Classificatie van chronische nierziekte in echografie met behulp van de GLCM en het kunstmatige neurale netwerk

Abstract: Chronische nierziekte (CKD) kan worden behandeld als het vroeg wordt ontdekt, maar naarmate de ziekte voortschrijdt, wordt herstel onmogelijk.Uiteindelijk is niervervangende therapie zoals transplantatie of dialyse noodzakelijk. Echografie is een testmethode waarmee nierkanker, ontstekingsziekte, nodulaire ziekte, chronische nierziekte, enz. kunnen worden gediagnosticeerd. Het wordt gebruikt om de mate van ontsteking te bepalen met behulp van informatie zoals niergrootte en interne echo-eigenschappen. De mate van progressie van chronische nierziekte in de huidige klinische studie is gebaseerd op de waarde van de glomerulaire filtratiesnelheid. Veranderingen in de mate van ontsteking en ziekte kunnen echter zelfs met echografie worden waargenomen. In deze studie werden in totaal 741 beelden, 251 normale nierbeelden, 328 milde en matige CKD-beelden en 162 ernstige CKD-beelden getest. Om CKD in de klinische praktijk te diagnosticeren, werden drie ROI's ingesteld: de cortex van de nier, de grens tussen de cortex en de medulla, en de medulla, gebieden die worden onderzocht om informatie te verkrijgen uit ultrasone beelden. Parameters werden uit elke ROI geëxtraheerd met behulp van het GLCM-algoritme, dat veel wordt gebruikt bij ultrasone beeldanalyse. Toen elke parameter uit de drie gebieden werd geëxtraheerd, werden in totaal 57 GLCM-parameters geëxtraheerd. Uiteindelijk werden in totaal 58 parameters gebruikt door informatie toe te voegen over de grootte van de nier, die belangrijk is voor de diagnose van chronische nierziekte. Het kunstmatige neurale netwerk (ANN) was samengesteld uit 58 invoerparameters, 10 verborgen lagen en 3 uitvoerlagen (normale, milde en matige CKD en ernstige CKD). Met behulp van het ANN-model was het uiteindelijke classificatiepercentage 95,4 procent, het tijdvak dat nodig was voor training was 38 keer en het misclassificatiepercentage was 4,6 procent.

Cistanche deserticola werkzaamheid - Tonificerende nier

Trefwoorden: echografie van de nieren; grijsniveau-matrix voor gelijktijdig voorkomen (GLCM); kunstmatig neuraal netwerk; classificatie; chronische nierziekte (CKD)

1. Inleiding

Chronische nierziekte (CKD) neemt toe met de vergrijzing van de bevolking en de toename van chronische ziekten. In veel landen is het een zorgwekkend gezondheidsprobleem dat een hoge prevalentie en incidentie van beroerte, hartaandoeningen en complicaties zoals diabetes en infectie veroorzaakt, evenals stijgingen van medische kosten[1,2]. Chronische nierziekte wordt gebruikt als een algemene term die verwijst naar nierbeschadiging gedurende meer dan 3 maanden of een continue afname van de nierfunctie, ongeacht de oorzaak. Het is een ziekte die het risico op cardiocerebrovasculaire aandoeningen verhoogt en gepaard gaat met nierfalen en diverse complicaties [3,4]. De volgende definitie van chronische nierziekte wordt veel gebruikt door de Nationale Nierstichting (NKF): "als de nierbeschadiging, zoals proteïnurie, hematurie of pathologische afwijking, of glomerulaire filtratiesnelheid minder is dan 60 ml/min/1,73 m2 en duurt langer dan 3 maanden" [5]. Chronische nierziekte heeft verschillende oorzaken en pathologische bevindingen, maar klinisch kan het relatief eenvoudig worden bevestigd door middel van een urinetest om proteïnurie op te sporen en een bloedtest om de glomerulaire filtratiesnelheid te schatten. Op klinisch gebied wordt het stadium van chronische nierziekte verdeeld in vijf stadia van stadium 1 tot stadium 5 volgens de geschatte glomerulaire filtratiesnelheid voor diagnose en behandeling van patiënten. Chronische nierziekte kan worden beschouwd als een relatief veel voorkomende chronische ziekte, maar in vergelijking met andere chronische ziekten zoals hoge bloeddruk en diabetes is het bewustzijn bij het grote publiek niet hoog [6]. Omdat het gemakkelijk kan worden gediagnosticeerd door middel van een relatief eenvoudige test, kan een vroege diagnose de progressie van de ziekte door een vroege behandeling vertragen. Omdat de symptomen echter niet duidelijk zijn, wordt de ziekte vaak na een lange periode gediagnosticeerd, wat leidt tot nierfalen of zelfs de dood als gevolg van complicaties zoals cardiocerebrovasculaire aandoeningen. Over het algemeen blijft chronische nierziekte zich ontwikkelen zodra deze zich voordoet. Een vroege diagnose kan echter de achteruitgang van de nierfunctie en het herstel van chronische nierziekte vertragen [7].

