Kroonilise neeruhaiguse klassifikatsioon sonograafias, kasutades GLCM-i ja tehisnärvivõrku

Abstraktne: Kroonilist neeruhaigust (KNH) saab ravida, kui see avastatakse varakult, kuid haiguse progresseerumisel muutub taastumine võimatuks.Lõpuks on vajalik neeruasendusravi, näiteks siirdamine või dialüüs. Ultraheli on testmeetod, millega diagnoositakse neeruvähki, põletikulist haigust, sõlmehaigust, kroonilist neeruhaigust jne. Seda kasutatakse põletiku astme määramiseks, kasutades sellist teavet nagu neeru suurus ja sisemise kaja omadused. Kroonilise neeruhaiguse progresseerumise aste praeguses kliinilises uuringus põhineb glomerulaarfiltratsiooni kiirusel. Põletiku ja haigusastme muutusi võib aga jälgida isegi ultraheliga. Selles uuringus testiti kokku 741 pilti, 251 normaalse neeru pilti, 328 kerge ja mõõduka kroonilise neeruhaiguse pilti ja 162 raskekujulist kroonilise neeruhaiguse pilti. Kroonilise neeruhaiguse diagnoosimiseks kliinilises praktikas määrati kolm ROI-d: neerukoor, ajukoore ja medulla vaheline piir ning medulla, mida uuritakse ultrahelipiltidelt teabe saamiseks. Parameetrid ekstraheeriti igast ROI-st, kasutades GLCM-i algoritmi, mida kasutatakse laialdaselt ultraheli kujutise analüüsis. Kui iga parameeter eraldati kolmest piirkonnast, ekstraheeriti kokku 57 GLCM-i parameetrit. Lõpuks kasutati kokku 58 parameetrit, lisades kroonilise neeruhaiguse diagnoosimisel olulise neeru suuruse kohta teavet. Tehisnärvivõrk (ANN) koosnes 58 sisendparameetrist, 10 peidetud kihist ja 3 väljundkihist (normaalne, kerge ja mõõdukas krooniline neeruhaigus ning raske krooniline neeruhaigus). ANN-mudelit kasutades oli lõplik klassifitseerimise määr 95,4 protsenti, koolituseks vajalik periood oli 38 korda ja valesti klassifitseerimise määr 4,6 protsenti.

Cistanche deserticola efektiivsus – neerude toniseerimine

Märksõnad: neerude ultraheli; halli taseme koosesinemise maatriks (GLCM); tehisnärvivõrk; klassifikatsioon; krooniline neeruhaigus (CKD)

1. Sissejuhatus

Krooniline neeruhaigus sageneb koos rahvastiku vananemise ja krooniliste haiguste sagenemisega. Paljudes riikides on see murettekitav terviseprobleem, mis põhjustab insuldi, südamehaiguste ja tüsistuste, nagu diabeet ja infektsioonid, kõrget levimust ja esinemissagedust ning suurendab ravikulusid.[1,2]. Kroonilist neeruhaigust kasutatakse üldmõistena, mis viitab üle 3 kuu kestnud neerukahjustusele või neerufunktsiooni pidevale langusele, sõltumata põhjusest. See on haigus, mis suurendab kardiotserebrovaskulaarsete haiguste riski ning millega kaasneb neerupuudulikkus ja mitmesugused tüsistused [3,4]. Riiklik neerufond (NKF) kasutab laialdaselt järgmist kroonilise neeruhaiguse määratlust: "kui neerukahjustus, nagu proteinuuria, hematuuria või patoloogiline kõrvalekalle või glomerulaarfiltratsiooni kiirus on alla 60 ml/min/1,73 m2 ja kestab kauem kui 3 kuud" [5]. Kroonilise neeruhaiguse põhjused ja patoloogilised leiud on erinevad, kuid kliiniliselt saab seda suhteliselt lihtsalt kinnitada proteinuuria tuvastamiseks tehtava uriinianalüüsi ja glomerulaarfiltratsiooni kiiruse hindamiseks tehtud vereanalüüsiga. Kliinilises valdkonnas jagatakse kroonilise neeruhaiguse staadium viieks etapiks 1. kuni 5. staadiumini vastavalt hinnangulisele glomerulaarfiltratsiooni kiirusele patsientide diagnoosimiseks ja raviks. Võib öelda, et krooniline neeruhaigus on suhteliselt levinud krooniline haigus, kuid võrreldes teiste krooniliste haigustega, nagu kõrge vererõhk ja diabeet, ei ole üldsuse teadlikkus kõrge [6]. Kuna seda saab suhteliselt lihtsa testiga hõlpsasti diagnoosida, võib varajane diagnoosimine aeglustada haiguse progresseerumist varajase ravi abil. Kuid kuna sümptomid ei ole selged, diagnoositakse haigus sageli pärast pikka aega, mis põhjustab neerupuudulikkust või isegi surma selliste tüsistuste tõttu nagu südame- ja tserebrovaskulaarne haigus. Üldiselt areneb krooniline neeruhaigus edasi, kui see tekib. Varajane diagnoosimine võib aga aeglustada neerufunktsiooni langust ja kroonilisest neeruhaigusest taastumist [7].

