Klassificering af kronisk nyresygdom i sonografi ved hjælp af GLCM og kunstigt neuralt netværk

Abstrakt: Kronisk nyresygdom (CKD) kan behandles, hvis den opdages tidligt, men efterhånden som sygdommen skrider frem, bliver bedring umulig.Til sidst er nyreudskiftningsterapi såsom transplantation eller dialyse nødvendig. Ultralyd er en testmetode, hvormed man kan diagnosticere nyrekræft, inflammatorisk sygdom, nodulær sygdom, kronisk nyresygdom osv. Den bruges til at bestemme graden af ​​inflammation ved hjælp af information som nyrestørrelse og interne ekkokarakteristika. Graden af ​​progression af kronisk nyresygdom i det aktuelle kliniske forsøg er baseret på værdien af ​​den glomerulære filtrationshastighed. Ændringer i graden af ​​inflammation og sygdom kan dog endda observeres med ultralyd. I denne undersøgelse blev i alt 741 billeder, 251 normale nyrebilleder, 328 billeder af mild og moderat CKD og 162 billeder af alvorlig CKD testet. For at diagnosticere CKD i klinisk praksis blev der sat tre ROI'er: cortex i nyren, grænsen mellem cortex og medulla og medulla, som er områder, der er undersøgt for at få information fra ultralydsbilleder. Parametre blev ekstraheret fra hvert ROI ved hjælp af GLCM-algoritmen, som er meget udbredt i ultralydsbilledanalyse. Når hver parameter blev ekstraheret fra de tre områder, blev i alt 57 GLCM-parametre ekstraheret. Endelig blev der brugt i alt 58 parametre ved at tilføje information om nyrens størrelse, hvilket er vigtigt for diagnosticering af kronisk nyresygdom. Det kunstige neurale netværk (ANN) var sammensat af 58 inputparametre, 10 skjulte lag og 3 outputlag (normal, mild og moderat CKD og svær CKD). Ved at bruge ANN-modellen var den endelige klassificeringsrate 95,4 procent, den nødvendige epoke til træning var 38 gange, og fejlklassificeringsraten var 4,6 procent.

Cistanche deserticola-effektivitet - Tonificerende nyre

Nøgleord: nyre ultralyd; grå-niveau co-currence matrix (GLCM); kunstigt neurale netværk; klassifikation; kronisk nyresygdom (CKD)

1. Introduktion

Kronisk nyresygdom (CKD) er stigende med befolkningens aldring og stigningen i kroniske sygdomme. I mange lande er det et bekymrende sundhedsproblem, der forårsager en høj forekomst og forekomst af slagtilfælde, hjertesygdomme og komplikationer såsom diabetes og infektioner samt stigninger i lægeudgifter[1,2]. Kronisk nyresygdom bruges som en generel betegnelse, der refererer til nyreskade i mere end 3 måneder eller et kontinuerligt fald i nyrefunktionen uanset årsagen. Det er en sygdom, der øger risikoen for hjerte-kar-sygdomme og er ledsaget af nyresvigt og forskellige komplikationer [3,4]. Den følgende definition af kronisk nyresygdom er meget brugt af National Kidney Foundation (NKF): "hvis nyreskaden, såsom proteinuri, hæmaturi eller patologisk abnormitet, eller glomerulær filtrationshastighed er mindre end 60 ml/min/1,73 m2 og varer i mere end 3 måneder" [5]. Kronisk nyresygdom har forskellige årsager og patologiske fund, men klinisk kan det bekræftes relativt simpelt gennem en urintest for at påvise proteinuri og en blodprøve for at estimere den glomerulære filtrationshastighed. På det kliniske område er stadiet af kronisk nyresygdom opdelt i fem stadier fra stadie 1 til stadie 5 i henhold til den estimerede glomerulære filtrationshastighed til diagnosticering og behandling af patienter. Kronisk nyresygdom kan siges at være en forholdsvis almindelig kronisk sygdom, men sammenlignet med andre kroniske sygdomme som forhøjet blodtryk og diabetes, er den brede offentligheds bevidsthed ikke høj [6]. Fordi det let kan diagnosticeres gennem en relativt simpel test, kan tidlig diagnose bremse udviklingen af ​​sygdommen gennem tidlig behandling. Men fordi symptomerne ikke er tydelige, diagnosticeres sygdommen ofte efter en lang periode, hvilket fører til nyresvigt eller endda død på grund af komplikationer såsom kardiocerebrovaskulær sygdom. Generelt fortsætter kronisk nyresygdom med at udvikle sig, når den først opstår. Tidlig diagnose kan dog bremse nedgangen i nyrefunktionen og bedring af kronisk nyresygdom [7].