Echografie, een van de methoden voor het diagnosticeren van chronische nierziekte, is erg belangrijk om te controleren of de nierfunctie om andere redenen is afgenomen, zoals de grootte en morfologie van de nier [8].

Woestijnlevende cistanche - Tonificerende nier

(Experimentele studies hebben aangetoond dat Cistanche deserticola-extract niertubulaire cellen kan beschermen, nier-interstitiële laesies kan voorkomen, de snelheid van nierfalen kan vertragen en secundaire bacteriële infecties effectief kan voorkomen bij patiënten met chronisch nierfalen. Het heeft therapeutische effecten op zowel chronisch als acuut nierfalen. nierziekte.)

Het GLCM-algoritme, dat kenmerkpunten extraheert door ruimtelijke kenmerken in dergelijke ultrasone beelden te benadrukken, wordt veel gebruikt bij ultrasone beeldanalyse door gebruik te maken van de correlatie tussen de huidige pixel en de helderheidswaarde van de aangrenzende pixels [9].

De automatische detectie van ziekten met behulp van afbeeldingen zoals echografische afbeeldingen via computationele methoden is de afgelopen jaren van groot belang geweest, vooral na de creatie van computerondersteunde diagnosesystemen (CAD's) [10,11].

Kunstmatige neurale netwerken (ANN's) worden meestal gebruikt om statistische modellen voor computeranalyse te formuleren. Een kunstmatig neuraal netwerk (ANN) of een eenvoudig neuraal netwerk (NN) is een computerstructuur gebaseerd op het functioneren van biologische neuronen. Netwerken van dit type hebben het vermogen om patronen te leren en te herkennen op basis van de ingevoerde informatie en deze patronen te gebruiken om toekomstige informatie te voorspellen door de geleerde gegevens te extrapoleren. Deze neurale netwerken bestaan ​​uit kleine verwerkingseenheden, neuronen genaamd, die met elkaar verbonden zijn in groepen die lagen worden genoemd; het gemeenschappelijke neurale netwerk heeft ten minste één invoerlaag, één verborgen laag en één uitvoerlaag [12].

In dit artikel werden verschillende parameters verkregen door het GLCM-algoritme toe te passen op echografiebeelden die zijn geclassificeerd als normale nierbeelden, milde en matige CKD-beelden en ernstige CKD-beelden. Chronische nierziekte werd geclassificeerd door een kunstmatig neuraal netwerk toe te passen met behulp van GLCM-parameters en niergrootte. Het doel van deze studie is om chronische nierziekte in drie categorieën in te delen om te bepalen of de vroege diagnose van chronische nierziekte mogelijk is.

Superman kruiden cistanche - Tonificerende nier

Klik hier om de producten van Cistanche voor nierziekte te bekijken

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

2. materialen en methoden

2.1. Onderwerpen en gegevensverzameling

Van januari 2015 tot december 2017 werd het experiment uitgevoerd met behulp van echografiebeelden van vrijwilligers die het ziekenhuis bezochten voor medisch onderzoek in het R-ziekenhuis in Yangsan, Gyeong-sang-nam-do, en van patiënten met CKD.

