Класификация на хроничното бъбречно заболяване при сонография с помощта на GLCM и изкуствена невронна мрежа

Резюме: Хроничното бъбречно заболяване (ХБН) може да се лекува, ако се открие навреме, но с напредването на заболяването възстановяването става невъзможно.В крайна сметка е необходима бъбречна заместителна терапия, като трансплантация или диализа. Ултразвукът е метод за изследване, с който се диагностицира рак на бъбреците, възпалително заболяване, нодуларно заболяване, хронично бъбречно заболяване и т.н. Използва се за определяне на степента на възпаление, като се използва информация като размер на бъбрека и характеристики на вътрешно ехо. Степента на прогресиране на хроничното бъбречно заболяване в настоящото клинично изпитване се основава на стойността на скоростта на гломерулна филтрация. Въпреки това, промени в степента на възпаление и заболяване могат да бъдат наблюдавани дори с ултразвук. В това проучване са тествани общо 741 изображения, 251 изображения на нормални бъбреци, 328 изображения на лека и умерена ХБН и 162 изображения на тежка ХБН. За да се диагностицира ХБН в клиничната практика, бяха зададени три ROI: кората на бъбрека, границата между кората и медулата и медулата, които са области, изследвани за получаване на информация от ултразвукови изображения. Параметрите бяха извлечени от всяка ROI с помощта на алгоритъма GLCM, който се използва широко в анализа на ултразвукови изображения. Когато всеки параметър беше извлечен от трите области, бяха извлечени общо 57 GLCM параметъра. Накрая бяха използвани общо 58 параметъра чрез добавяне на информация за размера на бъбрека, което е важно за диагностицирането на хронично бъбречно заболяване. Изкуствената невронна мрежа (ANN) се състои от 58 входни параметъра, 10 скрити слоя и 3 изходни слоя (нормална, лека и умерена ХБН и тежка ХБН). Използвайки модела ANN, крайната степен на класификация е 95,4 процента, епохата, необходима за обучение, е 38 пъти, а степента на грешна класификация е 4,6 процента.

Ефикасност на Cistanche deserticola — тонизиращ бъбрек

Ключови думи: ултразвук на бъбреците; матрица на съвместно срещане на ниво на сивото (GLCM); изкуствена невронна мрежа; класификация; хронично бъбречно заболяване (CKD)

1. Въведение

Хроничното бъбречно заболяване (ХБН) се увеличава със застаряването на населението и увеличаването на хроничните заболявания. В много страни това е тревожен здравен проблем, причиняващ високо разпространение и честота на инсулт, сърдечни заболявания и усложнения като диабет и инфекция, както и увеличаване на медицинските разходи[1,2]. Хроничното бъбречно заболяване се използва като общ термин, който се отнася до бъбречно увреждане за повече от 3 месеца или непрекъснато намаляване на бъбречната функция, независимо от причината. Това е заболяване, което повишава риска от сърдечно-мозъчно-съдови заболявания и е съпроводено с бъбречна недостатъчност и различни усложнения [3,4]. Следното определение за хронично бъбречно заболяване се използва широко от Националната бъбречна фондация (NKF): „ако бъбречното увреждане, като протеинурия, хематурия или патологична аномалия, или скорост на гломерулна филтрация е по-малко от 60 mL/min/1,73 m2 и продължава повече от 3 месеца“ [5]. Хроничното бъбречно заболяване има различни причини и патологични находки, но клинично то може да бъде потвърдено относително лесно чрез тест на урината за откриване на протеинурия и кръвен тест за оценка на скоростта на гломерулна филтрация. В клиничната област стадият на хронично бъбречно заболяване е разделен на пет стадия от стадий 1 до стадий 5 според изчислената скорост на гломерулна филтрация за диагностика и лечение на пациенти. Може да се каже, че хроничното бъбречно заболяване е относително често срещано хронично заболяване, но в сравнение с други хронични заболявания като високо кръвно налягане и диабет, осведомеността на широката общественост не е висока [6]. Тъй като може лесно да се диагностицира чрез сравнително прост тест, ранната диагностика може да забави прогресията на заболяването чрез ранно лечение. Въпреки това, тъй като симптомите не са ясни, заболяването често се диагностицира след дълъг период от време, което води до бъбречна недостатъчност или дори смърт поради усложнения като сърдечно-мозъчно-съдово заболяване. Като цяло хроничното бъбречно заболяване продължава да прогресира, след като се появи. Ранната диагностика обаче може да забави намаляването на бъбречната функция и възстановяването от хронично бъбречно заболяване [7].