Ultraheli, mis on üks kroonilise neeruhaiguse diagnoosimise meetodeid, on väga oluline kontrollimaks, kas neerufunktsioon on muudel põhjustel, näiteks neeru suurusest ja morfoloogiast tingitud. [8].

Kõrbes elav cistanche – toniseeriv neer

(Eksperimentaalsed uuringud on näidanud, et Cistanche deserticola ekstrakt võib kaitsta neerutorukeste rakke, ennetada neerude interstitsiaalseid kahjustusi, aeglustada neerupuudulikkuse kiirust ja tõhusalt ära hoida sekundaarseid bakteriaalseid infektsioone kroonilise neerupuudulikkusega patsientidel. Sellel on terapeutiline toime nii kroonilise kui ka ägeda ravi korral. neeruhaigus.)

GLCM-i algoritmi, mis eraldab funktsioonipunktid, rõhutades selliste ultrahelipiltide ruumilisi omadusi, kasutatakse ultraheli kujutise analüüsis laialdaselt, kasutades korrelatsiooni praeguse piksli ja selle naaberpikslite heleduse väärtuse vahel [9].

Viimastel aastatel on väga oluline haiguste automaatne tuvastamine piltide, näiteks ultraheligraafika abil arvutusmeetodite abil, eriti pärast arvutipõhiste diagnostikasüsteemide (CAD) loomist [10, 11].

Tehisnärvivõrke (ANN) kasutatakse tavaliselt arvutianalüüsi statistiliste mudelite koostamiseks. Tehisnärvivõrk (ANN) või lihtne närvivõrk (NN) on arvutuslik struktuur, mis põhineb bioloogiliste neuronite talitlusel. Seda tüüpi võrgud suudavad õppida ja ära tunda mustreid sisendteabe põhjal ning kasutada neid mustreid tulevase teabe ennustamiseks, ekstrapoleerides õpitud andmeid. Need närvivõrgud koosnevad väikestest töötlemisüksustest, mida nimetatakse neuroniteks, mis on omavahel ühendatud kihtidena; ühisel närvivõrgul on vähemalt üks sisendkiht, üks peidetud kiht ja üks väljundkiht [12].

Selles artiklis saadi erinevad parameetrid, rakendades GLCM-i algoritmi ultrahelipiltidele, mis on klassifitseeritud normaalsete neerupiltide, kerge ja mõõduka CKD kujutiste ja raskete CKD kujutiste jaoks. Krooniline neeruhaigus klassifitseeriti kunstliku närvivõrgu abil, kasutades GLCM-i parameetreid ja neeru suurust. Selle uuringu eesmärk on klassifitseerida krooniline neeruhaigus kolme kategooriasse, et teha kindlaks, kas kroonilise neeruhaiguse varajane diagnoosimine on võimalik.

Superman herbs cistanche – toniseeriv neeru

Cistanche neeruhaiguste toodete vaatamiseks klõpsake siin

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

2. Materjalid ja meetodid

2.1. Teemad ja andmete hankimine

2015. aasta jaanuarist kuni 2017. aasta detsembrini viidi katse läbi vabatahtlike, kes külastasid Gyeong-sang-nam-do osariigis Yangsanis asuvas R haiglas haiglas arstlikul läbivaatusel käinud vabatahtlike ja kroonilise neeruhaiguse diagnoosiga patsientide ultrahelipilte.

