Klasifikacija kronične ledvične bolezni v sonografiji z uporabo GLCM in umetne nevronske mreže

Povzetek: Kronično ledvično bolezen (CKD) je mogoče zdraviti, če jo odkrijemo zgodaj, vendar z napredovanjem bolezni postane okrevanje nemogoče.Sčasoma je potrebno nadomestno ledvično zdravljenje, kot je presaditev ali dializa. Ultrazvok je testna metoda za diagnosticiranje ledvičnega raka, vnetne bolezni, nodularne bolezni, kronične ledvične bolezni itd. Uporablja se za določanje stopnje vnetja z uporabo informacij, kot so velikost ledvice in značilnosti notranjega odmeva. Stopnja napredovanja kronične ledvične bolezni v trenutnem kliničnem preskušanju temelji na vrednosti hitrosti glomerularne filtracije. Spremembe v stopnji vnetja in bolezni pa lahko opazujemo celo z ultrazvokom. V tej študiji je bilo testiranih skupno 741 slik, 251 normalnih slik ledvic, 328 slik blage in zmerne kronične ledvične bolezni in 162 slik hude kronične ledvične bolezni. Za diagnosticiranje kronične ledvične bolezni v klinični praksi so bile določene tri ROI: ledvična skorja, meja med skorjo in medulo ter medula, ki so območja, pregledana za pridobivanje informacij iz ultrazvočnih slik. Parametri so bili ekstrahirani iz vsake ROI z uporabo algoritma GLCM, ki se pogosto uporablja pri analizi ultrazvočne slike. Ko je bil vsak parameter ekstrahiran iz treh področij, je bilo ekstrahiranih skupno 57 parametrov GLCM. Nazadnje smo uporabili skupno 58 parametrov z dodajanjem podatka o velikosti ledvice, ki je pomemben za diagnozo kronične ledvične bolezni. Umetna nevronska mreža (ANN) je bila sestavljena iz 58 vhodnih parametrov, 10 skritih plasti in 3 izhodnih plasti (normalna, blaga in zmerna kronična ledvična bolezen ter huda kronična ledvična bolezen). Z uporabo modela ANN je bila končna stopnja klasifikacije 95,4 odstotka, epoha, potrebna za usposabljanje, je bila 38-kratna, stopnja napačne klasifikacije pa 4,6 odstotka.

Učinkovitost Cistanche deserticola - toniziranje ledvic

Ključne besede: ultrazvok ledvic; matrika sočasnih pojavov na ravni sive (GLCM); umetna nevronska mreža; klasifikacija; kronična ledvična bolezen (CKD)

1. Uvod

Kronična ledvična bolezen (CKD) narašča s staranjem prebivalstva in naraščanjem kroničnih bolezni. V mnogih državah je to zaskrbljujoča zdravstvena težava, ki povzroča visoko razširjenost in incidenco možganske kapi, srčnih bolezni in zapletov, kot so sladkorna bolezen in okužbe, ter povišanje zdravstvenih stroškov.[1,2]. Kronična ledvična bolezen se uporablja kot splošen izraz, ki se nanaša na ledvično okvaro, ki traja več kot 3 mesece, ali stalno zmanjšanje ledvične funkcije ne glede na vzrok. Gre za bolezen, ki poveča tveganje za srčno-cerebrovaskularno bolezen in jo spremljajo odpoved ledvic in razni zapleti [3,4]. Nacionalna fundacija za ledvice (NKF) pogosto uporablja naslednjo definicijo kronične ledvične bolezni: "če je okvara ledvic, kot je proteinurija, hematurija ali patološka nepravilnost, ali hitrost glomerularne filtracije manjša od 60 ml/min/1,73 m2 in traja več kot 3 mesece« [5]. Kronična ledvična bolezen ima različne vzroke in patološke izvide, vendar jo je klinično mogoče razmeroma preprosto potrditi s testom urina za odkrivanje proteinurije in krvnim testom za oceno hitrosti glomerularne filtracije. Na kliničnem področju je stopnja kronične ledvične bolezni razdeljena na pet stopenj od 1. do 5. stopnje glede na ocenjeno hitrost glomerularne filtracije za diagnosticiranje in zdravljenje bolnikov. Za kronično ledvično bolezen lahko rečemo, da je relativno pogosta kronična bolezen, vendar v primerjavi z drugimi kroničnimi boleznimi, kot sta visok krvni tlak in sladkorna bolezen, ozaveščenost splošne javnosti ni visoka [6]. Ker jo je mogoče zlahka diagnosticirati s sorazmerno preprostim testom, lahko zgodnja diagnoza z zgodnjim zdravljenjem upočasni napredovanje bolezni. Ker pa simptomi niso jasni, se bolezen pogosto odkrije po daljšem časovnem obdobju, kar povzroči odpoved ledvic ali celo smrt zaradi zapletov, kot je srčno-žilna bolezen. Na splošno kronična ledvična bolezen še naprej napreduje, ko se pojavi. Vendar lahko zgodnja diagnoza upočasni upadanje delovanja ledvic in okrevanje po kronični ledvični bolezni [7].