Ultralyd, som er en af ​​metoderne til diagnosticering af kronisk nyresygdom, er meget vigtig for at kontrollere, om nyrefunktionen er nedsat på grund af andre årsager, såsom nyrens størrelse og morfologi [8].

Ørken levende cistanche - Tonificerende nyre

(Eksperimentelle undersøgelser har vist, at Cistanche deserticola-ekstrakt kan beskytte renale tubulære celler, forhindre nyre-interstitielle læsioner, sænke hastigheden af ​​nyresvigt og effektivt forhindre sekundære bakterielle infektioner hos patienter med kronisk nyresvigt. Det har terapeutisk effekt på både kronisk og akut nyre sygdom.)

GLCM-algoritmen, som uddrager trækpunkter ved at fremhæve rumlige karakteristika i sådanne ultralydsbilleder, er meget brugt i ultralydsbilledanalyse ved at bruge korrelationen mellem den aktuelle pixel og lysstyrkeværdien af ​​dens nabopixels [9].

Den automatiske detektion af sygdomme ved hjælp af billeder såsom ultralydsgrafik via beregningsmetoder har været af stor betydning i de senere år, især efter oprettelsen af ​​computerstøttede diagnosesystemer (CAD'er) [10,11].

Kunstige neurale netværk (ANN'er) bruges normalt til at formulere statistiske modeller til computeranalyse. Et kunstigt neuralt netværk (ANN) eller et simpelt neuralt netværk (NN) er en beregningsstruktur baseret på biologiske neuroners funktion. Netværk af denne type har evnen til at lære og genkende mønstre baseret på inputinformationen og bruge disse mønstre til at forudsige fremtidig information ved at ekstrapolere de indlærte data. Disse neurale netværk består af små behandlingsenheder kaldet neuroner forbundet med hinanden i grupper kaldet lag; det fælles neurale netværk har mindst et inputlag, et skjult lag og et outputlag [12].

I dette papir blev forskellige parametre opnået ved at anvende GLCM-algoritmen på ultralydsbilleder klassificeret som normale nyrebilleder, milde og moderate CKD-billeder og alvorlige CKD-billeder. Kronisk nyresygdom blev klassificeret ved at anvende et kunstigt neuralt netværk ved hjælp af GLCM-parametre og nyrestørrelse. Formålet med denne undersøgelse er at klassificere kronisk nyresygdom i tre kategorier for at afgøre, om tidlig diagnose af kronisk nyresygdom er mulig.

Superman urter cistanche - Tonificerende nyre

Klik her for at se produkter fra Cistanche for nyresygdom

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

2. Materialer og metoder

2.1. Emner og dataindsamling

Fra januar 2015 til december 2017 blev eksperimentet udført ved hjælp af ultralydsbilleder af frivillige, der besøgte hospitalet til lægeundersøgelse på R Hospital i Yangsan, Gyeong-sang-nam-do, og patienter diagnosticeret med CKD.

Tabel 1 viser forsøgspersonernes kliniske karakteristika. Der blev brugt i alt 741 ultralydsbilleder, herunder 251 normale billeder, 328 billeder af mild og moderat CKD og 162 billeder af alvorlig CKD, klassificeret af lægen. Radiologer klassificerede de eksperimentelle billeder i billeder af milde og moderate CKD-patienter og patienter med svær CKD ved at læse, og tilfælde med nyrekræft, nyrecyster og medfødte nyresygdomme blev udelukket fra eksperimentet [13].

Med hensyn til det eksperimentelle udstyr blev der brugt en RS80A (Samsung Medison, Seoul, Korea) ultralydsenhed, og billedbetingelserne blev opnået med en forstærkning på 50, dynamisk område på 56, billedgennemsnit på 8, effekt på 95 og generel frekvens. Alle tests blev udført under frivillig deltagelse og blev godkendt af Institutional Review Board (IRB) på det katolske universitet i Busan (CUPIRB-2017-023).

