivontuk a három területről, összesen 57 GLCM-paramétert vontunk ki. Végül összesen 58 paramétert használtunk a vese méretére vonatkozó információk hozzáadásával, ami fontos a krónikus vesebetegség diagnosztizálásához. A mesterséges neurális hálózat (ANN) 58 bemeneti paraméterből, 10 rejtett rétegből és 3 kimeneti rétegből (normál, enyhe és mérsékelt CKD, valamint súlyos CKD) állt. Az ANN modellt használva a végső besorolási arány 95,4 százalék volt, a képzéshez szükséges korszak 38-szor, a téves besorolási arány 4,6 százalék volt.

A Cistanche deserticola hatékonysága – Tonizáló vese

Kulcsszavak: vese ultrahang; szürke-szintű együttes előfordulási mátrix (GLCM); mesterséges neurális hálózat; osztályozás; krónikus vesebetegség (CKD)

1. Bemutatkozás

A krónikus vesebetegség (CKD) a népesség öregedésével és a krónikus betegségek számának növekedésével nő. Sok országban aggasztó egészségügyi probléma, amely a stroke, a szívbetegségek és a szövődmények, például a cukorbetegség és a fertőzések magas előfordulását és előfordulását, valamint az orvosi költségek növekedését okozza.[1,2]. A krónikus vesebetegséget általános kifejezésként használják, amely több mint 3 hónapig tartó vesekárosodásra vagy a vesefunkció folyamatos csökkenésére utal, függetlenül az októl. Ez egy olyan betegség, amely növeli a cardiocerebrovascularis betegségek kockázatát, és veseelégtelenséggel és különféle szövődményekkel jár [3,4]. Az Országos Vesealapítvány (NKF) széles körben alkalmazza a krónikus vesebetegség alábbi definícióját: "ha a vesekárosodás, például proteinuria, hematuria vagy kóros rendellenesség, vagy a glomeruláris filtrációs ráta kisebb, mint 60 ml/perc/1,73 m2 és több mint 3 hónapig tart" [5]. A krónikus vesebetegségnek különböző okai és kóros leletei vannak, de klinikailag viszonylag egyszerűen megerősíthető a proteinuria kimutatására szolgáló vizeletvizsgálattal és a glomeruláris filtrációs ráta becslésére szolgáló vérvizsgálattal. A klinikai területen a krónikus vesebetegség stádiumát öt szakaszra osztják az 1. szakasztól az 5. szakaszig a betegek diagnosztizálásához és kezeléséhez szükséges becsült glomeruláris filtrációs ráta szerint. A krónikus vesebetegség viszonylag gyakori krónikus betegségnek mondható, de összehasonlítva más krónikus betegségekkel, mint például a magas vérnyomás és a cukorbetegség, a közvélemény figyelme nem magas [6]. Mivel viszonylag egyszerű vizsgálattal könnyen diagnosztizálható, a korai diagnózis lassíthatja a betegség progresszióját a korai kezelés révén. Mivel azonban a tünetek nem egyértelműek, a betegséget gyakran hosszú idő elteltével diagnosztizálják, ami veseelégtelenséghez vagy akár halálhoz vezet olyan szövődmények miatt, mint például a kardiocerebrovaszkuláris betegségek. Általánosságban elmondható, hogy a krónikus vesebetegség kialakulása után tovább halad. A korai diagnózis azonban lelassíthatja a vesefunkció romlását és a krónikus vesebetegségből való felépülést [7].

Az ultrahang, amely a krónikus vesebetegség diagnosztizálásának egyik módszere, nagyon fontos annak ellenőrzésére, hogy a vesefunkció más okok miatt, például a vese mérete és morfológiája miatt nem csökkent-e. [8].

Sivatagi élő cistanche – Tonizáló vese

(Kísérleti vizsgálatok kimutatták, hogy a Cistanche deserticola kivonat képes megvédeni a vese tubulus sejtjeit, megelőzni a vese intersticiális elváltozásait, lelassítani a veseelégtelenség arányát, és hatékonyan megelőzni a másodlagos bakteriális fertőzéseket krónikus veseelégtelenségben szenvedő betegeknél. Terápiás hatása van mind a krónikus, mind az akut vesebetegség.)

A GLCM algoritmust, amely az ilyen ultrahangos képek térbeli jellemzőinek hangsúlyozásával vonja ki a jellemzőpontokat, széles körben használják az ultrahangos képelemzésben az aktuális pixel és a szomszédos pixelek fényereje közötti korreláció segítségével [9].