Ultrazvok, ki je ena od metod za diagnosticiranje kronične ledvične bolezni, je zelo pomemben za preverjanje, ali je delovanje ledvic zmanjšano zaradi drugih vzrokov, kot sta velikost in morfologija ledvice. [8].

Puščavska živa cistanča – tonizirajoča ledvica

(Eksperimentalne študije so pokazale, da izvleček Cistanche deserticola lahko zaščiti ledvične tubularne celice, prepreči ledvične intersticijske lezije, upočasni stopnjo ledvične odpovedi in učinkovito prepreči sekundarne bakterijske okužbe pri bolnikih s kronično ledvično odpovedjo. Ima terapevtske učinke pri kronični in akutni bolezni ledvic.)

Algoritem GLCM, ki ekstrahira značilne točke s poudarjanjem prostorskih značilnosti v takšnih ultrazvočnih slikah, se pogosto uporablja pri analizi ultrazvočne slike z uporabo korelacije med trenutno slikovno piko in vrednostjo svetlosti njenih sosednjih slikovnih pik [9].

Samodejno odkrivanje bolezni z uporabo slik, kot je ultrazvočna grafika, z računalniškimi metodami je bilo v zadnjih letih zelo pomembno, zlasti po izdelavi računalniško podprtih diagnostičnih sistemov (CAD) [10,11].

Umetne nevronske mreže (ANN) se običajno uporabljajo za oblikovanje statističnih modelov za računalniško analizo. Umetna nevronska mreža (ANN) ali preprosta nevronska mreža (NN) je računalniška struktura, ki temelji na delovanju bioloških nevronov. Omrežja te vrste imajo sposobnost učenja in prepoznavanja vzorcev na podlagi vhodnih informacij ter uporabo teh vzorcev za napovedovanje prihodnjih informacij z ekstrapolacijo naučenih podatkov. Te nevronske mreže so sestavljene iz majhnih procesnih enot, imenovanih nevroni, povezanih med seboj v skupine, imenovane plasti; skupna nevronska mreža ima vsaj eno vhodno plast, eno skrito plast in eno izhodno plast [12].

V tem prispevku so bili različni parametri pridobljeni z uporabo algoritma GLCM za ultrazvočne slike, razvrščene kot normalne slike ledvic, slike blage in zmerne kronične ledvične bolezni ter slike hude kronične ledvične bolezni. Kronična ledvična bolezen je bila razvrščena z uporabo umetne nevronske mreže z uporabo parametrov GLCM in velikosti ledvic. Namen te študije je razvrstiti kronično ledvično bolezen v tri kategorije, da bi ugotovili, ali je možna zgodnja diagnoza kronične ledvične bolezni.

Superman herbs cistanche – tonizirajoče ledvice

Kliknite tukaj za ogled izdelkov Cistanche za zdravljenje bolezni ledvic

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

2. Materiali in metode

2.1. Predmeti in pridobivanje podatkov

Od januarja 2015 do decembra 2017 je bil poskus izveden z uporabo ultrazvočnih slik prostovoljcev, ki so obiskali bolnišnico zaradi zdravniškega pregleda v bolnišnici R v Yangsanu, Gyeong-sang-nam-do, in bolnikov z diagnozo KLB.