Tabel 1 viser information om testpersonernes alder, køn, eGFR, hypertension og diabetes.

Tabel 1. Kliniske karakteristika.

2.2. Eksperimentel metode

Regionen af ​​interesse (ROI) blev sat i ultralydsbilledet af nyren, og resultatet blev beregnet ved hjælp af MATLAB 2016a (MathWorks Inc., Natick, MA, USA). ROI blev valgt ved at indstille den kortikale region, grænseregionen mellem cortex og medulla og medulla-regionen. I ultralydsbilledet er karakteristikaene for den normale nyre i form af en oval sammensat af nyrebarken, som viser lavt ekko sammenlignet med leveren, og nyresinus, som viser højt ekko. Grænsen mellem cortex og renal sinus er klar, og et højt ekko i midten er synligt. På den anden side, i nyren, der kontinuerligt er beskadiget, øges ultralydsekkoet af nyrebarken på grund af fibrose. Som følge heraf er grænsen mellem den lysnede nyrebark og nyrebarken uklar observeret. På grund af faldet i funktion falder størrelsen desuden, og der observeres nyreatrofi [14]. Fordi disse funktioner bruges til diagnosticering af kronisk nyresygdom, blev ROI-området sat til 50 × 50 og sat til 3 steder. Den følgende figur viser de normale, moderate og svære ultralydsbilleder med en opløsning på 872 × 1280, der blev brugt i denne undersøgelse. Figur 1 viser normale, milde og moderate og svære CKD-ultralydbilleder.

Figur 1. Originalbilleder.

Figur 2 viser det overordnede blokdiagram af dette eksperiment.

Histogramudligning og områdefilterforbehandling blev udført på det originale ultralydsbillede. Histogramudligning kan forbedre kvaliteten af ​​et billede ved at gøre fordelingen af ​​lys og mørke i billedet ensartet [15]. Områdefilteret kan forårsage støjreduktionseffekten ved at fremhæve billedets grænse [16]. Efter forbehandling blev udført, blev funktionsparametre ekstraheret ved at anvende GLCM-algoritmen. I alt 19 parametre blev ekstraheret fra hver af de tre regioner i figur 1. Originale billeder. Figur 2 viser det overordnede blokdiagram af dette eksperiment. Histogramudligning og områdefilterforbehandling blev udført på det originale ultralydsbillede. Histogramudligning kan forbedre kvaliteten af ​​et billede ved at gøre fordelingen af ​​lys og mørke i billedet ensartet [15]. Områdefilteret kan forårsage støjreduktionseffekten ved at fremhæve billedets grænse [16]. Efter forbehandling blev udført, blev funktionsparametre ekstraheret ved at anvende GLCM-algoritmen. I alt 19 parametre blev ekstraheret fra hver af de tre regioner i cortex, grænsen mellem cortex og medulla og medulla, og endelig blev størrelsesinformationen kombineret for at bestemme i alt 58 inputparametre.

Et kunstigt neuralt netværk med 10 skjulte lag blev konstrueret, og outputtet blev designet til at blive klassificeret i tre typer: normal, mild og moderat CKD og svær CKD.

Figur 2. Samlet blokdiagram over billedbehandling.

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

GLCM [17], en teksturdeskriptor, bruges til at beregne andenordens statistiske træk fra normale billeder og CKD-billeder. I betragtning af et billede I med en størrelse på M × N og Ng antal forskellige gråniveauer, beregnes teksturvariationerne ved at bruge gråtonen rumlige afhængighedsmatrix p (i, j), hvor pixels er adskilt med en afstand d ved i-te og j-te gråniveauer. I dette nuværende arbejde blev fire vinkler (0◦, 45◦, 90◦ og 135◦) med en pixelafstand på 1 overvejet. Andenordens statistiske træk (autokorrelation, kontrast, korrelation, klyngeprominens, klyngefarve, ulighed, energi, entropi, homogenitet, maksimal sandsynlighed, kvadratsumsvarians, sumgennemsnit, sumvarians, sumentropi, differensvarians, differensentropi, informationsmål for korrelation 1, informationsmål for korrelation 2 og invers forskel (INV)) blev beregnet ved hjælp af GLCM. Figur 3a viser resultatet implementeret ved hjælp af MATLAB til at opnå GLCM-parametre. Hvis du vælger ROI-området og kører, gemmes det som en Excel-fil, som vist i figur 3b

Figur 3. Programimplementering.