Tabelis 1 on näidatud katsealuste kliinilised omadused. Kokku kasutati 741 ultrahelipilti, sealhulgas 251 normaalset pilti, 328 kerge ja mõõduka kroonilise neeruhaiguse pilti ja 162 raskekujulist kroonilise neeruhaiguse pilti, mille arst oli klassifitseerinud. Radioloogid liigitasid katsekujutised lugemise alusel kerge ja mõõduka kroonilise neeruhaigusega patsientide ja raskete kroonilise neeruhaigusega patsientide omadeks ning neeruvähi, neerutsüstide ja kaasasündinud neeruhaiguste juhtumid jäeti katsest välja [13].

Katseseadmete osas kasutati RS80A (Samsung Medison, Seoul, Korea) ultraheliseadet ning pilditingimused saadi võimendusega 50, dünaamiline ulatus 56, kaadri keskmine 8, võimsus 95 ja üldsagedus. Kõik testid viidi läbi vabatahtlikul osalusel ja need kiitis heaks Busani katoliku ülikooli (CUPIRB-2017-023) institutsionaalne läbivaatamisnõukogu (IRB).

Tabelis 1 on esitatud teave katsealuste vanuse, soo, eGFR-i, hüpertensiooni ja diabeedi kohta.

Tabel 1. Kliinilised omadused.

2.2. Eksperimentaalne meetod

Huvipakkuv piirkond (ROI) määrati neeru ultrahelipildil ja tulemus arvutati MATLAB 2016a (MathWorks Inc., Natick, MA, USA) abil. ROI valiti kortikaalse piirkonna, ajukoore ja medulla vahelise piiriala ning medulla piirkonna määramisega. Ultrahelipildil on normaalse neeru tunnused ovaali kujul, mis koosneb neerukoorest, mis näitab maksaga võrreldes madalat kaja, ja neeru siinus, mis näitab kõrget kaja. Ajukoore ja neerusiinuse vaheline piir on selge ja keskel on näha kõrge kaja. Pidevalt kahjustatud neerus seevastu suureneb fibroosi tõttu neerukoore ultraheli kaja. Selle tulemusena on heledaks muutunud neerukoore ja neerukoore vaheline piir ebaselge. Lisaks väheneb funktsiooni languse tõttu suurus ja täheldatakse neerude atroofiat [14]. Kuna neid funktsioone kasutatakse kroonilise neeruhaiguse diagnoosimisel, määrati ROI piirkonnaks 50 × 50 ja määrati 3 asukohta. Järgmine joonis näitab selles uuringus kasutatud normaalseid, mõõdukaid ja raskeid ultrahelipilte eraldusvõimega 872 × 1280. Joonisel 1 on näidatud normaalsed, kerged ja mõõdukad ning rasked kroonilise neeruhaiguse ultrahelipildid.

Joonis 1. Originaalpildid.

Joonisel 2 on näidatud selle katse üldine plokkskeem.

Algse ultrahelipildiga viidi läbi histogrammi võrdsustamine ja vahemiku filtri eeltöötlus. Histogrammi võrdsustamine võib parandada pildi kvaliteeti, muutes pildil valguse ja tumeda jaotuse ühtlaseks [15]. Vahemiku filter võib tekitada müra vähendamise efekti, tõstes esile pildi piiri [16]. Pärast eeltöötlust ekstraheeriti funktsiooni parameetrid GLCM-i algoritmi rakendamisega. Igast joonise 1 kolmest piirkonnast eraldati kokku 19 parameetrit. Originaalkujutised. Joonisel 2 on näidatud selle katse üldine plokkskeem. Algse ultrahelipildiga viidi läbi histogrammi võrdsustamine ja vahemiku filtri eeltöötlus. Histogrammi võrdsustamine võib parandada pildi kvaliteeti, muutes pildil valguse ja tumeda jaotuse ühtlaseks [15]. Vahemiku filter võib tekitada müra vähendamise efekti, tõstes esile pildi piiri [16]. Pärast eeltöötlust ekstraheeriti funktsiooni parameetrid GLCM-i algoritmi rakendamisega. Ajukoore igast kolmest piirkonnast, ajukoore ja medulla vahelisest piirist ning medullast eraldati kokku 19 parameetrit ning lõpuks ühendati suurusteave, et määrata kokku 58 sisendparameetrit.