A betegségek automatikus felismerése képek, például ultrahangos grafika segítségével számítógépes módszerekkel az elmúlt években nagy jelentőséggel bírt, különösen a számítógépes diagnosztikai rendszerek (CAD) megalkotása után [10,11].

A mesterséges neurális hálózatokat (ANN) általában a számítógépes elemzés statisztikai modelljeinek megfogalmazására használják. A mesterséges neurális hálózat (ANN) vagy az egyszerű neurális hálózat (NN) biológiai neuronok működésén alapuló számítási struktúra. Az ilyen típusú hálózatok képesek megtanulni és felismerni a mintákat a bemeneti információk alapján, és ezeket a mintákat a tanult adatok extrapolálásával a jövőbeli információk előrejelzésére használják. Ezek a neurális hálózatok kis feldolgozó egységekből, úgynevezett neuronokból állnak, amelyek rétegeknek nevezett csoportokban kapcsolódnak egymáshoz; a közös neurális hálózatnak legalább egy bemeneti rétege, egy rejtett rétege és egy kimeneti rétege van [12].

Ebben a cikkben különböző paramétereket kaptunk a GLCM algoritmus alkalmazásával a normál veseképeknek, az enyhe és közepesen súlyos CKD-képeknek, valamint a súlyos CKD-képeknek minősített ultrahangképekre. A krónikus vesebetegséget mesterséges neurális hálózat alkalmazásával osztályoztuk a GLCM paraméterek és a veseméret alapján. E tanulmány célja a krónikus vesebetegségek három kategóriába való besorolása annak meghatározására, hogy lehetséges-e a krónikus vesebetegség korai diagnózisa.

Superman herbs cistanche – Tonizáló vese

Kattintson ide a Cistanche for Kidney betegség termékek megtekintéséhez

【Ask for more】 Email: xue122522@foxmail.com /  Whats App:  0086 18599088692 /  Wechat:  18599088692

2. Anyagok és módszerek

2.1. Tárgyak és adatgyűjtés

2015 januárja és 2017 decembere között a kísérletet olyan önkéntesek ultrahangos képeinek felhasználásával végezték, akik orvosi vizsgálat céljából ellátogattak a kórházba a Yangsan állambeli R Kórházba, Gyeong-sang-nam-do államba, és olyan betegeket, akiknél krónikus betegségben diagnosztizáltak.

Az 1. táblázat az alanyok klinikai jellemzőit mutatja be. Összesen 741 ultrahangképet használtak fel, ebből 251 normál képet, 328 enyhe és közepesen súlyos CKD-képet, valamint 162 súlyos CKD-képet, amelyeket az orvos osztályozott. A radiológusok a kísérleti képeket enyhe és közepesen súlyos CKD-s betegek és súlyos CKD-s betegek képeibe sorolták leolvasás alapján, és kizárták a kísérletből a veserákkal, vese cisztákkal és veleszületett vesebetegségekkel [13].

A kísérleti berendezéshez RS80A (Samsung Medison, Seoul, Korea) ultrahang készüléket használtunk, a képviszonyokat 50-es erősítéssel, 56-os dinamikatartománnyal, 8-as képátlaggal, 95-ös teljesítménnyel és általános frekvenciával vettük fel. Minden tesztet önkéntes részvétel mellett végeztek, és a Busani Katolikus Egyetem (CUPIRB-2017-023) Institutional Review Board (IRB) jóváhagyta.

Az 1. táblázat a vizsgálati alanyok korára, nemére, eGFR-ére, magas vérnyomására és cukorbetegségére vonatkozó információkat tartalmazza.

1. táblázat Klinikai jellemzők.