Tabel 1 toont de klinische kenmerken van de proefpersonen. Er werden in totaal 741 echografiebeelden gebruikt, waaronder 251 normale beelden, 328 milde en matige CKD-beelden en 162 ernstige CKD-beelden, geclassificeerd door de arts. Radiologen classificeerden de experimentele beelden in die van milde en matige CKD-patiënten en ernstige CKD-patiënten door te lezen, en gevallen met nierkanker, niercysten en aangeboren nieraandoeningen werden uitgesloten van het experiment [13].

Met betrekking tot de experimentele apparatuur werd een RS80A (Samsung Medison, Seoul, Korea) ultrasoonapparaat gebruikt en de beeldomstandigheden werden verkregen met een versterking van 50, dynamisch bereik van 56, framegemiddelde van 8, vermogen van 95 en algemene frequentie. Alle tests zijn uitgevoerd met vrijwillige deelname en zijn goedgekeurd door de Institutional Review Board (IRB) van de Katholieke Universiteit van Busan (CUPIRB-2017-023).

Tabel 1 toont de informatie over leeftijd, geslacht, eGFR, hypertensie en diabetes van de proefpersonen.

Tabel 1. Klinische kenmerken.

2.2. Experimentele methode

Het interessegebied (ROI) werd ingesteld in het echografiebeeld van de nier en het resultaat werd berekend met behulp van MATLAB 2016a (MathWorks Inc., Natick, MA, VS). De ROI werd geselecteerd door het corticale gebied, het grensgebied tussen de cortex en de medulla en het medulla-gebied in te stellen. In het ultrasone beeld hebben de kenmerken van de normale nier de vorm van een ovaal bestaande uit de niercortex, die een lage echo vertoont in vergelijking met de lever, en de niersinus, die een hoge echo vertoont. De grens tussen de cortex en de renale sinus is duidelijk en een hoge echo in het midden is zichtbaar. Aan de andere kant, in de nier die continu beschadigd is, neemt de ultrasone echo van de niercortex toe als gevolg van fibrose. Dientengevolge wordt de grens tussen de opgehelderde niercortex en de niercortex onduidelijk waargenomen. Bovendien neemt door de achteruitgang van de functie de grootte af en wordt nieratrofie waargenomen [14]. Omdat deze kenmerken worden gebruikt bij de diagnose van chronische nierziekte, werd het ROI-gebied ingesteld op 50 × 50 en ingesteld op 3 locaties. De volgende afbeelding toont de normale, matige en ernstige echografiebeelden met een resolutie van 872 × 1280 die in dit onderzoek zijn gebruikt. Afbeelding 1 toont normale, milde en matige en ernstige CKD-echografiebeelden.

Figuur 1. Originele afbeeldingen.

Figuur 2 toont het algehele blokschema van dit experiment.

Histogramvereffening en bereikfiltervoorverwerking werden uitgevoerd op het originele ultrasone beeld. Histogramvereffening kan de kwaliteit van een afbeelding verbeteren door de verdeling van licht en donker in de afbeelding uniform te maken [15]. Het bereikfilter kan het ruisonderdrukkingseffect veroorzaken door de grens van het beeld te markeren [16]. Nadat voorbewerking was uitgevoerd, werden kenmerkparameters geëxtraheerd door het GLCM-algoritme toe te passen. Er werden in totaal 19 parameters geëxtraheerd uit elk van de drie regio's van figuur 1. Originele afbeeldingen. Figuur 2 toont het algehele blokschema van dit experiment. Histogramvereffening en bereikfiltervoorverwerking werden uitgevoerd op het originele ultrasone beeld. Histogramvereffening kan de kwaliteit van een afbeelding verbeteren door de verdeling van licht en donker in de afbeelding uniform te maken [15]. Het bereikfilter kan het ruisonderdrukkingseffect veroorzaken door de grens van het beeld te markeren [16]. Nadat voorbewerking was uitgevoerd, werden kenmerkparameters geëxtraheerd door het GLCM-algoritme toe te passen. Er werden in totaal 19 parameters geëxtraheerd uit elk van de drie regio's van de cortex, de grens tussen de cortex en de medulla en de medulla, en ten slotte werd de grootte-informatie gecombineerd om in totaal 58 invoerparameters te bepalen.