Ehitati 10 peidetud kihiga tehisnärvivõrk ja väljund oli kavandatud klassifitseerima kolme tüüpi: normaalne, kerge ja mõõdukas krooniline neeruhaigus ning raske krooniline neeruhaigus.

Joonis 2. Pilditöötluse summaarne plokkskeem.

2.3. Halli taseme koosesinemise maatriks (GLCM)

GLCM-i [17], tekstuurideskriptorit, kasutatakse teist järku statistiliste tunnuste arvutamiseks tavalistest ja CKD-piltidest. Võttes arvesse pilti I, mille suurus on M × N ja Ng erinevat halli taset, arvutatakse tekstuuri variatsioonid halli tooni ruumilise sõltuvuse maatriksi p (i, j) abil, kus pikslid on eraldatud kaugusega d i-ndat ja j-ndat halli taset. Käesolevas töös vaadeldi nelja nurka (0◦, 45◦, 90◦ ja 135◦), mille pikslite kaugus on 1. Teist järku statistilised tunnused (autokorrelatsioon, kontrast, korrelatsioon, klastri esiletõst, klastri varjund, erinevus, energia, entroopia, homogeensus, maksimaalne tõenäosus, ruutude summa dispersioon, summa keskmine, summa dispersioon, summa entroopia, erinevuse dispersioon, erinevuse entroopia, GLCM-i abil arvutati korrelatsiooni 1 infomõõt, korrelatsiooni 2 infomõõt ja pöördvahe (INV)). Joonisel 3a on näidatud MATLAB-i abil GLCM-i parameetrite saamiseks rakendatud tulemus. Kui valite ROI ala ja käivitate, salvestatakse see Exceli failina, nagu on näidatud joonisel 3b

Joonis 3. Programmi rakendamine.

Tabelis 3 on näidatud parameetrid, mida saab eraldada GLCM-i arvutamisel ROI kujutise abil. Tabel 1 näitab muutujaid ja tähistusi, mida kasutatakse GLCM-i parameetriteks olevate tekstuurifunktsioonide arvutamiseks.

Tabel 2. Tekstuuriomaduste arvutamiseks kasutatavad muutujad ja tähistused.

2.4. Kunstlik närvivõrk (ANN)

ANN on masinõppe element, mis on praegu muutunud oluliseks teadus- ja arendustegevuses. Masinõppe mõiste on arvuti võime mõista andmete struktuuri, kasutades matemaatilist või statistilist mudelit. ANN-i alus koosneb ühest sisend-, protsessi- ja väljundelementide kihist. Selle tulemusena koostab ANN teabetöötlustsükli väga põhikontseptsiooni põhjal keeruka matemaatilise formuleeringu, et saada optimaalne tulemus mis tahes andmekogumi või probleemisegmendi jaoks [19].

Joonisel 4 on näidatud selles katses kasutatud närvivõrgu plokkskeem. ROI valiti 3 asukoha hulgast funktsioonide tuvastamiseks algsel pildil.

ROI valiti ajukoorest, ajukoore ja medulla vahelisest piirist ning medullast. Tunnusparameetriks valiti neeru suurus, mis on kroonilise neeruhaiguse diagnoosimisel väga oluline tegur. GLCM-i arvutuse tulemusena eraldati igast ajukoore piirkonnast 19 parameetrit; ehk ajukoore ja medulla ning medulla vaheline piir (tabel 3). Lisaks, lisades parameetrina neeru suuruse, koosnes sisendkiht kokku 58 sõlmest. Pärast 10 peidetud kihi läbimist jaotati väljundkiht kolme tüüpi: normaalne, kerge ja mõõdukas krooniline neeruhaigus ning raske krooniline neeruhaigus.