Tabela 1 prikazuje klinične značilnosti preiskovancev. Uporabljenih je bilo skupno 741 ultrazvočnih slik, vključno z 251 normalnimi slikami, 328 slikami blage in zmerne kronične ledvične bolezni in 162 slikami hude kronične ledvične bolezni, ki jih je razvrstil zdravnik. Radiologi so eksperimentalne slike razvrstili na slike bolnikov z blago in zmerno kronično ledvično boleznijo ter bolnikov s hudo kronično ledvično boleznijo z branjem, primeri z rakom ledvic, ledvičnimi cistami in prirojenimi boleznimi ledvic pa so bili izključeni iz poskusa [13].

Kar zadeva eksperimentalno opremo, je bila uporabljena ultrazvočna naprava RS80A (Samsung Medison, Seul, Koreja), pogoji slike pa so bili pridobljeni z ojačanjem 50, dinamičnim razponom 56, povprečjem okvirja 8, močjo 95 in splošno frekvenco. Vsi testi so bili izvedeni s prostovoljnim sodelovanjem in jih je odobril Institucionalni revizijski odbor (IRB) Katoliške univerze v Busanu (CUPIRB-2017-023).

Tabela 1 prikazuje podatke o starosti, spolu, eGFR, hipertenziji in sladkorni bolezni testirancev.

Tabela 1. Klinične značilnosti.

2.2. Eksperimentalna metoda

Območje zanimanja (ROI) je bilo nastavljeno na ultrazvočni sliki ledvice, rezultat pa je bil izračunan z uporabo MATLAB 2016a (MathWorks Inc., Natick, MA, ZDA). ROI je bil izbran z nastavitvijo kortikalne regije, mejne regije med skorjo in medulo ter regije medule. Na ultrazvočni sliki so značilnosti normalne ledvice v obliki ovala, sestavljenega iz ledvične skorje, ki kaže nizek odmev v primerjavi z jetri, in ledvičnega sinusa, ki kaže visok odmev. Meja med skorjo in ledvičnim sinusom je jasna, v središču je viden visok odmev. Po drugi strani pa se v ledvicah, ki so stalno poškodovane, poveča ultrazvočni odmev ledvične skorje zaradi fibroze. Posledično je meja med osvetljeno ledvično skorjo in ledvično skorjo nejasna. Poleg tega se zaradi zmanjšanja delovanja zmanjša velikost in opazimo atrofijo ledvic [14]. Ker se te lastnosti uporabljajo pri diagnozi kronične ledvične bolezni, je bilo območje ROI nastavljeno na 50 × 50 in nastavljeno na 3 lokacije. Naslednja slika prikazuje normalne, zmerne in hude ultrazvočne slike ločljivosti 872 × 1280, uporabljene v tej študiji. Slika 1 prikazuje normalne, blage in zmerne ter hude ultrazvočne slike CKD.

Slika 1. Izvirne slike.

Slika 2 prikazuje celoten blokovni diagram tega poskusa.

Na izvirni ultrazvočni sliki sta bili izvedeni izenačitev histograma in predobdelava filtra obsega. Izenačitev histograma lahko izboljša kakovost slike tako, da naredi porazdelitev svetlobe in teme na sliki enakomerno [15]. Filter obsega lahko povzroči učinek zmanjšanja šuma tako, da poudari mejo slike [16]. Po opravljeni predobdelavi so bili parametri lastnosti ekstrahirani z uporabo algoritma GLCM. Iz vsake od treh regij na sliki 1 je bilo ekstrahiranih skupno 19 parametrov. Izvirne slike. Slika 2 prikazuje celoten blokovni diagram tega poskusa. Na izvirni ultrazvočni sliki sta bili izvedeni izenačitev histograma in predobdelava filtra obsega. Izenačitev histograma lahko izboljša kakovost slike tako, da naredi porazdelitev svetlobe in teme na sliki enakomerno [15]. Filter obsega lahko povzroči učinek zmanjšanja šuma tako, da poudari mejo slike [16]. Po opravljeni predobdelavi so bili parametri lastnosti ekstrahirani z uporabo algoritma GLCM. Iz vsake od treh regij skorje, meje med skorjo in medulo ter medulo, je bilo ekstrahiranih skupno 19 parametrov, na koncu pa so bile informacije o velikosti združene za določitev skupno 58 vhodnih parametrov.