Er werd een kunstmatig neuraal netwerk met 10 verborgen lagen geconstrueerd en de output werd ontworpen om in drie typen te worden geclassificeerd: normale, milde en matige CKD en ernstige CKD.

Figuur 2. Totaal blokschema van beeldverwerking.

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

De GLCM [17], een textuurdescriptor, wordt gebruikt om de tweede-orde statistische kenmerken van normale en CKD-beelden te berekenen. Uitgaande van een afbeelding I met een grootte van M × N en Ng aantal verschillende grijsniveaus, worden de variaties van textuur berekend door gebruik te maken van de grijze toon ruimtelijke afhankelijkheidsmatrix p (i, j), waar de pixels gescheiden zijn met een afstand d op de i-de en j-de grijswaarden. In dit huidige werk werden vier hoeken (0◦, 45◦, 90◦ en 135◦ ) met een pixelafstand van 1 beschouwd. De statistische kenmerken van de tweede orde (autocorrelatie, contrast, correlatie, clusterprominentie, clusterschaduw, ongelijkheid, energie, entropie, homogeniteit, maximale waarschijnlijkheid, som van kwadratenvariantie, somgemiddelde, somvariantie, somentropie, verschilvariantie, verschilentropie, informatiemaat van correlatie 1, informatiemaat van correlatie 2 en omgekeerd verschil (INV)) werden berekend met behulp van de GLCM. Figuur 3a toont het resultaat dat is geïmplementeerd met behulp van MATLAB om GLCM-parameters te verkrijgen. Als u het ROI-gebied selecteert en uitvoert, wordt het opgeslagen als een Excel-bestand, zoals weergegeven in afbeelding 3b

Figuur 3. Uitvoering van het programma.

Tabel 3 toont de parameters die kunnen worden geëxtraheerd bij het berekenen van de GLCM met behulp van een ROI-afbeelding. Tabel 1 toont de variabelen en notatie die worden gebruikt om textuurkenmerken te berekenen die de parameters van de GLCM zijn.

Tabel 2. Variabelen en notaties die worden gebruikt om de textuurkenmerken te berekenen.

2.4. Kunstmatig neuraal netwerk (ANN)

De ANN is een onderdeel van machine learning dat momenteel belangrijk is geworden in onderzoek en ontwikkeling. Het concept van machine learning is het vermogen van een computer om de structuur van gegevens te begrijpen met behulp van een wiskundig of statistisch model. De basis van een ANN bestaat uit een enkele laag input-, proces- en outputelementen. Als gevolg hiervan voert ANN, vanuit een heel basaal concept van een informatieverwerkingscyclus, een complexe wiskundige formulering uit om een ​​optimaal resultaat te produceren voor elke dataset of elk probleemsegment [19].

Figuur 4 toont het blokschema van het neurale netwerk dat in dit experiment is gebruikt. ROI werd geselecteerd uit 3 locaties voor functiedetectie in de originele afbeelding.

ROI werd geselecteerd uit de cortex, de grens tussen de cortex en medulla, en de medulla. De grootte van de nier, die een zeer belangrijke factor is bij de diagnose van chronische nierziekte, werd gekozen als kenmerkparameter. Als resultaat van de GLCM-berekening werden 19 parameters geëxtraheerd uit elk van de cortexgebieden; dat wil zeggen, de grens tussen de cortex en medulla en de medulla (Tabel 3). Door bovendien de grootte van de nier als parameter toe te voegen, bestond de invoerlaag uit in totaal 58 knooppunten. Na het passeren van 10 verborgen lagen, werd de uitvoerlaag geclassificeerd in drie typen: normale, milde en matige CKD en ernstige CKD.