Tabel 3 viser de parametre, der kan udtrækkes ved beregning af GLCM ved hjælp af et ROI-billede. Tabel 1 viser de variabler og notation, der bruges til at beregne teksturfunktioner, der er parametrene for GLCM.

Tabel 2. Variabler og notationer brugt til at beregne teksturegenskaberne.

2.4. Artificial Neural Network (ANN)

ANN er et element i maskinlæring, der i øjeblikket er blevet betydningsfuldt inden for forskning og udvikling. Begrebet maskinlæring er en computers evne til at forstå strukturen af ​​data ved hjælp af en matematisk eller statistisk model. Grundlaget for en ANN består af et enkelt lag af input-, proces- og outputelementer. Som et resultat, fra et meget grundlæggende koncept af en informationsbehandlingscyklus, udfører ANN derefter en kompleks matematisk formulering for at producere et optimalt resultat for ethvert datasæt eller problemsegment [19].

Figur 4 viser blokdiagrammet for det neurale netværk, der blev brugt i dette eksperiment. ROI blev valgt fra 3 steder til funktionsdetektion i det originale billede.

ROI blev valgt fra cortex, grænsen mellem cortex og medulla og medulla. Størrelsen af ​​nyren, som er en meget vigtig faktor i diagnosticering af kronisk nyresygdom, blev valgt som en funktionsparameter. Som et resultat af GLCM-beregningen blev 19 parametre ekstraheret fra hver af cortex-regionerne; det vil sige grænsen mellem cortex og medulla og medulla (tabel 3). Derudover bestod inputlaget af i alt 58 noder ved at tilføje nyrens størrelse som parameter. Efter at have passeret gennem 10 skjulte lag blev outputlaget klassificeret i tre typer: normal, mild og moderat CKD og svær CKD.

Figur 4. Outputklassificering baseret på ANN-modellen.

Tabel 3. Parametre for GLCM

3. Resultater

Implementeringen af ​​billedforbehandling, GLCM-algoritmen og det kunstige neurale netværk blev udført ved hjælp af MATLAB R2016a. Dette værktøj giver en brugervenlig grænseflade og har mange indbyggede funktioner, så det er nemt at implementere algoritmer i det. Windows 10 (64-bit) med en 3,60 GHz Intel i9-processor og 64 GB RAM blev brugt til denne undersøgelse.

GLCM algoritme. Funktionsmidler blev opnået ved hjælp af GLCM

Figur 5. Valg af ROI.

Figur 6 viser resultaterne af at anvende histogramudligning til ROI-området under genbehandlingsprocessen.

Figur 6. Resultaterne af forbehandlingen: (a) histogramudligning; (b) områdefifilter.

Efter forbehandlingen af ​​amerikanske billeder blev teksturstatistiske funktioner ekstraheret ved hjælp af GLCM-algoritmen. Funktionsmidler blev opnået ved hjælp af GLCM i forhold til fire forskellige orienteringer, der blev beregnet. Tabel 4-7 viser GLCM-resultaterne for cortex, grænsen mellem henholdsvis cortex og medulla og medulla. Tabel 7 viser størrelsen af ​​nyren, der er normal og med mild og moderat CKD og svær CKD.

Tabel 4. Værdier af GLCM-træk i cortex (gennemsnit ± STD).

Tabel 5. Værdier af GLCM-træk ved grænsen mellem cortex og medulla (gennemsnit ± STD).

Tabel 6. Værdier af GLCM-træk i medulla (gennemsnit ± STD).

Tabel 7. Størrelsen af ​​den normale nyre og den med let og moderat CKD og svær CKD (gennemsnit ± STD).