Konstruirana je bila umetna nevronska mreža z 10 skritimi plastmi, izhod pa je bil zasnovan tako, da se razvrsti v tri vrste: normalna, blaga in zmerna kronična ledvična bolezen ter huda kronična ledvična bolezen.

Slika 2. Celotni blokovni diagram obdelave slike.

2.3. Matrika sočasnih pojavov na ravni sive (GLCM)

GLCM [17], deskriptor teksture, se uporablja za izračun statističnih značilnosti drugega reda iz običajnih slik in slik CKD. Če upoštevamo sliko I z velikostjo M × N in Ng številom različnih ravni sivine, se variacije teksture izračunajo z uporabo matrike prostorske odvisnosti sivih tonov p (i, j), kjer so slikovne pike ločene z razdaljo d pri i-to in j-to sivo stopnjo. V tem delu so bili obravnavani štirje koti (0◦, 45◦, 90◦ in 135◦) z razdaljo slikovnih pik 1. Statistične značilnosti drugega reda (avtokorelacija, kontrast, korelacija, prominentnost grozda, senca grozda, različnost, energija, entropija, homogenost, največja verjetnost, varianca vsote kvadratov, povprečje vsote, varianca vsote, entropija vsote, varianca razlike, entropija razlike, informacijska mera korelacije 1, informacijska mera korelacije 2 in inverzna razlika (INV)) so bile izračunane z uporabo GLCM. Slika 3a prikazuje rezultat, implementiran z uporabo MATLAB za pridobitev parametrov GLCM. Če izberete območje ROI in zaženete, se shrani kot Excelova datoteka, kot je prikazano na sliki 3b

Slika 3. Izvedba programa.

Tabela 3 prikazuje parametre, ki jih je mogoče ekstrahirati pri izračunu GLCM z uporabo slike ROI. Tabela 1 prikazuje spremenljivke in zapise, ki se uporabljajo za izračun funkcij teksture, ki so parametri GLCM.

Tabela 2. Spremenljivke in zapisi, uporabljeni za izračun značilnosti teksture.

2.4. Umetna nevronska mreža (ANN)

ANN je element strojnega učenja, ki je trenutno postal pomemben v raziskavah in razvoju. Koncept strojnega učenja je zmožnost računalnika, da razume strukturo podatkov z uporabo matematičnega ali statističnega modela. Osnova ANN je sestavljena iz ene same plasti vhodnih, procesnih in izhodnih elementov. Kot rezultat, iz zelo osnovnega koncepta cikla obdelave informacij, ANN nato izvede kompleksno matematično formulacijo, da proizvede optimalen rezultat za kateri koli nabor podatkov ali problemski segment [19].

Slika 4 prikazuje blokovni diagram nevronske mreže, uporabljene v tem poskusu. ROI je bil izbran med 3 lokacijami za zaznavanje funkcij na izvirni sliki.

ROI je bil izbran iz skorje, meje med skorjo in medulo ter medulo. Kot značilni parameter smo izbrali velikost ledvice, ki je zelo pomemben dejavnik pri diagnozi kronične ledvične bolezni. Kot rezultat izračuna GLCM je bilo iz vsake regije skorje ekstrahiranih 19 parametrov; to je meja med skorjo in medulo ter medulo (tabela 3). Poleg tega je z dodajanjem velikosti ledvice kot parametra vhodna plast sestavljena iz skupno 58 vozlišč. Po prehodu skozi 10 skritih plasti je bila izhodna plast razvrščena v tri vrste: normalna, blaga in zmerna KLB ter huda KLB.