Figuur 4. Outputclassificatie op basis van het ANN-model.

Tabel 3. Parameters van de GLCM

3. Resultaten

De implementatie van beeldvoorverwerking, het GLCM-algoritme en het kunstmatige neurale netwerk werd uitgevoerd met behulp van MATLAB R2016a. Deze tool biedt een gebruiksvriendelijke interface en heeft veel ingebouwde functies, dus het is eenvoudig om algoritmen erin te implementeren. Voor dit onderzoek werd Windows 10 (64-bit) met een 3,60 GHz Intel i9-processor en 64 GB RAM gebruikt.

GLCM-algoritme. Middelen van functies werden verkregen met behulp van de GLCM

Figuur 5. Selectie van ROI.

Afbeelding 6 toont de resultaten van het toepassen van histogramvereffening op het ROI-gebied tijdens het herbehandelingsproces.

Figuur 6. De resultaten van de voorbewerking: (a) histogramvereffening; (b) bereikfilter.

Na de voorbewerking van Amerikaanse afbeeldingen werden statistische textuurkenmerken geëxtraheerd met behulp van het GLCM-algoritme. Middelen van kenmerken werden verkregen met behulp van de GLCM ten opzichte van vier verschillende oriëntaties die werden berekend. Tabellen 4-7 tonen de GLCM-resultaten van respectievelijk de cortex, de grens tussen de cortex en de medulla en de medulla. Tabel 7 toont de grootte van de nier die normaal is en met milde en matige CKD en ernstige CKD.

Tabel 4. Waarden van GLCM-kenmerken van de cortex (gemiddelde ± STD).

Tabel 5. Waarden van GLCM-kenmerken van de grens tussen de cortex en medulla (gemiddelde ± STD).

Tabel 6. Waarden van GLCM-kenmerken van de medulla (gemiddelde ± STD).

Tabel 7. De grootte van de normale nier en die met milde en matige CKD en ernstige CKD (gemiddelde ± SOA).

Afbeelding 7 toont het resultaat van de ANN bestaande uit 64 inputs, 10 verborgen lagen en 3 outputs. In figuur 7a was het trainingsresultaat 95,6 procent, het validatieresultaat 97,3 procent en het testresultaat 85,7 procent. De geïmplementeerde modellering heeft een fout van 0,030511, zoals weergegeven in figuur 7b. Met behulp van dit ANN-model was het uiteindelijke classificatiepercentage 95,4 procent. Figuur 8 toont de ROC-curve voor de resultaten.

Figuur 7. De resultaten van de ANN.

Figuur 8. ROC-curve van de resultaten.

4. Discussie

Wereldwijd neemt het aantal patiënten met chronische nierziekte enorm toe. Chronische nierziekte wordt vooral vaak waargenomen in combinatie met diabetes, hoge bloeddruk en ouderdom, maar Korea is onlangs een vergrijzende samenleving geworden en het aantal patiënten met hoge bloeddruk en diabetes is toegenomen als gevolg van de verwesterde levensstijl; bovendien lijdt ongeveer 10 procent van de volwassen bevolking aan chronische nierziekte en is 60 jaar of ouder. De incidentie van chronische nierziekte neemt snel toe. Dit fenomeen betekent dat het aantal patiënten dat dialyse of een niertransplantatie nodig heeft als gevolg van chronische nierziekte ook toeneemt, en wanneer het aantal patiënten met nierfalen in het eindstadium toeneemt, is een enorm verlies onvermijdelijk onvermijdelijk, zowel wat betreft de sociale en nationale contexten, maar ook bij individuele patiënten en families [2].

Chinese kruidencistanche - Tonificerende nier

(Experimentele studies hebben aangetoond dat verschillende componenten van Cistanche deserticola de nierklieren effectief kunnen reguleren en aanvullen, met voldoende nierkracht die direct de functie van de mitochondriën van de energiefabriek van het lichaam verbetert, continu energie opwekt, het lichaam in een opgewonden toestand houdt, de koude tolerantie, en het verminderen van vermoeidheid.)