Joonis 4. Väljundite klassifikatsioon ANN mudeli alusel.

Tabel 3. GLCM-i parameetrid

3. Tulemused

Pildi eeltöötluse, GLCM-i algoritmi ja tehisnärvivõrgu rakendamine viidi läbi kasutades MATLAB R2016a. See tööriist pakub kasutajasõbralikku liidest ja sellel on palju sisseehitatud funktsioone, nii et selles on lihtne algoritme rakendada. Selles uuringus kasutati Windows 10 (64-bit) 3,60 GHz Intel i9 protsessori ja 64 GB muutmäluga.

GLCM-i algoritm. Funktsioonide vahendid saadi GLCM-i abil

Joonis 5. ROI valik.

Joonisel 6 on näidatud ROI alale histogrammi võrdsustamise tulemused kordustöötlusprotsessi ajal.

Joonis 6. Eeltöötluse tulemused: (a) histogrammi ühtlustamine; b) vahemiku fifilter.

Pärast USA piltide eeltöötlust ekstraheeriti tekstuuri statistilised omadused GLCM-i algoritmi abil. Funktsioonide vahendid saadi GLCM-i abil nelja erineva arvutatud orientatsiooni suhtes. Tabelites 4–7 on näidatud ajukoore GLCM-i tulemused, vastavalt ajukoore ja medulla vaheline piir ning medulla. Tabelis 7 on näidatud neeru suurus, mis on normaalne ning kerge ja mõõduka kroonilise neeruhaigusega ja raske kroonilise neeruhaigusega.

Tabel 4. Korteksi GLCM-i tunnuste väärtused (keskmine ± STD).

Tabel 5. Ajukoore ja medulla vahelise piiri GLCM-i tunnuste väärtused (keskmine ± STD).

Tabel 6. Medulla GLCM-i tunnuste väärtused (keskmine ± STD).

Tabel 7. Normaalse neeru suurus ning kerge ja mõõduka kroonilise neeruhaigusega ja raske kroonilise neeruhaigusega neeru suurus (keskmine ± STD).

Joonis 7 näitab ANN-i tulemust, mis koosneb 64 sisendist, 10 peidetud kihist ja 3 väljundist. Joonisel 7a oli treeningu tulemus 95,6 protsenti, valideerimise tulemus 97,3 protsenti ja testi tulemus 85,7 protsenti. Rakendatud modelleerimisel on viga 0,030511, nagu on näidatud joonisel 7b. Seda ANN-mudelit kasutades oli lõplik klassifikatsioonimäär 95,4 protsenti. Joonisel 8 on näidatud tulemuste ROC kõver.

Joonis 7. ANN-i tulemused.

Joonis 8. Tulemuste ROC kõver.

4. Arutelu

Kogu maailmas kasvab kroonilise neeruhaigusega patsientide arv tohutu kiirusega. Kroonilist neeruhaigust täheldatakse eriti sageli koos diabeedi, kõrge vererõhu ja vanadusega, kuid Korea on viimasel ajal muutunud vananevaks ühiskonnaks ning lääneliku elustiili tõttu on suurenenud kõrge vererõhu ja diabeediga patsientide arv; lisaks kannatab umbes 10 protsenti täiskasvanud elanikkonnast kroonilise neeruhaiguse all ja on 60-aastased või vanemad. Krooniliste neeruhaiguste esinemissagedus kasvab kiiresti. See nähtus tähendab, et suureneb ka kroonilise neeruhaiguse tõttu dialüüsi või neerusiirdamist vajavate patsientide arv ning kui suureneb lõppstaadiumis neerupuudulikkusega patsientide arv, on vältimatu tohutu kaotus nii sotsiaalses plaanis. ja riiklikus kontekstis, samuti üksikute patsientide ja perede puhul [2].

Hiina ürt cistanche – toniseeriv neeru

(Eksperimentaalsed uuringud on näidanud, et Cistanche deserticola erinevad komponendid suudavad tõhusalt reguleerida ja täiendada neerunäärmeid, piisava neeruvõimsusega, mis parandab otseselt keha energiatehase mitokondrite tööd, genereerides pidevalt energiat, hoides keha erutunud, parandades selle tööd. külmataluvus ja väsimuse vähendamine.)