Slika 4. Klasifikacija izhoda na podlagi modela ANN.

Tabela 3. Parametri GLCM

3. Rezultati

Implementacija predprocesiranja slike, algoritma GLCM in umetne nevronske mreže je bila izvedena s pomočjo MATLAB R2016a. To orodje ponuja uporabniku prijazen vmesnik in ima številne vgrajene funkcije, zato je v njem enostavno implementirati algoritme. Za to študijo je bil uporabljen Windows 10 (64-bit) s 3,60 GHz procesorjem Intel i9 in 64 GB RAM-a.

algoritem GLCM. Sredstva funkcij so bila pridobljena z uporabo GLCM

Slika 5. Izbira ROI.

Slika 6 prikazuje rezultate uporabe izenačitve histograma na območju ROI med postopkom ponovne obdelave.

Slika 6. Rezultati predprocesiranja: (a) izenačitev histograma; (b) filter območja.

Po predhodni obdelavi ameriških slik so bile statistične značilnosti teksture ekstrahirane z uporabo algoritma GLCM. Sredstva značilnosti so bila pridobljena z uporabo GLCM glede na štiri različne orientacije, ki so bile izračunane. Tabele 4–7 prikazujejo rezultate GLCM za korteks, mejo med skorjo in medulo oziroma medulo. Tabela 7 prikazuje velikost ledvice, ki je normalna in z blago in zmerno KLB ter hudo KLB.

Tabela 4. Vrednosti GLCM značilnosti korteksa (povprečje ± STD).

Tabela 5. Vrednosti značilnosti GLCM meje med skorjo in medulo (povprečje ± STD).

Tabela 6. Vrednosti značilnosti GLCM medule (povprečje ± STD).

Tabela 7. Velikost normalne ledvice in tiste z blago in zmerno kronično ledvično boleznijo ter hudo kronično ledvično boleznijo (povprečje ± STD).

Slika 7 prikazuje rezultat ANN, sestavljenega iz 64 vhodov, 10 skritih plasti in 3 izhodov. Na sliki 7a je bil rezultat usposabljanja 95,6 odstotka, rezultat validacije 97,3 odstotka in rezultat testa 85,7 odstotka. Izvedeno modeliranje ima napako 0,030511, kot je prikazano na sliki 7b. Z uporabo tega modela ANN je bila končna stopnja razvrstitve 95,4 odstotka. Slika 8 prikazuje krivuljo ROC za rezultate.

Slika 7. Rezultati ANN.

Slika 8. ROC krivulja rezultatov.

4. Razprava

Po vsem svetu število bolnikov s kronično ledvično boleznijo izjemno hitro narašča. Kronična ledvična bolezen je še posebej pogosto opažena v povezavi s sladkorno boleznijo, visokim krvnim tlakom in starostjo, vendar je Koreja v zadnjem času postala starajoča se družba in število bolnikov z visokim krvnim tlakom in sladkorno boleznijo se je povečalo zaradi zahodnjaškega načina življenja; poleg tega približno 10 odstotkov odraslega prebivalstva trpi za kronično ledvično boleznijo in je staro 60 let ali več. Pojavnost kronične ledvične bolezni strmo narašča. Ta pojav pomeni, da se poveča tudi število bolnikov, ki potrebujejo dializo ali presaditev ledvice zaradi kronične ledvične bolezni, in ko se poveča število bolnikov s končno ledvično odpovedjo, je velika izguba neizogibna tako v socialnem kot in nacionalnih kontekstih ter pri posameznih bolnikih in družinah [2].

Kitajsko zelišče cistanche – tonificiranje ledvic

(Eksperimentalne študije so pokazale, da lahko različne sestavine Cistanche deserticola učinkovito uravnavajo in obnavljajo ledvične žleze z zadostno ledvično močjo, ki neposredno krepi delovanje mitohondrijev telesne tovarne energije, nenehno ustvarja energijo, ohranja telo v vznemirjenem stanju, izboljšuje odpornost na mraz in zmanjšanje utrujenosti.)