Figur 7 viser resultatet af ANN bestående af 64 input, 10 skjulte lag og 3 output. I figur 7a var træningsresultatet 95,6 procent, valideringsresultatet var 97,3 procent, og testresultatet var 85,7 procent. Den implementerede modellering har en fejl på 0,030511 som vist i figur 7b. Ved at bruge denne ANN-model var den endelige klassificeringsrate 95,4 procent. Figur 8 viser ROC-kurven for resultaterne.

Figur 7. Resultaterne af ANN.

Figur 8. ROC-kurve over resultaterne.

4. Diskussion

På verdensplan stiger antallet af patienter med kronisk nyresygdom med en enorm hastighed. Kronisk nyresygdom er særligt almindeligt observeret i forbindelse med diabetes, forhøjet blodtryk og alderdom, men Korea er for nylig blevet et aldrende samfund, og antallet af patienter med højt blodtryk og diabetes er steget på grund af den vestlige livsstil; desuden lider omkring 10 procent af den voksne befolkning af kronisk nyresygdom og er 60 år eller ældre. Forekomsten af ​​kronisk nyresygdom stiger hurtigt. Dette fænomen betyder, at antallet af patienter, der har behov for dialyse eller en nyretransplantation på grund af kronisk nyresygdom, også øges, og når antallet af patienter med nyresvigt i slutstadiet stiger, er et stort tab uundgåeligt, hvad angår både det sociale. og nationale sammenhænge samt i individuelle patienter og familier [2].

Kinesisk urtecistanche - Tonificerende nyre

(Eksperimentelle undersøgelser har vist, at forskellige komponenter i Cistanche deserticola effektivt kan regulere og genopbygge nyrekirtlerne med tilstrækkelig nyrekraft, der direkte forbedrer funktionen af ​​kroppens energifabriksmitokondrier, konstant genererer energi, holder kroppen i en ophidset tilstand, forbedrer dens funktion. kuldetolerance og reducere træthed.)

I denne undersøgelse blev nyrernes cortex, grænsen mellem cortex og medulla og medulla sat som ROI'er for diagnosticering af kronisk nyresygdom på ultralydsbilleder. Parametre blev ekstraheret fra hver ROI-region ved hjælp af GLCM-algoritmen, som er meget udbredt i ultralydsbilledanalyse. Parametrene er autokorrelation, kontrast, korrelation, klyngeprominens, klyngeskygge, ulighed, energi, entropi, homogenitet, maksimal sandsynlighed, summen af ​​kvadraters varians, sumgennemsnit, sumvarians, sumentropi, differensvarians, differensentropi, informationsmål for korrelation 1, informationsmål for korrelation 2 og invers forskel (INV). Når hver parameter blev ekstraheret fra tre områder, blev i alt 57 GLCM-parametre ekstraheret. Endelig blev der brugt i alt 58 parametre ved at tilføje information om nyrens størrelse, hvilket er vigtigt for diagnosticering af kronisk nyresygdom. I alt 58 inputparametre blev testet ved at konstruere en ANN, som er en maskinlæringsmetode. Inputparametre blev sat til 58, og det skjulte lag blev sat til 10. Fordi 10 eller flere skjulte lag ikke viste nogen effekt på klassificeringshastigheden, blev eksperimentet udført med 10 skjulte lag. De tre udgange, der skulle klassificeres, var normal, mild og moderat CKD og svær CKD. Det menes, at klassificeringsraten for det resultat, der skal klassificeres, blev øget ved at bruge alle 58 inputparametre. Klassificeringsnøjagtigheden var 95,4 procent, den nødvendige epoke til træning var 38 gange, og fejlklassificeringsraten var 4,6 procent. I dette eksperiment blev tre typer tilstande klassificeret, nemlig normal, mild, moderat CKD og svær CKD, men en yderligere detaljeret klassificering af sygdomstilstande er påkrævet. Derudover blev eksperimentet udført ved at indhente 741 dataelementer, hvilket skyldes, at mængden af ​​data ikke er stor; maskinlæringsmetoden blev således valgt. Når der indsamles en stor mængde data, planlægger vi at anvende deep learning-metoden efter at have erhvervet flere data. For at bruge det klinisk er det nødvendigt at diversificere typerne af klassificering. Efter at have gjort det implementerede resultat tilgængeligt for ultralydsudstyret, skal det opgraderes gennem feedback fra sonografen.