Selles uuringus määrati neerukoor, ajukoore ja medulla vaheline piir ning medulla ROI-deks kroonilise neeruhaiguse diagnoosimisel ultrahelipiltidel. Parameetrid ekstraheeriti igast ROI piirkonnast GLCM-i algoritmi abil, mida kasutatakse laialdaselt ultraheli kujutise analüüsis. Parameetrid on autokorrelatsioon, kontrastsus, korrelatsioon, klastri esiletõst, klastri varjund, erinevus, energia, entroopia, homogeensus, maksimaalne tõenäosus, ruutude summa dispersioon, summa keskmine, summa dispersioon, summa entroopia, erinevuse dispersioon, erinevuse entroopia, teabe mõõt korrelatsioon 1, korrelatsiooni 2 infomõõt ja pöördvahe (INV). Kui iga parameeter eraldati kolmest piirkonnast, ekstraheeriti kokku 57 GLCM-i parameetrit. Lõpuks kasutati kokku 58 parameetrit, lisades kroonilise neeruhaiguse diagnoosimisel olulise neeru suuruse kohta teavet. Kokku testiti 58 sisendparameetrit, konstrueerides ANN-i, mis on masinõppe meetod. Sisendparameetriteks määrati 58 ja peidetud kihiks 10. Kuna 10 või enam peidetud kihti ei näidanud klassifitseerimismäärale mingit mõju, viidi katse läbi 10 peidetud kihiga. Kolm klassifitseeritavat väljundit olid normaalne, kerge ja mõõdukas krooniline neeruhaigus ning raske krooniline neeruhaigus. Arvatakse, et klassifitseeritava tulemuse klassifitseerimismäära suurendati kõigi 58 sisendparameetri kasutamisega. Klassifitseerimise täpsus oli 95,4 protsenti, koolituseks vajalik epohh oli 38 korda ja valesti klassifitseerimise määr oli 4,6 protsenti. Selles katses klassifitseeriti kolme tüüpi haigusseisundeid, nimelt normaalne, kerge, mõõdukas krooniline krooniline neeruhaigus ja raske krooniline neeruhaigus, kuid vaja on täiendavat üksikasjalikku haigusseisundite klassifikatsiooni. Lisaks viidi katse läbi 741 andmeüksuse hankimisega, mis sest, et andmemaht pole suur; seega valiti masinõppe meetod. Suure andmemahu hankimisel plaanime peale andmete lisakogumist rakendada süvaõppe meetodit. Selle kliiniliseks kasutamiseks on vaja mitmekesistada klassifikatsiooni tüüpe. Pärast rakendatud tulemuse ultraheliseadmetele kättesaadavaks tegemist tuleb seda sonograafi tagasiside kaudu täiendada.

5. Kokkuvõtted

Kroonilist neeruhaigust saab ravida, kui see avastatakse varakult,Tistanche deserticola on hea vahend neerude toniseerimiseks. Cistanche deserticola’t võib pruulimiseks ja joomiseks sobitada goji marjade ja Cynomorium solaariumiga, mis mõjub hästi neerude toniseerimisele. Cistanche deserticola ma kasutatakse peamiselt neeru yangi puudulikkusest tingitud talje ja põlvede valulikkuse ja nõrkuse raviks, millel on neere toniseeriv toime ja millel on teatav leevendav toime varajasele neeruhaigusele.

Cistanche deserticola efektiivsus – toniseerib neere

Kuid haiguse progresseerumisel muutub taastumine võimatuks. Lõpuks tuleb kasutada neeruasendusravi, näiteks siirdamist või dialüüsi. Teisisõnu on ülioluline avastada ja ravida kroonilist neeruhaigust varases staadiumis. Ultraheli on testmeetod neeruvähi, põletikuliste haiguste, sõlmehaiguse, kroonilise neeruhaiguse jne diagnoosimiseks ning seda kasutatakse põletiku astme teabe kontrollimiseks, kasutades sellist teavet nagu neeru suurus ja sisemise kaja omadused.