V tej študiji so bili skorja ledvic, meja med skorjo in medulo ter medula določeni kot ROI za diagnosticiranje kronične ledvične bolezni na ultrazvočnih slikah. Parametri so bili ekstrahirani iz vsake regije ROI z uporabo algoritma GLCM, ki se pogosto uporablja pri analizi ultrazvočne slike. Parametri so avtokorelacija, kontrast, korelacija, prominenca grozda, senca grozda, različnost, energija, entropija, homogenost, največja verjetnost, vsota kvadratov variance, vsota povprečja, vsota variance, vsota entropije, razlika variance, razlika entropije, informacijska mera korelacija 1, informacijska mera korelacije 2 in inverzna razlika (INV). Ko je bil vsak parameter ekstrahiran iz treh področij, je bilo ekstrahiranih skupno 57 parametrov GLCM. Nazadnje smo uporabili skupno 58 parametrov z dodajanjem podatka o velikosti ledvice, ki je pomemben za diagnozo kronične ledvične bolezni. Z izgradnjo ANN, ki je metoda strojnega učenja, je bilo testiranih skupno 58 vhodnih parametrov. Vhodni parametri so bili nastavljeni na 58, skrita plast pa je bila nastavljena na 10. Ker 10 ali več skritih plasti ni imelo učinka na stopnjo razvrščanja, je bil poskus izveden z 10 skritimi plastmi. Trije rezultati, ki jih je bilo treba razvrstiti, so bili normalna, blaga in zmerna KLB ter huda KLB. Menijo, da je bila stopnja razvrščanja rezultata, ki ga je treba razvrstiti, povečana z uporabo vseh 58 vhodnih parametrov. Natančnost klasifikacije je bila 95,4 odstotka, epoha, potrebna za usposabljanje, je bila 38-kratna, stopnja napačne klasifikacije pa 4,6 odstotka. V tem poskusu so bile razvrščene tri vrste stanj, in sicer normalna, blaga, zmerna KLB in huda KLB, vendar je potrebna nadaljnja podrobna klasifikacija bolezenskih stanj. Poleg tega je bil eksperiment izveden z zajemom 741 podatkovnih postavk, kar je zato, ker količina podatkov ni velika; tako je bila izbrana metoda strojnega učenja. Ko pridobimo veliko količino podatkov, načrtujemo uporabo metode globokega učenja po pridobitvi več podatkov. Za klinično uporabo je treba diverzificirati vrste klasifikacije. Ko je izvedeni rezultat na voljo ultrazvočni opremi, ga je treba nadgraditi s povratnimi informacijami sonografista.

5. Sklepi

Kronično ledvično bolezen je mogoče zdraviti, če jo odkrijemo zgodaj,Cistanche deserticola je dober način za tonificiranje ledvic. Cistanche deserticola lahko kombinirate z goji jagodami in Cynomorium solarium za kuhanje in pitje, kar dobro vpliva na tonificiranje ledvic. Cistanche deserticola ma se v glavnem uporablja za zdravljenje bolečin in šibkosti pasu in kolen, ki jih povzroča pomanjkanje janga v ledvicah, kar ima učinek tonifikacije ledvic in ima določen lajšalni učinek na zgodnjo ledvično bolezen.

Učinkovitost Cistanche deserticola - tonificiranje ledvic

Ko pa bolezen napreduje, postane okrevanje nemogoče. Sčasoma je treba uporabiti nadomestno zdravljenje ledvic, kot je presaditev ali dializa. Z drugimi besedami, kronično ledvično bolezen je ključnega pomena odkriti in zdraviti v zgodnjih fazah. Ultrazvok je testna metoda za diagnosticiranje ledvičnega raka, vnetne bolezni, nodularne bolezni, kronične ledvične bolezni itd., uporablja pa se za preverjanje informacij o stopnji vnetja z uporabo informacij, kot so velikost ledvice in značilnosti notranjega odmeva.