In deze studie werden de cortex van de nier, de grens tussen de cortex en de medulla en de medulla ingesteld als ROI's voor de diagnose van chronische nierziekte op echografiebeelden. Parameters werden geëxtraheerd uit elke ROI-regio met behulp van het GLCM-algoritme, dat veel wordt gebruikt bij ultrasone beeldanalyse. De parameters zijn autocorrelatie, contrast, correlatie, clusterprominentie, clusterschaduw, ongelijkheid, energie, entropie, homogeniteit, maximale waarschijnlijkheid, de som van kwadratenvariantie, somgemiddelde, somvariantie, somentropie, verschilvariantie, verschilentropie, informatiemaat van correlatie 1, informatiemaat van correlatie 2 en omgekeerd verschil (INV). Wanneer elke parameter uit drie gebieden werd geëxtraheerd, werden in totaal 57 GLCM-parameters geëxtraheerd. Uiteindelijk werden in totaal 58 parameters gebruikt door informatie toe te voegen over de grootte van de nier, die belangrijk is voor de diagnose van chronische nierziekte. Er zijn in totaal 58 invoerparameters getest door een ANN te construeren, wat een machine-learningmethode is. De invoerparameters werden ingesteld op 58 en de verborgen laag werd ingesteld op 10. Omdat 10 of meer verborgen lagen geen effect hadden op de classificatiesnelheid, werd het experiment uitgevoerd met 10 verborgen lagen. De drie te classificeren outputs waren normaal, milde en matige CKD en ernstige CKD. Aangenomen wordt dat de classificatiegraad van het te classificeren resultaat is verhoogd door alle 58 invoerparameters te gebruiken. De classificatienauwkeurigheid was 95,4 procent, het tijdvak dat nodig was voor training was 38 keer en het misclassificatiepercentage was 4,6 procent. In dit experiment werden drie soorten aandoeningen geclassificeerd, namelijk normale, milde, matige CKD en ernstige CKD, maar een verdere gedetailleerde classificatie van ziektetoestanden is vereist. Bovendien werd het experiment uitgevoerd door 741 gegevensitems te verzamelen, omdat de hoeveelheid gegevens niet groot is; dus werd de machine learning-methode geselecteerd. Wanneer er een grote hoeveelheid gegevens is verzameld, zijn we van plan om de deep learning-methode toe te passen nadat we meer gegevens hebben verzameld. Om het klinisch te gebruiken, is het noodzakelijk om de soorten classificatie te diversifiëren. Nadat het geïmplementeerde resultaat beschikbaar is gemaakt voor de ultrasone apparatuur, moet het worden geüpgraded door feedback van de echoscopist.

5. Conclusies

Chronische nierziekte kan worden behandeld als het vroeg wordt ontdekt,Cistanche deserticola is een goede manier om de nieren te versterken. Cistanche deserticola kan worden gecombineerd met goji-bessen en Cynomorium-solarium om te brouwen en te drinken, wat een goed effect heeft op het versterken van de nieren. Cistanche deserticola ma wordt voornamelijk gebruikt om de pijn en zwakte van de taille en knieën te behandelen die worden veroorzaakt door nier-yang-deficiëntie, wat de nieren versterkt en een zeker verlichtend effect heeft op vroege nieraandoeningen.

Cistanche deserticola werkzaamheid - tonificerende nier

Maar naarmate de ziekte vordert, wordt herstel onmogelijk. Uiteindelijk moet niervervangende therapie zoals transplantatie of dialyse worden gebruikt. Met andere woorden, het is cruciaal om chronische nierziekte in een vroeg stadium op te sporen en te behandelen. Echografie is een testmethode voor het diagnosticeren van nierkanker, ontstekingsziekte, nodulaire ziekte, chronische nierziekte, enz., en wordt gebruikt om informatie over de mate van ontsteking te controleren met behulp van informatie zoals niergrootte en interne echo-eigenschappen.