5. Konklusioner

Kronisk nyresygdom kan behandles, hvis den opdages tidligt,Cistanche deserticola er en god måde at tonificere nyrerne på. Cistanche deserticola kan parres med gojibær og Cynomorium solarium til brygning og drikke, som har en god effekt på tonificering af nyrerne. Cistanche deserticola ma bruges hovedsageligt til at behandle ømhed og svaghed i talje og knæ forårsaget af nyre-yang-mangel, som har den effekt at tonificere nyrerne og har en vis lindrende effekt på tidlig nyresygdom.

Cistanche deserticola-effektivitet-tonificerende nyre

Men efterhånden som sygdommen skrider frem, bliver bedring umulig. Til sidst skal der anvendes nyreerstatningsterapi såsom transplantation eller dialyse. Det er med andre ord afgørende at opdage og behandle kronisk nyresygdom i de tidlige stadier. Ultralyd er en testmetode til diagnosticering af nyrekræft, inflammatorisk sygdom, nodulær sygdom, kronisk nyresygdom osv., og bruges til at kontrollere information om graden af ​​inflammation ved hjælp af informationer som nyrestørrelse og indre ekkokarakteristika.

I denne undersøgelse blev ultralydsbilleder, inklusive 251 normale nyrebilleder, 328 billeder af mild og moderat nyresygdom og 162 alvorlige nyrebilleder, brugt i 741 tilfælde. For at diagnosticere kronisk nyresygdom i klinisk praksis blev der sat tre ROI'er, nemlig nyrens cortex, grænsen mellem cortex og medulla og medulla, som er områder, der er undersøgt for at få information fra ultralydsbilleder. Parametre blev ekstraheret fra hvert ROI ved hjælp af GLCM-algoritmen, som er meget udbredt i ultralydsbilledanalyse. Når hver parameter blev ekstraheret fra de tre områder, blev i alt 57 GLCM-parametre ekstraheret. Endelig blev der brugt i alt 58 parametre ved at tilføje information om nyrens størrelse, hvilket er vigtigt for diagnosticering af kronisk nyresygdom. ANN var sammensat af 58 inputparametre, 10 skjulte lag og 3 outputlag (normal, mild og moderat CKD og svær CKD). Ved at bruge ANN-modellen var den endelige klassificeringsrate 95,4 procent, den nødvendige epoke til træning var 38 gange, og fejlklassificeringsraten var 4,6 procent. Det menes, at dette eksperiment kan bruges som grundlag for implementering af et automatisk diagnosesystem inden for diagnosticering af kronisk nyresygdom ved hjælp af ultralydsbilleder. Derudover menes brugen af ​​eksperimentelle resultater at spille en vigtig rolle i klinisk beslutningstagning, herunder tidlig diagnose og behandling af kronisk nyresygdom.

Referencer

1. Irina, L.; Flávio, R.; Idalina, B.; Rui, A.; Luís, B.; Alice, SS Nye potentielle biomarkører til behandling af kronisk nyresygdom - En gennemgang af litteraturen. Int. J. Mol. Sci. 2021, 22, 43.

2. Couser, WG; Remuzzi, G.; Mendis, S.; Tonelli, M. Bidraget fra kronisk nyresygdom til den globale byrde af større ikke-smitsomme sygdomme. Nyre Int. 2011, 80, 1258-1270. [CrossRef]

3. Cañadas-Garre, M.; Anderson, K.; McGoldrick, J.; Maxwell, AP; McKnight, AJ Proteomiske og metabolomiske tilgange i søgningen efter biomarkører ved kronisk nyresygdom. 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. Definition og klassificering af kronisk nyresygdom: En holdningserklæring fra Kidney Disease: Improving Global Outcomes (KDIGO). Nyre Int. 2005, 67, 2089-2100. [CrossRef]

5. Komenda, P.; Rigatto, C.; Tangri, N. Screeningsstrategier for ikke-anerkendt CKD. Clin. J. Am. Soc. Nephrol. 2016, 11, 925-927. [CrossRef] [PubMed]

6. Lee, HS; Jang, HB; Yoo, MG; Park, SI; Lee, HJ Aminosyremetabolitter forbundet med kronisk nyresygdom: en otteårig opfølgning af koreansk epidemiologisk undersøgelse. Biomedicines 2020, 8, 222. [CrossRef]