Ултразвукът, който е един от методите за диагностициране на хронично бъбречно заболяване, е много важен за проверка дали бъбречната функция е намалена поради други причини, като размера и морфологията на бъбрека. [8].

Пустинна жива цистанка – Тонизиращ бъбрек

(Експериментални проучвания показват, че екстрактът от Cistanche deserticola може да защити бъбречните тубулни клетки, да предотврати бъбречни интерстициални лезии, да забави скоростта на бъбречната недостатъчност и ефективно да предотврати вторични бактериални инфекции при пациенти с хронична бъбречна недостатъчност. Има терапевтични ефекти както при хронична, така и при остра заболяване на бъбреците.)

Алгоритъмът GLCM, който извлича характерни точки чрез подчертаване на пространствени характеристики в такива ултразвукови изображения, се използва широко в анализа на ултразвукови изображения чрез използване на корелацията между текущия пиксел и стойността на яркостта на съседните му пиксели [9].

Автоматичното откриване на заболявания с помощта на изображения като ултразвукова графика чрез изчислителни методи е от голямо значение през последните години, особено след създаването на компютърно подпомагани диагностични системи (CAD) [10,11].

Изкуствените невронни мрежи (ANN) обикновено се използват за формулиране на статистически модели за компютърен анализ. Изкуствена невронна мрежа (ANN) или проста невронна мрежа (NN) е изчислителна структура, базирана на функционирането на биологични неврони. Мрежите от този тип имат способността да учат и разпознават модели въз основа на входната информация и да използват тези модели, за да предскажат бъдеща информация чрез екстраполиране на научените данни. Тези невронни мрежи се състоят от малки обработващи единици, наречени неврони, свързани един с друг в групи, наречени слоеве; общата невронна мрежа има поне един входен слой, един скрит слой и един изходен слой [12].

В тази статия бяха получени различни параметри чрез прилагане на алгоритъма GLCM към ултразвукови изображения, класифицирани като изображения на нормални бъбреци, леки и умерени изображения на ХБН и тежки изображения на ХБН. Хроничното бъбречно заболяване е класифицирано чрез прилагане на изкуствена невронна мрежа, използваща GLCM параметри и размер на бъбрека. Целта на това проучване е да класифицира хроничното бъбречно заболяване в три категории, за да определи дали е възможно ранното диагностициране на хронично бъбречно заболяване.

Superman herbs cistanche – Тонизиращ бъбрек

Щракнете тук, за да видите продуктите Cistanche за бъбречни заболявания

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

2. Материали и методи

2.1. Субекти и събиране на данни

От януари 2015 г. до декември 2017 г. експериментът е проведен с помощта на ултразвукови изображения на доброволци, които са посетили болницата за медицински преглед в R Hospital в Yangsan, Gyeong-sang-nam-do, и пациенти с диагноза ХБН.

Таблица 1 показва клиничните характеристики на субектите. Използвани са общо 741 ултразвукови изображения, включително 251 нормални изображения, 328 изображения с лека и умерена ХБН и 162 изображения с тежка ХБН, класифицирани от лекаря. Рентгенолозите класифицираха експерименталните изображения на пациенти с лека и умерена ХБН и пациенти с тежка ХБН чрез разчитане, а случаите с рак на бъбреците, бъбречни кисти и вродени заболявания на бъбреците бяха изключени от експеримента [13].

По отношение на експерименталното оборудване беше използвано ултразвуково устройство RS80A (Samsung Medison, Сеул, Корея) и условията на изображението бяха получени с усилване от 50, динамичен диапазон от 56, средна стойност на кадрите от 8, мощност от 95 и обща честота. Всички тестове бяха проведени при доброволно участие и бяха одобрени от Институционалния съвет за преглед (IRB) на Католическия университет в Бусан (CUPIRB-2017-023).

Таблица 1 показва информацията за възрастта, пола, eGFR, хипертонията и диабета на изследваните лица.