2.2. Kísérleti módszer

Az érdeklődésre számot tartó régiót (ROI) a vese ultrahangos képén állítottuk be, és az eredményt MATLAB 2016a (MathWorks Inc., Natick, MA, USA) segítségével számítottuk ki. A ROI-t a kérgi régió, a kéreg és a velő közötti határrégió, valamint a velőrégió beállításával választottuk ki. Az ultrahangos képen a normál vese jellemzői a májhoz képest alacsony visszhangot mutató vesekéregből és erős visszhangot mutató vese sinusból álló ovális alakúak. A kéreg és a vese sinus közötti határ egyértelmű, és a közepén erős visszhang látható. A folyamatosan károsodott vesében viszont a fibrózis következtében megnő a vesekéreg ultrahangos visszhangja. Ennek eredményeként a megvilágosodott vesekéreg és a vesekéreg közötti határ tisztázatlan. Ezenkívül a funkció csökkenése miatt a méret csökken, és vese sorvadás figyelhető meg [14]. Mivel ezeket a jellemzőket a krónikus vesebetegség diagnosztizálására használják, a ROI-területet 50 × 50-re és 3 helyre állítottuk be. A következő ábra a tanulmányban használt normál, közepes és súlyos 872 × 1280 felbontású ultrahangképeket mutatja. Az 1. ábra normál, enyhe és közepesen súlyos, valamint súlyos CKD ultrahangfelvételeket mutat be.

1. ábra Eredeti képek.

A 2. ábra a kísérlet átfogó blokkdiagramját mutatja.

A hisztogram kiegyenlítés és a tartományszűrő előfeldolgozása az eredeti ultrahangképen történt. A hisztogram kiegyenlítés javíthatja a kép minőségét azáltal, hogy egyenletessé teszi a fény és a sötét eloszlását a képen [15]. A tartományszűrő a kép határának kiemelésével zajcsökkentő hatást válthat ki [16]. Az előfeldolgozást követően a jellemző paramétereket a GLCM algoritmus alkalmazásával kinyertük. Összesen 19 paramétert vontunk ki az 1. ábra. Eredeti képek három régiójából. A 2. ábra a kísérlet átfogó blokkdiagramját mutatja. A hisztogram kiegyenlítés és a tartományszűrő előfeldolgozása az eredeti ultrahangképen történt. A hisztogram kiegyenlítés javíthatja a kép minőségét azáltal, hogy egyenletessé teszi a fény és a sötét eloszlását a képen [15]. A tartományszűrő a kép határának kiemelésével zajcsökkentő hatást válthat ki [16]. Az előfeldolgozást követően a jellemző paramétereket a GLCM algoritmus alkalmazásával kinyertük. Összesen 19 paramétert vontunk ki a kéreg három régiójából, a kéreg és a velő közötti határvonalból, valamint a velőből, és végül a méretinformációkat kombinálva összesen 58 bemeneti paramétert határoztunk meg.

Egy 10 rejtett rétegből álló mesterséges neurális hálózatot építettünk fel, és a kimenetet három típusba soroltuk: normál, enyhe és mérsékelt CKD, valamint súlyos CKD.

2. ábra Képfeldolgozás teljes blokkdiagramja.

2.3. Gray-Level Co-Currence Matrix (GLCM)

A GLCM [17], egy textúra leíró, a másodrendű statisztikai jellemzők kiszámítására szolgál normál és CKD képekből. Figyelembe véve egy M × N méretű I képet és Ng számú különböző szürkeszintet, a textúra változásait a szürketónusú p (i, j) térbeli függési mátrix segítségével számítjuk ki, ahol a pixelek d távolságra vannak elválasztva. az i-edik és a j-edik szürke szint. Ebben a munkában négy szöget (0◦, 45◦, 90◦ és 135◦ ) vettünk figyelembe, amelyek pixeltávolsága 1. A másodrendű statisztikai jellemzők (autokorreláció, kontraszt, korreláció, klaszter kiemelkedés, klaszterárnyalat, eltérés, energia, entrópia, homogenitás, maximális valószínűség, négyzetösszeg variancia, összeg átlag, összeg szórása, összeg entrópia, különbség variancia, különbség entrópia, Az 1. korreláció információs mértéke, a 2. korreláció információs mértéke és az inverz különbség (INV)) a GLCM segítségével számították ki. A 3a. ábra a MATLAB segítségével megvalósított eredményt mutatja a GLCM paraméterek megszerzéséhez. Ha kiválasztja a ROI területet és futtatja, akkor az Excel-fájlként kerül mentésre, ahogy az a 3b. ábrán látható

3. ábra Program végrehajtása.

A 3. táblázat azokat a paramétereket mutatja be, amelyek kinyerhetők a GLCM ROI-kép segítségével történő kiszámításakor. Az 1. táblázat a GLCM paramétereit képező textúrajellemzők kiszámításához használt változókat és jelöléseket mutatja.