Selles uuringus kasutati 741 juhul ultrahelipilte, sealhulgas 251 normaalse neeru kujutist, 328 kerge ja mõõduka neeruhaiguse pilti ja 162 raskekujulist neerukujutist. Kroonilise neeruhaiguse diagnoosimiseks kliinilises praktikas määrati kolm ROI-d, nimelt neerukoor, ajukoore ja medulla vaheline piir ning medulla, mida uuritakse ultrahelipiltidest teabe saamiseks. Parameetrid ekstraheeriti igast ROI-st, kasutades GLCM-i algoritmi, mida kasutatakse laialdaselt ultraheli kujutise analüüsis. Kui iga parameeter eraldati kolmest piirkonnast, ekstraheeriti kokku 57 GLCM-i parameetrit. Lõpuks kasutati kokku 58 parameetrit, lisades kroonilise neeruhaiguse diagnoosimisel olulise neeru suuruse kohta teavet. ANN koosnes 58 sisendparameetrist, 10 peidetud kihist ja 3 väljundkihist (normaalne, kerge ja mõõdukas krooniline neeruhaigus ning raske krooniline neeruhaigus). ANN-mudelit kasutades oli lõplik klassifitseerimise määr 95,4 protsenti, koolituseks vajalik periood oli 38 korda ja valesti klassifitseerimise määr 4,6 protsenti. Arvatakse, et seda katset saab kasutada automaatse diagnoosisüsteemi rakendamisel kroonilise neeruhaiguse diagnoosimise valdkonnas ultrahelipiltide abil. Lisaks arvatakse, et eksperimentaalsete tulemuste kasutamine mängib olulist rolli kliiniliste otsuste tegemisel, sealhulgas kroonilise neeruhaiguse varajases diagnoosimises ja ravis.

Viited

1. Irina, L.; Flávio, R.; Idalina, B.; Rui, A.; Luís, B.; Alice, SS Kroonilise neeruhaiguse ravi uued potentsiaalsed biomarkerid – kirjanduse ülevaade. Int. J. Mol. Sci. 2021, 22, 43.

2. Couser, töörühm; Remuzzi, G.; Mendis, S.; Tonelli, M. Kroonilise neeruhaiguse panus peamiste mittenakkuslike haiguste ülemaailmsesse koormusse. Kidney Int. 2011, 80, 1258–1270. [CrossRef]

3. Cañadas-Garre, M.; Anderson, K.; McGoldrick, J.; Maxwell, AP; McKnight, AJ Proteoomilised ja metaboolsed lähenemisviisid kroonilise neeruhaiguse biomarkerite otsimisel. J. Proteom. 2019, 193, 93–122. [CrossRef]

4. Lovey, AS; Eckardt, KU; Tsukamoto, Y.; Levin, A.; Coresh, J.; Rossert, J.; de Zeeuw, D.; Hostter, TH; Lameire, N.; Eknoyan, G. Kroonilise neeruhaiguse definitsioon ja klassifikatsioon: seisukoht neeruhaigusest: globaalsete tulemuste parandamine (KDIGO). Kidney Int. 2005, 67, 2089–2100. [CrossRef]

5. Komenda, P.; Rigatto, C.; Tangri, N. Tundmatu kroonilise neeruhaiguse skriiningustrateegiad. Clin. J. Am. Soc. Nephrol. 2016, 11, 925–927. [CrossRef] [PubMed]

6. Lee, HS; Jang, HB; Joo, MG; Park, SI; Lee, HJ Kroonilise neeruhaigusega seotud aminohapete metaboliidid: kaheksa-aastane Korea epidemioloogiauuring. Biomedicines 2020, 8, 222. [CrossRef]

7. Hewadikaram, D.; Bandara, M.; Pattividana, AN; Jayaweera, H. Uudne ultrahelitehnika varajase kroonilise neeruhaiguse tuvastamiseks. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Jovanovic, D.; Gasic, B.; Pavlovic, S.; Naumovic, R. Neeru suuruse korrelatsioon neerufunktsiooni ja antropomeetriliste parameetritega tervetel isikutel ja krooniliste neeruhaigustega patsientidel. Ren. Ebaõnnestumine. 2013, 35, 896–900. [CrossRef]

9. Gao, S.; Peng, Y.; Guo, H.; Liu, W.; Gao, T.; Xu, Y.; Tang, X. Ultraheli maksapiltide tekstuurianalüüs ja klassifikatsioon. Biome. Mater. Eng. 2014, 24, 1209–1216. [CrossRef] [PubMed]

10. Saleem, ZR meetodid, mida kasutatakse arvutipõhises diagnoosimises rinnavähi tuvastamiseks mammogrammide abil: ülevaade. J. Healthc. Eng. 2020, 2020, 9162464.