Таблица 1. Клинични характеристики.

2.2. Експериментален метод

Областта на интерес (ROI) беше зададена в ултразвуковото изображение на бъбрека и резултатът беше изчислен с помощта на MATLAB 2016a (MathWorks Inc., Natick, MA, USA). ROI беше избрана чрез настройка на кортикалната област, граничната област между кората и медулата и областта на медулата. В ултразвуковото изображение характеристиките на нормалния бъбрек са във формата на овал, съставен от бъбречната кора, която показва ниско ехо в сравнение с черния дроб, и бъбречния синус, който показва силно ехо. Границата между кората и бъбречния синус е ясна и се вижда високо ехо в центъра. От друга страна, в бъбрека, който е непрекъснато увреден, ултразвуковото ехо на бъбречната кора се увеличава поради фиброза. В резултат на това границата между изсветлената бъбречна кора и бъбречната кора се наблюдава неясно. В допълнение, поради намаляване на функцията, размерът намалява и се наблюдава атрофия на бъбреците [14]. Тъй като тези функции се използват при диагностицирането на хронично бъбречно заболяване, зоната на ROI беше зададена на 50 × 50 и на 3 места. Следната фигура показва нормалните, умерените и тежките ултразвукови изображения с разделителна способност 872 × 1280, използвани в това проучване. Фигура 1 показва нормални, леки и умерени и тежки ултразвукови изображения на ХБН.

Фигура 1. Оригинални изображения.

Фигура 2 показва общата блокова диаграма на този експеримент.

Изравняването на хистограмата и предварителната обработка на филтъра за диапазон бяха извършени върху оригиналното ултразвуково изображение. Изравняването на хистограмата може да подобри качеството на изображението, като направи равномерно разпределението на светлината и тъмнината в изображението [15]. Филтърът за обхват може да причини ефекта на намаляване на шума чрез подчертаване на границата на изображението [16]. След като беше извършена предварителна обработка, параметрите на характеристиките бяха извлечени чрез прилагане на алгоритъма GLCM. Общо 19 параметъра бяха извлечени от всяка от трите области на Фигура 1. Оригинални изображения. Фигура 2 показва общата блокова диаграма на този експеримент. Изравняването на хистограмата и предварителната обработка на филтъра за диапазон бяха извършени върху оригиналното ултразвуково изображение. Изравняването на хистограмата може да подобри качеството на изображението, като направи равномерно разпределението на светлината и тъмнината в изображението [15]. Филтърът за обхват може да причини ефекта на намаляване на шума чрез подчертаване на границата на изображението [16]. След като беше извършена предварителна обработка, параметрите на характеристиките бяха извлечени чрез прилагане на алгоритъма GLCM. Общо 19 параметъра бяха извлечени от всяка от трите области на кората, границата между кората и медулата и медулата, и накрая информацията за размера беше комбинирана, за да се определят общо 58 входни параметъра.

Конструирана е изкуствена невронна мрежа с 10 скрити слоя и изходът е проектиран да бъде класифициран в три типа: нормална, лека и умерена ХБН и тежка ХБН.

Фигура 2. Обща блокова диаграма на обработка на изображения.

2.3. Матрица за съвместно появяване на ниво на сивото (GLCM)

GLCM [17], дескриптор на текстура, се използва за изчисляване на статистически характеристики от втори ред от нормални и CKD изображения. Като се има предвид изображение I с размер M × N и Ng брой различни нива на сивото, вариациите на текстурата се изчисляват чрез използване на матрицата за пространствена зависимост на сивия тон p (i, j), където пикселите са разделени с разстояние d при i-то и j-то ниво на сивото. В настоящата работа бяха разгледани четири ъгъла (0◦, 45◦, 90◦ и 135◦) с пикселно разстояние 1. Статистическите характеристики от втори ред (автокорелация, контраст, корелация, изпъкналост на клъстера, сянка на клъстера, несходство, енергия, ентропия, хомогенност, максимална вероятност, дисперсия на сумата от квадрати, средна сума, дисперсия на сумата, сумарна ентропия, дисперсия на разликата, ентропия на разликата, информационна мярка на корелация 1, информационна мярка на корелация 2 и обратна разлика (INV)) бяха изчислени с помощта на GLCM. Фигура 3а показва резултата, реализиран с помощта на MATLAB за получаване на GLCM параметри. Ако изберете областта ROI и стартирате, тя се записва като Excel файл, както е показано на Фигура 3b

Фигура 3. Изпълнение на програмата.