7. Hewadikaram, D.; Bandara, M.; Pattividana, AN; Jayaweera, H. En ny ultralydsteknik til at opdage tidlig kronisk nyresygdom. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Jovanovic, D.; Gasic, B.; Pavlovic, S.; Naumovic, R. Korrelation af nyrestørrelse med nyrefunktion og antropometriske parametre hos raske forsøgspersoner og patienter med kroniske nyresygdomme. Ren. Svigte. 2013, 35, 896-900. [CrossRef]

9. Gao, S.; Peng, Y.; Guo, H.; Liu, W.; Gao, T.; Xu, Y.; Tang, X. Teksturanalyse og klassificering af ultralydsleverbilleder. Biome. Mater. Eng. 2014, 24, 1209-1216. [CrossRef] [PubMed]

10. Saleem, ZR-metoder, der bruges til computerstøttet diagnose til påvisning af brystkræft ved hjælp af mammografi: En gennemgang. J. Healthc. Eng. 2020, 2020, 9162464.

11. Fujita, H.; Du, J.; Li, Q.; Arimura, H. State-of-the-Art inden for computerstøttet detektion/diagnose (CAD). I Proceedings of the ICMB 2010, Hong Kong, Kina, 28.-30. juni 2010; Bind 6165, s. 296–305.

12. Jang, JSR; Sun, CT; Mizutani, E. Neuro-Fuzzy og Soft Computing - En beregningsmæssig tilgang til læring og maskinintelligens. IEEE Trans. Autom. Kontrol 1997, 42, 1482-1484. [CrossRef]

13. Abbiss, H.; Maker, GL; Trengove, RD Metabolomics tilgange til diagnosticering og forståelse af nyresygdomme. Metabolitter 2019, 9, 34. [CrossRef]

14. Hansen, KL; Nielsen, MB; Ewertsen, C. Ultrasonography of the Kidney: A Pictorial Review. Diagnostics 2016, 6, 2. [CrossRef] [PubMed]

15. Singh, P.; Mukundan, R.; De Ryke, R. Funktionsforbedring i medicinske ultralydsvideoer ved hjælp af kontrastbegrænset adaptiv histogramudligning. J. Ciffer. Billedbehandling 2020, 33, 273-285. [CrossRef] [PubMed]

16. Jassim, FA Billednedbrydning ved hjælp af interkvartilområdefilter med lokal gennemsnit. Int. J. Soft Comput. Eng. 2013, 2, 424-428.

17. Haralick, RM; Dinstein, I.; Shanmugamm, K. Teksturelle funktioner til billedklassificering. IEEE Trans. Syst. Mand Cybern. 1973, 3, 610-621. [CrossRef]

18. Tommy, L.; Patrik, B.; Thomas, A.; Tufve, N.; Anders, G. Invariante Haralick-teksturfunktioner på gråt niveau. PLoS ONE 2019, 14, e0212110.

19. Farizawani, AG; Puteh, M.; Marina, Y.; Rivaie, A. En gennemgang af kunstig neurale netværksindlæringsregel baseret på flere varianter af konjugerede gradienttilgange. J. Phys. Konf. Ser. 2020, 1529, 022040. [CrossRef]

20. Igbinedion, BO; Okaka, E. Chronic Kidney Disease: Sonografiske/kliniske fund ved University of Benin Teaching Hospital. Ann. Biomed. Sci. 2017, 16, 60-69.

21. Prashanth, KS; Ravi, N.; Chandrashekar, HM Sonografisk klassificering af renal parenkymale ændringer og dens sammenligning med estimeret glomerulær filtrationshastighed (EGFR) ved hjælp af ændret diæt i nyresygdomsformel. Int. J. Contemp. Med. Surg. Radiol. 2020, 5, B13–B16.

22. Priyanka; Kumar, D. Funktionsekstraktion og udvælgelse af nyre-ultralydsbilleder ved hjælp af GLCM og PCA. 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 Automatisering af nyrefunktionsforudsigelse og klassificering gennem ultralydsbaseret nyrebilleddannelse ved hjælp af dyb læring. NPJ-cifre. Med. 2019, 2, 29. [CrossRef] [PubMed]