In deze studie werden in 741 gevallen echografiebeelden gebruikt, waaronder 251 normale nierbeelden, 328 milde en matige nierziektebeelden en 162 ernstige niernierbeelden. Om chronische nierziekte in de klinische praktijk te diagnosticeren, werden drie ROI's vastgesteld, namelijk de cortex van de nier, de grens tussen de cortex en de medulla, en de medulla, gebieden die worden onderzocht om informatie te verkrijgen uit ultrasone beelden. Parameters werden uit elke ROI geëxtraheerd met behulp van het GLCM-algoritme, dat veel wordt gebruikt bij ultrasone beeldanalyse. Toen elke parameter uit de drie gebieden werd geëxtraheerd, werden in totaal 57 GLCM-parameters geëxtraheerd. Uiteindelijk werden in totaal 58 parameters gebruikt door informatie toe te voegen over de grootte van de nier, die belangrijk is voor de diagnose van chronische nierziekte. De ANN was samengesteld uit 58 invoerparameters, 10 verborgen lagen en 3 uitvoerlagen (normale, milde en matige CKD en ernstige CKD). Met behulp van het ANN-model was het uiteindelijke classificatiepercentage 95,4 procent, het tijdvak dat nodig was voor training was 38 keer en het misclassificatiepercentage was 4,6 procent. Er wordt aangenomen dat dit experiment kan worden gebruikt als basis voor het implementeren van een automatisch diagnosesysteem op het gebied van het diagnosticeren van chronische nierziekte met behulp van ultrasone beelden. Bovendien wordt aangenomen dat het gebruik van experimentele resultaten een belangrijke rol speelt bij de klinische besluitvorming, waaronder vroege diagnose en behandeling van chronische nierziekte.

Referenties

1. Irina, L.; Flavio, R.; Idalina, B.; Rui, A.; Luis, B.; Alice, SS Nieuwe potentiële biomarkers voor de behandeling van chronische nierziekten: een literatuuroverzicht. Int. J Mol. Wetenschap. 2021, 22, 43.

2. Couser, WG; Remuzzi, G.; Mendis, S.; Tonelli, M. De bijdrage van chronische nierziekte aan de wereldwijde last van belangrijke niet-overdraagbare ziekten. Nier Int. 2011, 80, 1258-1270. [KruisRef]

3. Cañadas-Garre, M.; Anderson, K.; McGoldrick, J.; Maxwell, AP; McKnight, AJ Proteomische en metabolomische benaderingen bij het zoeken naar biomarkers bij chronische nierziekte. J. Proteom. 2019, 193, 93-122. [KruisRef]

4. Liefdevol, AS; Eckardt, KU; Tsukamoto, Y.; Levin, A.; Coresh, J.; Rossert, J.; de Zeeuw, D.; Gastheer, TH; Lameire, N.; Eknoyan, G. Definitie en classificatie van chronische nierziekte: een standpuntverklaring van Kidney Disease: Improving Global Outcomes (KDIGO). Nier Int. 2005, 67, 2089-2100. [KruisRef]

5. Komenda, P.; Rigatto, C.; Tangri, N. Screeningsstrategieën voor niet-herkende CKD. Clin. J. Am. Soc. Nefrol. 2016, 11, 925-927. [Kruisreferentie] [PubMed]

6. Lee, HS; Jang, HB; Joehoe, MG; Parkeer, SI; Lee, HJ Aminozuurmetabolieten geassocieerd met chronische nierziekte: een acht jaar durend Koreaans epidemiologisch vervolgonderzoek. Biomedicijnen 2020, 8, 222. [CrossRef]

7. Hewadikaram, D.; Bandara, M.; Pattividana, AN; Jayaweera, H. Een nieuwe ultrasone techniek om vroege chronische nierziekte te detecteren. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Jovanovic, D.; Gasisch, B.; Pavlovic, S.; Naumovic, R. Correlatie van niergrootte met nierfunctie en antropometrische parameters bij gezonde proefpersonen en patiënten met chronische nieraandoeningen. Ren. Mislukking. 2013, 35, 896-900. [KruisRef]

9. Gao, S.; Peng, Y.; Guo, H.; Liu, W.; Gao, T.; Xu, Y.; Tang, X. Textuuranalyse en classificatie van ultrasone leverbeelden. Bioom. zaak. Eng. 2014, 24, 1209-1216. [Kruisreferentie] [PubMed]

10. Saleem, ZR-methoden die worden gebruikt bij computerondersteunde diagnose voor de detectie van borstkanker met behulp van mammogrammen: een overzicht. J. Gezondheidc. Eng. 2020, 2020, 9162464.