Таблица 3 показва параметрите, които могат да бъдат извлечени при изчисляване на GLCM с помощта на изображение на ROI. Таблица 1 показва променливите и обозначенията, използвани за изчисляване на характеристиките на текстурата, които са параметрите на GLCM.

Таблица 2. Променливи и обозначения, използвани за изчисляване на характеристиките на текстурата.

2.4. Изкуствена невронна мрежа (ANN)

ANN е елемент от машинното обучение, който в момента е станал важен в научните изследвания и разработките. Концепцията за машинно обучение е способността на компютъра да разбира структурата на данните, използвайки математически или статистически модел. Основата на ANN се състои от един слой от входни, процесни и изходни елементи. В резултат на това, от една много основна концепция за цикъл на обработка на информация, ANN изпълнява сложна математическа формулировка, за да произведе оптимален резултат за всеки набор от данни или проблемен сегмент [19].

Фигура 4 показва блоковата диаграма на невронната мрежа, използвана в този експеримент. ROI беше избрана от 3 места за откриване на характеристики в оригиналното изображение.

ROI беше избран от кората, границата между кората и медулата и медулата. Размерът на бъбрека, който е много важен фактор при диагностицирането на хронично бъбречно заболяване, беше избран като показателен параметър. В резултат на изчислението на GLCM бяха извлечени 19 параметъра от всяка от областите на кората; това е границата между кората и медулата и медулата (Таблица 3). В допълнение, чрез добавяне на размера на бъбрека като параметър, входният слой се състои от общо 58 възли. След преминаване през 10 скрити слоя, изходният слой беше класифициран в три типа: нормална, лека и умерена ХБН и тежка ХБН.

Фигура 4. Класификация на изхода въз основа на модела ANN.

Таблица 3. Параметри на GLCM

3. Резултати

Прилагането на предварителна обработка на изображения, алгоритъмът GLCM и изкуствената невронна мрежа бяха извършени с помощта на MATLAB R2016a. Този инструмент предоставя удобен за потребителя интерфейс и има много вградени функции, така че е лесно да се внедряват алгоритми в него. Windows 10 (64-bit) с 3,60 GHz Intel i9 процесор и 64 GB RAM е използван за това изследване.

GLCM алгоритъм. Средствата на характеристиките са получени с помощта на GLCM

Фигура 5. Избор на ROI.

Фигура 6 показва резултатите от прилагането на изравняване на хистограмата към зоната на ROI по време на процеса на повторно третиране.

Фигура 6. Резултатите от предварителната обработка: (а) изравняване на хистограмата; б) филтър за обхват.

След предварителната обработка на американските изображения, статистическите характеристики на текстурата бяха извлечени с помощта на алгоритъма GLCM. Средните характеристики бяха получени с помощта на GLCM по отношение на четири различни ориентации, които бяха изчислени. Таблици 4–7 показват резултатите от GLCM на кората, границата между кората и медулата, и медулата, съответно. Таблица 7 показва размера на бъбрека, който е нормален и с лека и умерена ХБН и тежка ХБН.

Таблица 4. Стойности на характеристиките на GLCM на кората (средно ± STD).

Таблица 5. Стойности на характеристиките на GLCM на границата между кората и медулата (средно ± STD).

Таблица 6. Стойности на характеристиките на GLCM на медулата (средно ± STD).

Таблица 7. Размерът на нормалния бъбрек и този с лека и умерена ХБН и тежка ХБН (средно ± STD).

Фигура 7 показва резултата от ANN, състоящ се от 64 входа, 10 скрити слоя и 3 изхода. На фигура 7a резултатът от обучението беше 95,6 процента, резултатът от валидирането беше 97,3 процента, а резултатът от теста беше 85,7 процента. Приложеното моделиране има грешка от 0,030511, както е показано на фигура 7b. Използвайки този модел на ANN, окончателният процент на класифициране беше 95,4 процента. Фигура 8 показва ROC кривата за резултатите.

Фигура 7. Резултатите от ANN.