V tej študiji so bile v 741 primerih uporabljene ultrazvočne slike, vključno z 251 normalnimi slikami ledvic, 328 slikami blage in zmerne bolezni ledvic in 162 slikami hude ledvične bolezni. Za diagnosticiranje kronične ledvične bolezni v klinični praksi so bile postavljene tri ROI, in sicer ledvična skorja, meja med skorjo in medulo ter medula, ki so področja, ki jih pregledamo za pridobivanje informacij iz ultrazvočnih slik. Parametri so bili ekstrahirani iz vsake ROI z uporabo algoritma GLCM, ki se pogosto uporablja pri analizi ultrazvočne slike. Ko je bil vsak parameter ekstrahiran iz treh področij, je bilo ekstrahiranih skupno 57 parametrov GLCM. Nazadnje smo uporabili skupno 58 parametrov z dodajanjem podatka o velikosti ledvice, ki je pomemben za diagnozo kronične ledvične bolezni. ANN je bil sestavljen iz 58 vhodnih parametrov, 10 skritih plasti in 3 izhodnih plasti (normalna, blaga in zmerna kronična ledvična bolezen ter huda kronična ledvična bolezen). Z uporabo modela ANN je bila končna stopnja klasifikacije 95,4 odstotka, epoha, potrebna za usposabljanje, je bila 38-kratna, stopnja napačne klasifikacije pa 4,6 odstotka. Verjamemo, da je ta eksperiment lahko osnova za uvedbo avtomatskega diagnostičnega sistema na področju diagnostike kronične ledvične bolezni s pomočjo ultrazvočnih slik. Poleg tega naj bi imela uporaba eksperimentalnih rezultatov pomembno vlogo pri kliničnem odločanju, vključno z zgodnjo diagnozo in zdravljenjem kronične ledvične bolezni.

Reference

1. Irina, L.; Flávio, R.; Idalina, B.; Rui, A.; Luis, B.; Alice, SS Novi potencialni biomarkerji za obvladovanje kronične ledvične bolezni – pregled literature. Int. J. Mol. Sci. 2021, 22, 43.

2. Couser, WG; Remuzzi, G.; Mendis, S.; Tonelli, M. Prispevek kronične ledvične bolezni k globalnemu bremenu večjih nenalezljivih bolezni. Kidney Int. 2011, 80, 1258–1270. [CrossRef]

3. Cañadas-Garre, M.; Anderson, K.; McGoldrick, J.; Maxwell, AP; McKnight, AJ Proteomski in metabolomični pristopi pri iskanju biomarkerjev pri kronični ledvični bolezni. J. Proteom. 2019, 193, 93–122. [CrossRef]

4. Lovey, AS; Eckardt, KU; Tsukamoto, Y.; Levin, A.; Coresh, J.; Rossert, J.; de Zeeuw, D.; Hostetter, TH; Lameire, N.; Eknoyan, G. Definicija in klasifikacija kronične ledvične bolezni: izjava o stališču iz Bolezen ledvic: izboljšanje globalnih rezultatov (KDIGO). Kidney Int. 2005, 67, 2089–2100. [CrossRef]

5. Komenda, P.; Rigatto, C.; Tangri, N. Presejalne strategije za neprepoznano KLB. Clin. J. Am. Soc. Nefrol. 2016, 11, 925–927. [CrossRef] [PubMed]

6. Lee, HS; Jang, HB; Yoo, MG; Park, SI; Lee, HJ Metaboliti aminokislin, povezani s kronično ledvično boleznijo: osemletna korejska epidemiološka študija. Biomedicines 2020, 8, 222. [CrossRef]

7. Hewadikaram, D.; Bandara, M.; Pattividana, AN; Jayaweera, H. Nova ultrazvočna tehnika za odkrivanje zgodnje kronične ledvične bolezni. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Jovanović, D.; Gašič, B.; Pavlovič, S.; Naumovič, R. Korelacija velikosti ledvic z delovanjem ledvic in antropometričnimi parametri pri zdravih osebah in bolnikih s kroničnimi ledvičnimi boleznimi. Ren. neuspeh. 2013, 35, 896–900. [CrossRef]

9. Gao, S.; Peng, Y.; Guo, H.; Liu, W.; Gao, T.; Xu, Y.; Tang, X. Analiza teksture in klasifikacija ultrazvočnih slik jeter. Biome. Mater. inž. 2014, 24, 1209–1216. [CrossRef] [PubMed]

10. Saleem, ZR Metode, uporabljene pri računalniško podprti diagnostiki za odkrivanje raka dojke z uporabo mamografov: pregled. J. Healthc. inž. 2020, 2020, 9162464.