2. táblázat: A textúra jellemzőinek kiszámításához használt változók és jelölések.

2.4. Mesterséges neurális hálózat (ANN)

Az ANN a gépi tanulás egyik eleme, amely jelenleg a kutatás-fejlesztésben vált jelentőségteljessé. A gépi tanulás fogalma a számítógép azon képessége, hogy matematikai vagy statisztikai modell segítségével megértse az adatok szerkezetét. Az ANN alapja egyetlen réteg bemeneti, folyamati és kimeneti elemekből áll. Ennek eredményeként az információfeldolgozási ciklus alapvető koncepciójából az ANN összetett matematikai megfogalmazást hajt végre, hogy optimális eredményt adjon bármely adatkészletre vagy problémaszegmensre [19].

A 4. ábra a kísérletben használt neurális hálózat blokkdiagramját mutatja. A ROI 3 hely közül lett kiválasztva az eredeti kép jellemzőinek észleléséhez.

A ROI-t a kéregből, a kéreg és a velőhatárból, valamint a velőből választottuk ki. Jellemző paraméterként a vese méretét választottuk, amely nagyon fontos tényező a krónikus vesebetegség diagnózisában. A GLCM számítás eredményeként a kéregrégiók mindegyikéből 19 paramétert vontunk ki; vagyis a kéreg és a velő és a velő közötti határ (3. táblázat). Ezenkívül a vese méretét paraméterként hozzáadva a bemeneti réteg összesen 58 csomópontból állt. 10 rejtett rétegen való áthaladás után a kimeneti réteget három típusba soroltuk: normál, enyhe és mérsékelt CKD, valamint súlyos CKD.

4. ábra Kimenet osztályozás az ANN modell alapján.

3. táblázat: A GLCM paraméterei

3. Eredmények

A kép-előfeldolgozás, a GLCM algoritmus és a mesterséges neurális hálózat megvalósítása a MATLAB R2016a segítségével történt. Ez az eszköz felhasználóbarát felületet biztosít, és számos beépített funkcióval rendelkezik, így könnyen implementálható benne algoritmus. A tanulmányhoz 3,60 GHz-es Intel i9 processzorral és 64 GB RAM-mal rendelkező Windows 10 (64-bit) operációs rendszert használtuk.

GLCM algoritmus. A jellemzők eszközeit a GLCM segítségével szereztük be

5. ábra: ROI kiválasztása.

A 6. ábra mutatja a hisztogram kiegyenlítésének a ROI területre történő alkalmazásának eredményeit az újrakezelési folyamat során.

6. ábra. Az előfeldolgozás eredményei: (a) hisztogram kiegyenlítés; (b) tartomány-fifilter.

Az amerikai képek előfeldolgozása után a textúra statisztikai jellemzőit GLCM algoritmussal kinyertük. A jellemzők átlagát a GLCM segítségével kaptuk meg négy különböző orientációhoz viszonyítva, amelyeket kiszámítottunk. A 4–7. táblázatok a kéreg GLCM eredményeit, a kéreg és a velő, illetve a velő közötti határvonalat mutatják be. A 7. táblázat mutatja a vese méretét, amely normális, enyhe és közepesen súlyos CKD-vel és súlyos CKD-vel.

4. táblázat. A kéreg GLCM jellemzőinek értékei (átlag ± STD).

5. táblázat. A kéreg és a velő közötti határ GLCM jellemzőinek értékei (átlag ± STD).

6. táblázat: A velő GLCM jellemzőinek értékei (átlag ± STD).

7. táblázat. A normál vese mérete, valamint az enyhe és közepesen súlyos CKD-s és súlyos CKD-s vese mérete (átlag ± STD).

A 7. ábra a 64 bemenetből, 10 rejtett rétegből és 3 kimenetből álló ANN eredményét mutatja. A 7a ábrán az edzés eredménye 95,6 százalék, a validálás eredménye 97,3 százalék, a teszt eredménye 85,7 százalék volt. A megvalósított modellezés hibája 0,030511, amint az a 7b. ábrán látható. Ezzel az ANN-modellel a végső osztályozási arány 95,4 százalék volt. A 8. ábra az eredmények ROC görbéjét mutatja.

7. ábra. Az ANN eredményei.

8. ábra Az eredmények ROC görbéje.