11. Fujita, H.; Sina, J.; Li, Q.; Arimura, H. Arvutipõhise tuvastamise/diagnoosimise (CAD) tipptasemel tehnika. Proceedings of the ICMB 2010, Hongkong, Hiina, 28.–30. juuni 2010; 6165. köide, lk 296–305.

12. Jang, JSR; Päike, CT; Mizutani, E. Neuro-Fuzzy and Soft Computing – arvutuslik lähenemine õppimisele ja masinate intelligentsusele. IEEE Trans. Autom. Kontroll 1997, 42, 1482–1484. [CrossRef]

13. Abbiss, H.; Maker, GL; Trengove, RD Metabolomicsi lähenemisviisid neeruhaiguste diagnoosimiseks ja mõistmiseks. Metaboliidid 2019, 9, 34. [CrossRef]

14. Hansen, KL; Nielsen, MB; Ewertsen, C. Neeru ultraheliuuring: piltlik ülevaade. Diagnostika 2016, 6, 2. [CrossRef] [PubMed]

15. Singh, P.; Mukundan, R.; De Ryke, R. Funktsioonide täiustamine meditsiinilistes ultrahelivideotes, kasutades kontrastipiiranguga adaptiivset histogrammi võrdsustamist. J. Digit. Pildistamine 2020, 33, 273–285. [CrossRef] [PubMed]

16. Jassim, FA Pildi müra vähendamine, kasutades kvartiilsete vahemike filtrit koos kohaliku keskmistamisega. Int. J. Soft Comput. Eng. 2013, 2, 424–428.

17. Haralick, RM; Dinstein, I.; Shanmugamm, K. Tekstuurilised omadused piltide klassifitseerimiseks. IEEE Trans. Syst. Mees Kübern. 1973, 3, 610–621. [CrossRef]

18. Tommy, L.; Patrik, B.; Thomas, A.; Tufve, N.; Anders, G. Halli tasemel muutumatud Haralicki tekstuuri omadused. PLoS ONE 2019, 14, e0212110.

19. Farizawani, AG; Puteh, M.; Marina, Y.; Rivaie, A. Ülevaade kunstliku närvivõrgu õppimisreeglist, mis põhineb mitmel konjugeeritud gradiendi lähenemisviisil. J. Phys. Konf. Ser. 2020, 1529, 022040. [CrossRef]

20. Igbinedioon, BO; Okaka, E. Krooniline neeruhaigus: sonograafilised/kliinilised leiud Benini ülikooli õppehaiglas. Ann. Biomed. Sci. 2017, 16, 60–69.

21. Prashanth, KS; Ravi, N.; Chandrashekar, HM Neeru parenhüümi muutuste sonograafiline klassifitseerimine ja selle võrdlus hinnangulise glomerulaarfiltratsiooni kiirusega (EGFR), kasutades modifitseeritud dieeti neeruhaiguse valemis. Int. J. Contemp. Med. Surg. Radiol. 2020, 5, B13–B16.

22. Priyanka; Kumar, D. Funktsioonide ekstraheerimine ja neerude ultrahelipiltide valimine GLCM-i ja PCA abil. Procedia Comput. Sci. 2020, 167, 1722–1731. [CrossRef]

23. Kuo, CC; Chang, CM; Liu, KT; Lin, WK; Chiang, HY; Chung, CW; Ho, MR; Päike, PR; Yang, RL; Chen, KT Neerufunktsiooni ennustamise ja klassifitseerimise automatiseerimine ultrahelipõhise neerupildi abil, kasutades süvaõpet. NPJ number. Med. 2019, 2, 29. [CrossRef] [PubMed]