Фигура 8. ROC крива на резултатите.

4. Дискусия

В световен мащаб броят на пациентите с хронично бъбречно заболяване се увеличава с огромна скорост. Хроничното бъбречно заболяване се наблюдава особено често във връзка с диабет, високо кръвно налягане и напреднала възраст, но напоследък Корея се превърна в застаряващо общество и броят на пациентите с високо кръвно налягане и диабет се е увеличил поради западния начин на живот; освен това, около 10 процента от възрастното население страда от хронично бъбречно заболяване и е на 60 или повече години. Честотата на хроничните бъбречни заболявания нараства бързо. Това явление означава, че броят на пациентите, които се нуждаят от диализа или бъбречна трансплантация поради хронично бъбречно заболяване, също се увеличава, а когато броят на пациентите с краен стадий на бъбречна недостатъчност се увеличава, огромната загуба е неизбежна и неизбежна от гледна точка както на социалните, и национален контекст, както и при отделни пациенти и семейства [2].

Китайска билка цистанче - Тонизираща бъбреците

(Експериментални проучвания показват, че различни компоненти на Cistanche deserticola могат ефективно да регулират и допълват бъбречните жлези, с достатъчна бъбречна мощност, която директно подобрява функцията на митохондриите на телесната енергийна фабрика, като непрекъснато генерира енергия, поддържа тялото във възбудено състояние, подобрявайки неговата студоустойчивост и намаляване на умората.)

В това проучване кората на бъбрека, границата между кората и медулата и медулата бяха определени като ROI за диагностициране на хронично бъбречно заболяване върху ултразвукови изображения. Параметрите бяха извлечени от всяка област на ROI с помощта на алгоритъма GLCM, който се използва широко в анализа на ултразвукови изображения. Параметрите са автокорелация, контраст, корелация, изпъкналост на клъстера, сянка на клъстера, несходство, енергия, ентропия, хомогенност, максимална вероятност, дисперсия на сумата от квадрати, средна сума на дисперсията, сумарна дисперсия, сумарна ентропия, дисперсия на разликата, ентропия на разликата, информационна мярка на корелация 1, информационна мярка на корелация 2 и обратна разлика (INV). Когато всеки параметър беше извлечен от три области, бяха извлечени общо 57 GLCM параметъра. Накрая бяха използвани общо 58 параметъра чрез добавяне на информация за размера на бъбрека, което е важно за диагностицирането на хронично бъбречно заболяване. Общо 58 входни параметъра бяха тествани чрез конструиране на ANN, което е метод на машинно обучение. Входните параметри бяха зададени на 58, а скритият слой беше зададен на 10. Тъй като 10 или повече скрити слоя не показаха ефект върху степента на класификация, експериментът беше проведен с 10 скрити слоя. Трите резултата, които трябва да бъдат класифицирани, са нормална, лека и умерена ХБН и тежка ХБН. Смята се, че степента на класификация на резултата, който трябва да се класифицира, е увеличена чрез използване на всичките 58 входни параметъра. Точността на класификацията беше 95,4 процента, епохата, необходима за обучение, беше 38 пъти, а степента на грешна класификация беше 4,6 процента. В този експеримент бяха класифицирани три вида състояния, а именно нормална, лека, умерена ХБН и тежка ХБН, но е необходима допълнителна подробна класификация на болестните състояния. В допълнение, експериментът е проведен чрез придобиване на 741 елемента от данни, което е така, защото количеството данни не е голямо; по този начин беше избран методът на машинно обучение. Когато се придобие голямо количество данни, планираме да приложим метода на задълбочено обучение, след като получим повече данни. За да се използва клинично, е необходимо да се разнообразят видовете класификация. След предоставяне на внедрения резултат на ултразвуковото оборудване, той трябва да бъде надграден чрез обратна връзка от ехографа.

5. Изводи

Хроничното бъбречно заболяване може да се лекува, ако се открие навреме,Cistanche deserticola е добро средство за тонизиране на бъбреците. Cistanche deserticola може да се комбинира с годжи бери и Cynomorium solarium за приготвяне и пиене, което има добър ефект за тонизиране на бъбреците. Cistanche deserticola ma се използва главно за лечение на болезненост и слабост на кръста и коленете, причинени от бъбречен ян дефицит, който има ефект на тонизиране на бъбреците и има известен облекчаващ ефект при ранно бъбречно заболяване.