4. Megbeszélés

Világszerte óriási mértékben növekszik a krónikus vesebetegségben szenvedő betegek száma. A krónikus vesebetegséget különösen gyakran a cukorbetegséggel, a magas vérnyomással és az időskorral együtt figyelik meg, de Korea az utóbbi időben elöregedő társadalommá vált, és a nyugatias életmód miatt megnőtt a magas vérnyomásban és cukorbetegségben szenvedők száma; emellett a felnőtt lakosság körülbelül 10 százaléka szenved krónikus vesebetegségben, és 60 éves vagy idősebb. A krónikus vesebetegség előfordulása gyorsan növekszik. Ez a jelenség azt jelenti, hogy a krónikus vesebetegség miatt dialízisre vagy vesetranszplantációra szoruló betegek száma is megnövekszik, és a végstádiumú veseelégtelenségben szenvedők számának növekedésével elkerülhetetlen a hatalmas veszteség mind társadalmi szempontból. és nemzeti környezetben, valamint az egyes betegeknél és családoknál [2].

Kínai gyógynövény-cistanche – Tonizáló vese

(Kísérleti vizsgálatok kimutatták, hogy a Cistanche deserticola különböző összetevői hatékonyan szabályozzák és pótolják a vese működését, elegendő veseerővel, amely közvetlenül fokozza a szervezet energiagyár mitokondriumainak működését, folyamatosan energiát termel, izgatott állapotban tartja a szervezetet, javítja annak működését. hidegtűrés és a fáradtság csökkentése.)

Ebben a vizsgálatban a vese kéregét, a kéreg és a velő közötti határvonalat, valamint a velőt ROI-ként határozták meg a krónikus vesebetegség ultrahangfelvételeken történő diagnosztizálásához. Az egyes ROI régiókból az ultrahangos képelemzésben széles körben használt GLCM algoritmus segítségével kinyertük a paramétereket. A paraméterek a következők: autokorreláció, kontraszt, korreláció, klaszterek kiemelkedése, klaszter árnyékolása, különbözőség, energia, entrópia, homogenitás, maximális valószínűség, négyzetösszeg szórása, összeg átlaga, összeg variancia, összeg entrópia, különbség variancia, különbség entrópia, információ mértéke 1. korreláció, 2. korreláció információs mértéke és inverz különbség (INV). Amikor minden paramétert három területről kinyertünk, összesen 57 GLCM paramétert vontunk ki. Végül összesen 58 paramétert használtunk a vese méretére vonatkozó információk hozzáadásával, ami fontos a krónikus vesebetegség diagnosztizálásához. Összesen 58 bemeneti paramétert teszteltünk egy ANN felépítésével, amely egy gépi tanulási módszer. A bemeneti paramétereket 58-ra, a rejtett réteget 10-re állítottuk. Mivel 10 vagy több rejtett réteg nem mutatott hatást az osztályozási arányra, a kísérletet 10 rejtett réteggel végeztük. A három besorolandó kimenet a normál, az enyhe és közepesen súlyos CKD, valamint a súlyos CKD volt. Úgy gondoljuk, hogy a besorolandó eredmény osztályozási aránya mind az 58 bemeneti paraméter felhasználásával nőtt. Az osztályozási pontosság 95,4 százalék, a képzéshez szükséges korszak 38-szoros, a téves besorolási arány 4,6 százalék volt. Ebben a kísérletben háromféle állapotot osztályoztak, nevezetesen normál, enyhe, közepesen súlyos CKD-t és súlyos CKD-t, de a betegségi állapotok további részletes osztályozására van szükség. Emellett a kísérlet 741 adatelem beszerzésével zajlott, aminek az az oka, hogy az adatmennyiség nem nagy; így a gépi tanulási módszert választották. Nagy mennyiségű adat beszerzése esetén a mély tanulási módszer alkalmazását tervezzük több adat megszerzése után. Klinikai használatához diverzifikálni kell az osztályozás típusait. Miután a megvalósított eredményt az ultrahangos berendezés rendelkezésére bocsátotta, azt a szonográfus visszajelzésével frissíteni kell.

5. Következtetések

A krónikus vesebetegség korai felismerése esetén kezelhető,A Cistanche deserticola jó módszer a vesék tonizálására. A Cistanche deserticola goji bogyóval és Cynomorium szoláriummal párosítható főzéshez és iváshoz, ami jó hatással van a vese tonizálására. A Cistanche deserticola ma elsősorban a vese yang-hiány okozta derék- és térdfájdalmak és -gyengeség kezelésére szolgál, amely tonizálja a vesét, és bizonyos mértékben enyhíti a korai vesebetegséget.