11. Fujita, H.; Ti, J.; Li, Q.; Arimura, H. Najsodobnejša računalniško podprta detekcija/diagnoza (CAD). V zborniku ICMB 2010, Hongkong, Kitajska, 28.–30. junij 2010; Zvezek 6165, str. 296–305.

12. Jang, JSR; Sonce, CT; Mizutani, E. Nevro-mehko in mehko računalništvo – računalniški pristop k učenju in strojni inteligenci. IEEE Trans. Avtom. Nadzor 1997, 42, 1482–1484. [CrossRef]

13. Abiss, H.; Maker, GL; Trengove, RD Metabolomični pristopi za diagnozo in razumevanje bolezni ledvic. Metaboliti 2019, 9, 34. [CrossRef]

14. Hansen, KL; Nielsen, MB; Ewertsen, C. Ultrasonografija ledvic: slikovni pregled. Diagnostics 2016, 6, 2. [CrossRef] [PubMed]

15. Singh, P.; Mukundan, R.; De Ryke, R. Izboljšanje funkcij v videoposnetkih medicinskega ultrazvoka z uporabo kontrastno omejenega prilagodljivega izenačevanja histograma. J. Digit. Imaging 2020, 33, 273–285. [CrossRef] [PubMed]

16. Jassim, FA Odstranjevanje šuma slike z uporabo filtra interkvartilnega razpona z lokalnim povprečenjem. Int. J. Mehko računalništvo. inž. 2013, 2, 424–428.

17. Haralick, RM; Dinstein, I.; Shanmugamm, K. Teksturne značilnosti za klasifikacijo slik. IEEE Trans. Syst. Človek Cybern. 1973, 3, 610–621. [CrossRef]

18. Tommy, L.; Patrik, B.; Thomas, A.; Tufve, N.; Anders, G. Značilnosti Haralick teksture, nespremenljive na ravni sive. PLoS ONE 2019, 14, e0212110.

19. Farizawani, AG; Puteh, M.; Marina, Y.; Rivaie, A. Pregled pravila učenja umetne nevronske mreže, ki temelji na več variantah konjugiranih gradientnih pristopov. J. Phys. konf. Ser. 2020, 1529, 022040. [CrossRef]

20. Igbinedion, BO; Okaka, E. Kronična ledvična bolezen: sonografske/klinične ugotovitve v učni bolnišnici Univerze v Beninu. Ann. Biomed. Sci. 2017, 16, 60–69.

21. Prashanth, KS; Ravi, N.; Chandrashekar, HM Sonografsko razvrščanje sprememb ledvičnega parenhima in njegova primerjava z ocenjeno hitrostjo glomerularne filtracije (EGFR) z uporabo modificirane prehrane v formuli za ledvično bolezen. Int. J. Contemp. med. Surg. Radiol. 2020, 5, B13–B16.

22. Priyanka; Kumar, D. Ekstrakcija in izbira ultrazvočnih slik ledvic z uporabo GLCM in PCA. Procedia Comput. Sci. 2020, 167, 1722–1731. [CrossRef]

23. Kuo, CC; Chang, CM; Liu, KT; Lin, WK; Chiang, HY; Chung, CW; Ho, MR; Sonce, PR; Yang, RL; Chen, KT Avtomatizacija napovedi ledvične funkcije in razvrščanja z ultrazvočnim slikanjem ledvic z uporabo globokega učenja. Številka NPJ. med. 2019, 2, 29. [CrossRef] [PubMed]