Ефективност на Cistanche deserticola - тонизиращ бъбрек

Но с напредването на болестта възстановяването става невъзможно. В крайна сметка трябва да се използва бъбречна заместителна терапия като трансплантация или диализа. С други думи, от решаващо значение е да се открие и лекува хронично бъбречно заболяване в ранните стадии. Ултразвукът е тестов метод за диагностициране на рак на бъбреците, възпалително заболяване, нодуларно заболяване, хронично бъбречно заболяване и т.н. и се използва за проверка на информация за степента на възпаление, като се използва информация като размер на бъбрека и характеристики на вътрешно ехо.

В това проучване са използвани ултразвукови изображения, включително 251 нормални изображения на бъбреци, 328 изображения на леки и умерени бъбречни заболявания и 162 изображения на тежки бъбречни бъбреци, в 741 случая. За диагностициране на хронично бъбречно заболяване в клиничната практика бяха определени три ROI, а именно кората на бъбрека, границата между кората и медулата и медулата, които са области, изследвани за получаване на информация от ултразвукови изображения. Параметрите бяха извлечени от всяка ROI с помощта на алгоритъма GLCM, който се използва широко в анализа на ултразвукови изображения. Когато всеки параметър беше извлечен от трите области, бяха извлечени общо 57 GLCM параметъра. Накрая бяха използвани общо 58 параметъра чрез добавяне на информация за размера на бъбрека, което е важно за диагностицирането на хронично бъбречно заболяване. ANN се състои от 58 входни параметъра, 10 скрити слоя и 3 изходни слоя (нормална, лека и умерена ХБН и тежка ХБН). Използвайки модела ANN, крайната степен на класификация е 95,4 процента, епохата, необходима за обучение, е 38 пъти, а степента на грешна класификация е 4,6 процента. Смята се, че този експеримент може да се използва като основа за внедряване на система за автоматична диагностика в областта на диагностицирането на хронични бъбречни заболявания чрез ултразвукови изображения. Освен това се смята, че използването на експериментални резултати играе важна роля при вземането на клинични решения, включително ранна диагностика и лечение на хронично бъбречно заболяване.

Препратки

1. Ирина, Л.; Флавио, Р.; Идалина, Б.; Руи, А.; Луис, Б.; Alice, SS Нови потенциални биомаркери за лечение на хронични бъбречни заболявания - преглед на литературата. Вътр. J. Mol. Sci. 2021, 22, 43.

2. Couser, WG; Remuzzi, G.; Мендис, С.; Tonelli, M. Приносът на хроничното бъбречно заболяване към глобалното бреме на основните неинфекциозни заболявания. Kidney Int. 2011, 80, 1258–1270. [CrossRef]

3. Cañadas-Garre, M.; Андерсън, К.; McGoldrick, J.; Максуел, AP; McKnight, AJ Протеомни и метаболомични подходи в търсенето на биомаркери при хронично бъбречно заболяване. J. Proteom. 2019, 193, 93–122. [CrossRef]

4. Lovey, AS; Eckardt, KU; Tsukamoto, Y.; Левин, А.; Coresh, J.; Rossert, J.; de Zeeuw, D.; Хостетер, TH; Lameire, N.; Eknoyan, G. Дефиниция и класификация на хронично бъбречно заболяване: Изявление за позиция от Бъбречно заболяване: Подобряване на глобалните резултати (KDIGO). Kidney Int. 2005, 67, 2089–2100. [CrossRef]

5. Коменда, П.; Rigatto, C.; Тангри, Н. Стратегии за скрининг за неразпозната ХБН. Clin. J. Am. Soc. Нефрол. 2016, 11, 925–927. [CrossRef] [PubMed]

6. Лий, HS; Jang, HB; Йоо, MG; Парк, SI; Lee, HJ Аминокиселинни метаболити, свързани с хронично бъбречно заболяване: осемгодишно последващо корейско епидемиологично проучване. Biomedicines 2020, 8, 222. [CrossRef]