A Cistanche deserticola hatékonysága – tonizálja a vesét

De a betegség előrehaladtával a gyógyulás lehetetlenné válik. Végül vesepótló terápiát, például transzplantációt vagy dialízist kell alkalmazni. Más szóval, kulcsfontosságú a krónikus vesebetegségek korai szakaszában történő felismerése és kezelése. Az ultrahang egy vizsgálati módszer a veserák, gyulladásos betegségek, csomós betegségek, krónikus vesebetegségek stb. diagnosztizálására, és a gyulladás mértékére vonatkozó információk ellenőrzésére szolgál olyan információk alapján, mint a vese mérete és a belső visszhang jellemzői.

Ebben a vizsgálatban 741 esetben használtak ultrahangos képeket, köztük 251 normál veseképet, 328 enyhe és közepesen súlyos vesebetegségről készült képet, valamint 162 súlyos vese veseképet. A krónikus vesebetegség klinikai gyakorlatban történő diagnosztizálására három ROI-t állítottak be, nevezetesen a vesekéreget, a kéreg és a velő közötti határvonalat, valamint a velőt, amelyek olyan területek, amelyeket az ultrahangfelvételek információinak megszerzéséhez vizsgálnak. Az ultrahang képelemzésben széles körben használt GLCM algoritmus segítségével minden ROI-ból kinyertük a paramétereket. Amikor mindegyik paramétert kivontuk a három területről, összesen 57 GLCM-paramétert vontunk ki. Végül összesen 58 paramétert használtunk a vese méretére vonatkozó információk hozzáadásával, ami fontos a krónikus vesebetegség diagnosztizálásához. Az ANN 58 bemeneti paraméterből, 10 rejtett rétegből és 3 kimeneti rétegből (normál, enyhe és mérsékelt CKD, valamint súlyos CKD) állt. Az ANN modellt használva a végső besorolási arány 95,4 százalék volt, a képzéshez szükséges korszak 38-szor, a téves besorolási arány 4,6 százalék volt. Úgy gondolják, hogy ez a kísérlet alapul szolgálhat egy automatikus diagnosztikai rendszer megvalósításához a krónikus vesebetegség ultrahangos felvételek segítségével történő diagnosztizálásának területén. Ezenkívül a kísérleti eredmények felhasználása fontos szerepet játszik a klinikai döntéshozatalban, beleértve a krónikus vesebetegség korai diagnosztizálását és kezelését.

Hivatkozások

1. Irina, L.; Flávio, R.; Idalina, B.; Rui, A.; Luís, B.; Alice, SS Új potenciális biomarkerek a krónikus vesebetegség kezelésében – A szakirodalom áttekintése. Int. J. Mol. Sci. 2021, 22, 43.

2. Couser, WG; Remuzzi, G.; Mendis, S.; Tonelli, M. A krónikus vesebetegség hozzájárulása a főbb nem fertőző betegségek globális terhéhez. Kidney Int. 2011, 80, 1258–1270. [CrossRef]

3. Cañadas-Garre, M.; Anderson, K.; McGoldrick, J.; Maxwell, AP; McKnight, AJ Proteomikai és metabolomikai megközelítések a krónikus vesebetegség biomarkereinek keresésében. J. Proteom. 2019, 193, 93–122. [CrossRef]

4. Lovey, AS; Eckardt, KU; Tsukamoto, Y.; Levin, A.; Coresh, J.; Rossert, J.; de Zeeuw, D.; Hosttter, TH; Lameire, N.; Eknoyan, G. A krónikus vesebetegség definíciója és osztályozása: A Kidney Disease: Improving Global Outcomes (KDIGO) álláspontja. Kidney Int. 2005, 67, 2089–2100. [CrossRef]

5. Komenda, P.; Rigatto, C.; Tangri, N. Szűrési stratégiák fel nem ismert CKD-re. Clin. J. Am. Soc. Nephrol. 2016, 11, 925–927. [CrossRef] [PubMed]

6. Lee, HS; Jang, HB; Yoo, MG; Park, SI; Lee, HJ Krónikus vesebetegséggel összefüggő aminosav-metabolitok: Nyolc éves koreai epidemiológiai vizsgálat. Biomedicines 2020, 8, 222. [CrossRef]