11. Fujita, H.; Jij, J.; Li, Q.; Arimura, H. State-of-the-art van computerondersteunde detectie / diagnose (CAD). In Proceedings of the ICMB 2010, Hong Kong, China, 28–30 juni 2010; Deel 6165, blz. 296-305.

12. Jang, JSR; Zon, CT; Mizutani, E. Neuro-Fuzzy en Soft Computing: een computationele benadering van leren en machine-intelligentie. IEEE Trans. Automatisch Controle 1997, 42, 1482-1484. [KruisRef]

13. Abbiss, H.; Maker, GL; Trengove, RD Metabolomics-benaderingen voor de diagnose en het begrip van nierziekten. Metabolieten 2019, 9, 34. [CrossRef]

14. Hansen, KL; Nielsen, MB; Ewertsen, C. Echografie van de nier: een geïllustreerd overzicht. Diagnostiek 2016, 6, 2. [CrossRef] [PubMed]

15. Singh, P.; Mukundan, R.; De Ryke, R. Functieverbetering in medische echografievideo's met behulp van contrastbeperkte adaptieve histogramvereffening. J. cijfer. Beeldvorming 2020, 33, 273-285. [Kruisreferentie] [PubMed]

16. Jassim, FA Beeldonderdrukking met behulp van interkwartielbereikfilter met lokale middeling. Int. J. Zachte computer. Eng. 2013, 2, 424-428.

17. Haralick, RM; Dinstein, ik.; Shanmugamm, K. Textuurkenmerken voor beeldclassificatie. IEEE Trans. Systeem Man Cybern. 1973, 3, 610-621. [KruisRef]

18. Tommy, L.; Patrick, B.; Thomas, A.; Tufve, N.; Anders, G. Invariante Haralick-textuurkenmerken op grijsniveau. PLoS ONE 2019, 14, e0212110.

19. Farizawani, AG; Puteh, M.; Marina, Y.; Rivaie, A. Een overzicht van de regel voor het leren van kunstmatige neurale netwerken op basis van meerdere varianten van geconjugeerde gradiëntbenaderingen. J. Fysiek. conf. Ser. 2020, 1529, 022040. [KruisRef]

20. Igbinedion, BO; Okaka, E. Chronische nierziekte: sonografische / klinische bevindingen aan het academisch ziekenhuis van de Universiteit van Benin. Ann. Biomed. Wetenschap. 2017, 16, 60-69.

21. Prashanth, KS; Ravi, N.; Chandrashekar, HM Sonografische indeling van veranderingen in het nierparenchym en de vergelijking ervan met de geschatte glomerulaire filtratiesnelheid (EGFR) met behulp van een aangepast dieet in de formule voor nierziekte. Int. J. Contemp. Med. Surg. Radiol. 2020, 5, B13-B16.

22. Prijanka; Kumar, D. Functie-extractie en selectie van nier-echografiebeelden met behulp van GLCM en PCA. Procedia Comput. Wetenschap. 2020, 167, 1722-1731. [KruisRef]

23. Kuo, CC; Chang, CM; Liu, KT; Lin, WK; Chiang, HY; Tsjoeng, CW; Ho, MR; zon, PR; Yang, RL; Chen, KT Automatisering van de voorspelling en classificatie van de nierfunctie door middel van op echografie gebaseerde nierbeeldvorming met behulp van deep learning. NPJ-cijfer. Med. 2019, 2, 29. [CrossRef] [PubMed]