7. Хевадикарам, Д.; Бандара, М.; Pattividana, AN; Jayaweera, H. Нова ултразвукова техника за откриване на ранно хронично бъбречно заболяване. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Йованович, Д.; Гашич, Б.; Павлович, С.; Naumovic, R. Корелация на размера на бъбреците с бъбречната функция и антропометричните параметри при здрави индивиди и пациенти с хронични бъбречни заболявания. Рен. Неуспех. 2013, 35, 896–900. [CrossRef]

9. Гао, С.; Peng, Y.; Guo, H.; Liu, W.; Гао, Т.; Xu, Y.; Tang, X. Анализ на текстурата и класификация на ултразвукови чернодробни изображения. Биом. Матер. инж. 2014, 24, 1209–1216. [CrossRef] [PubMed]

10. Saleem, ZR Методи, използвани при компютърно подпомагана диагностика за откриване на рак на гърдата с помощта на мамографии: преглед. J. Healthc. инж. 2020, 2020, 9162464.

11. Фуджита, Х.; Вие, Дж.; Li, Q.; Аримура, Х. Най-съвременното компютърно подпомагано откриване/диагностика (CAD). В сборника на ICMB 2010, Хонконг, Китай, 28–30 юни 2010 г.; Том 6165, стр. 296–305.

12. Джанг, JSR; Sun, CT; Мизутани, Е. Невро-размити и меки изчисления - изчислителен подход към обучението и машинния интелект. IEEE Trans. Автом. Контрол 1997, 42, 1482–1484. [CrossRef]

13. Абис, Х.; Maker, GL; Trengove, RD Metabolomics подходи за диагностика и разбиране на бъбречни заболявания. Метаболити 2019, 9, 34. [CrossRef]

14. Hansen, KL; Nielsen, MB; Ewertsen, C. Ултразвук на бъбреците: картинен преглед. Диагностика 2016, 6, 2. [CrossRef] [PubMed]

15. Сингх, П.; Мукундан, Р.; De Ryke, R. Подобряване на характеристиките в медицински ултразвукови видеоклипове с използване на ограничено по контраст адаптивно изравняване на хистограмата. J. Цифра. Изображения 2020, 33, 273–285. [CrossRef] [PubMed]

16. Jassim, FA Обезшумяване на изображение с помощта на филтър за интерквартилен обхват с локално осредняване. Вътр. J. Soft Comput. инж. 2013, 2, 424–428.

17. Харалик, РМ; Динштейн, И.; Shanmugamm, K. Текстурни характеристики за класификация на изображения. IEEE Trans. Syst. Човек Киберн. 1973, 3, 610–621. [CrossRef]

18. Томи, Л.; Патрик, Б.; Томас, А.; Tufve, N.; Anders, G. Характеристики на текстурата на Харалик с инвариантно ниво на сивото. PLoS ONE 2019, 14, e0212110.

19. Farizawani, AG; Путех, М.; Марина, Й.; Rivaie, A. Преглед на правилото за обучение на изкуствена невронна мрежа, базирано на множество варианти на конюгирани градиентни подходи. J. Phys. конф. сер. 2020, 1529, 022040. [CrossRef]

20. Igbinedion, BO; Окака, Е. Хронично бъбречно заболяване: сонографски/клинични находки в учебната болница на Университета на Бенин. Ан. Biomed. Sci. 2017, 16, 60–69.

21. Прашант, Канзас; Рави, Н.; Chandrashekar, HM Сонографско класифициране на промените в бъбречния паренхим и неговото сравнение с изчислената скорост на гломерулна филтрация (EGFR) с помощта на модифицирана диета във формула за бъбречно заболяване. Вътр. J. Contemp. Med. Surg. Радиол. 2020, 5, B13–B16.

22. Приянка; Kumar, D. Извличане на функции и селекция на ултразвукови изображения на бъбреците с помощта на GLCM и PCA. Procedia Comput. Sci. 2020, 167, 1722–1731. [CrossRef]

23. Куо, CC; Chang, CM; Liu, KT; Lin, WK; Chiang, HY; Chung, CW; Хо, MR; Сън, PR; Янг, RL; Chen, KT Автоматизиране на прогнозирането и класификацията на бъбречната функция чрез ултразвуково базирано изобразяване на бъбреците с помощта на дълбоко обучение. NPJ цифра. Med. 2019, 2, 29. [CrossRef] [PubMed]