7. Hewadikaram, D.; Bandara, M.; Pattividana, AN; Jayaweera, H. Egy új ultrahang-technika a korai krónikus vesebetegség kimutatására. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Jovanovic, D.; Gasic, B.; Pavlovic, S.; Naumovic, R. A vese méretének összefüggése a vesefunkcióval és az antropometriai paraméterekkel egészséges alanyokban és krónikus vesebetegségben szenvedő betegekben. Ren. Sikertelen. 2013, 35, 896–900. [CrossRef]

9. Gao, S.; Peng, Y.; Guo, H.; Liu, W.; Gao, T.; Xu, Y.; Tang, X. Ultrahangos májképek textúraelemzése és osztályozása. Biome. Mater. Eng. 2014, 24, 1209–1216. [CrossRef] [PubMed]

10. Saleem, ZR A számítógéppel segített diagnosztikában használt módszerek a mellrák kimutatására mammográfia segítségével: áttekintés. J. Healthc. Eng. 2020, 2020, 9162464.

11. Fujita, H.; Te, J.; Li, Q.; Arimura, H. A számítógéppel segített észlelés/diagnosztika (CAD) legmodernebb technikája. In Proceedings of the ICMB 2010, Hong Kong, Kína, 2010. június 28–30.; 6165. évfolyam, 296–305.

12. Jang, JSR; Sun, CT; Mizutani, E. Neuro-Fuzzy and Soft Computing – A számítási megközelítés a tanuláshoz és a gépi intelligenciához. IEEE Trans. Autom. Control 1997, 42, 1482–1484. [CrossRef]

13. Abbiss, H.; Készítő, GL; Trengove, RD Metabolomics megközelítések a vesebetegségek diagnosztizálására és megértésére. Metabolites 2019, 9, 34. [CrossRef]

14. Hansen, KL; Nielsen, MB; Ewertsen, C. A vese ultrahangvizsgálata: Képi áttekintés. Diagnostics 2016, 6, 2. [CrossRef] [PubMed]

15. Singh, P.; Mukundan, R.; De Ryke, R. Feature Enhancement in Medical Ultrahang Videos with Contrast-Limited Adaptive Histogram Equalization. J. Digit. Képalkotás 2020, 33, 273–285. [CrossRef] [PubMed]

16. Jassim, FA Képzajtalanítás interkvartilis tartományszűrő használatával helyi átlagolással. Int. J. Soft Comput. Eng. 2013, 2, 424–428.

17. Haralick, RM; Dinstein, I.; Shanmugamm, K. Texturális jellemzők a képosztályozáshoz. IEEE Trans. Syst. Man Cybern. 1973, 3, 610–621. [CrossRef]

18. Tommy, L.; Patrik, B.; Thomas, A.; Tufve, N.; Anders, G. Gray-szintű invariáns Haralick textúra jellemzői. PLoS ONE 2019, 14, e0212110.

19. Farizawani, AG; Puteh, M.; Marina, Y.; Rivaie, A. A mesterséges neurális hálózat tanulási szabályának áttekintése a konjugált gradiens megközelítések többféle változata alapján. J. Phys. Konf. Ser. 2020, 1529, 022040. [CrossRef]

20. Igbinedion, BO; Okaka, E. Krónikus vesebetegség: Sonographic/Clinical Findings at the University of Benin Teaching Hospital. Ann. Biomed. Sci. 2017, 16, 60–69.

21. Prashanth, KS; Ravi, N.; Chandrashekar, HM A vese parenchymalis változásainak szonográfiai osztályozása és összehasonlítása a becsült glomeruláris szűrési rátával (EGFR) módosított étrend használatával a vesebetegség képletében. Int. J. Contemp. Med. Surg. Radiol. 2020, 5, B13–B16.

22. Priyanka; Kumar, D. Vese-ultrahangos képek kinyerése és kiválasztása GLCM és PCA segítségével. Procedia Comput. Sci. 2020, 167, 1722–1731. [CrossRef]

23. Kuo, CC; Chang, CM; Liu, KT; Lin, WK; Chiang, HY; Chung, CW; Ho, MR; Sun, PR; Yang, RL; Chen, KT A vesefunkció előrejelzésének és osztályozásának automatizálása ultrahang alapú vese képalkotással mély tanulással. NPJ számjegy. Med. 2019, 2, 29. [CrossRef] [PubMed]