Klassificering av kronisk njursjukdom i sonografi med hjälp av GLCM och artificiella neurala nätverk

Abstrakt: Kronisk njursjukdom (CKD) kan behandlas om den upptäcks tidigt, men när sjukdomen fortskrider blir återhämtning omöjlig.Så småningom är njurersättningsterapi som transplantation eller dialys nödvändig. Ultraljud är en testmetod för att diagnostisera njurcancer, inflammatorisk sjukdom, nodulär sjukdom, kronisk njursjukdom, etc. Den används för att bestämma graden av inflammation med hjälp av information som njurstorlek och interna ekoegenskaper. Graden av progressionen av kronisk njursjukdom i den aktuella kliniska prövningen baseras på värdet av den glomerulära filtrationshastigheten. Men förändringar i graden av inflammation och sjukdom kan även observeras med ultraljud. I denna studie testades totalt 741 bilder, 251 bilder av normala njurar, 328 bilder av mild och måttlig CKD och 162 bilder av allvarlig CKD. För att diagnostisera CKD i klinisk praxis sattes tre ROI: njurens cortex, gränsen mellan cortex och medulla, och medulla, som är områden som undersöks för att få information från ultraljudsbilder. Parametrar extraherades från varje ROI med hjälp av GLCM-algoritmen, som används ofta i ultraljudsbildanalys. När varje parameter extraherades från de tre områdena extraherades totalt 57 GLCM-parametrar. Slutligen användes totalt 58 parametrar genom att lägga till information om njurens storlek, vilket är viktigt för diagnosen kronisk njursjukdom. Det artificiella neurala nätverket (ANN) bestod av 58 ingångsparametrar, 10 dolda skikt och 3 utgångsskikt (normal, mild och måttlig CKD och svår CKD). Med ANN-modellen var den slutliga klassificeringsgraden 95,4 procent, den epok som behövs för träning var 38 gånger och felklassificeringsfrekvensen var 4,6 procent.

Cistanche deserticolas effekt—Tonifierande njure

Nyckelord: njure ultraljud; grånivå samförekomstmatris (GLCM); artificiellt neuralt nätverk; klassificering; kronisk njursjukdom (CKD)

1. Introduktion

Kronisk njursjukdom (CKD) ökar i takt med befolkningens åldrande och ökningen av kroniska sjukdomar. I många länder är det ett oroande hälsoproblem som orsakar en hög förekomst och förekomst av stroke, hjärtsjukdomar och komplikationer som diabetes och infektioner, samt ökade medicinska kostnader[1,2]. Kronisk njursjukdom används som en allmän term som syftar på njurskador i mer än 3 månader eller en kontinuerlig minskning av njurfunktionen oavsett orsak. Det är en sjukdom som ökar risken för hjärt-kärlsjukdom och som åtföljs av njursvikt och olika komplikationer [3,4]. Följande definition av kronisk njursjukdom används ofta av National Kidney Foundation (NKF): "om njurskadan, såsom proteinuri, hematuri eller patologisk abnormitet, eller glomerulär filtrationshastighet är mindre än 60 ml/min/1,73 m2 och varar i mer än 3 månader" [5]. Kronisk njursjukdom har olika orsaker och patologiska fynd, men kliniskt kan det bekräftas relativt enkelt genom ett urintest för att upptäcka proteinuri och ett blodprov för att uppskatta den glomerulära filtrationshastigheten. Inom det kliniska området delas stadiet av kronisk njursjukdom in i fem stadier från steg 1 till steg 5 enligt den uppskattade glomerulära filtrationshastigheten för diagnos och behandling av patienter. Kronisk njursjukdom kan sägas vara en relativt vanlig kronisk sjukdom, men jämfört med andra kroniska sjukdomar som högt blodtryck och diabetes är allmänhetens medvetenhet inte hög [6]. Eftersom det lätt kan diagnostiseras genom ett relativt enkelt test, kan tidig diagnos bromsa utvecklingen av sjukdomen genom tidig behandling. Men eftersom symtomen inte är tydliga diagnostiseras sjukdomen ofta efter en lång tidsperiod, vilket leder till njursvikt eller till och med dödsfall på grund av komplikationer som hjärt-kärlsjukdom. I allmänhet fortsätter kronisk njursjukdom att utvecklas när den väl inträffar. Tidig diagnos kan dock bromsa nedgången i njurfunktionen och återhämtning från kronisk njursjukdom [7].

Ultraljud, som är en av metoderna för att diagnostisera kronisk njursjukdom, är mycket viktigt för att kontrollera om njurfunktionen är nedsatt på grund av andra orsaker, såsom njurens storlek och morfologi. [8].

Desert living cistanche—Tonifierande njure

(Experimentella studier har visat att Cistanche deserticola-extrakt kan skydda njurtubulära celler, förhindra njurinterstitiell lesioner, bromsa frekvensen av njursvikt och effektivt förhindra sekundära bakterieinfektioner hos patienter med kronisk njursvikt. Det har terapeutiska effekter på både kronisk och akut njursjukdom.)

GLCM-algoritmen, som extraherar funktionspunkter genom att betona rumsliga egenskaper i sådana ultraljudsbilder, används i stor utsträckning i ultraljudsbildanalys genom att använda korrelationen mellan den aktuella pixeln och ljusstyrkan för dess närliggande pixlar [9].

Automatisk upptäckt av sjukdomar med hjälp av bilder som ultraljudsgrafik via beräkningsmetoder har varit av stor betydelse de senaste åren, särskilt efter skapandet av datorstödda diagnossystem (CAD) [10,11].

Artificiella neurala nätverk (ANN) används vanligtvis för att formulera statistiska modeller för datoranalys. Ett artificiellt neuralt nätverk (ANN) eller ett enkelt neuralt nätverk (NN) är en beräkningsstruktur baserad på biologiska nervcellers funktion. Nätverk av denna typ har förmågan att lära sig och känna igen mönster baserat på inmatad information och använda dessa mönster för att förutsäga framtida information genom att extrapolera inlärda data. Dessa neurala nätverk består av små bearbetningsenheter som kallas neuroner kopplade till varandra i grupper som kallas lager; det gemensamma neurala nätverket har minst ett indatalager, ett dolt lager och ett utdatalager [12].

I detta dokument erhölls olika parametrar genom att tillämpa GLCM-algoritmen på ultraljudsbilder klassificerade som normala njurbilder, milda och måttliga CKD-bilder och allvarliga CKD-bilder. Kronisk njursjukdom klassificerades genom att applicera ett artificiellt neuralt nätverk med GLCM-parametrar och njurstorlek. Syftet med denna studie är att klassificera kronisk njursjukdom i tre kategorier för att avgöra om en tidig diagnos av kronisk njursjukdom är möjlig.

Stålmannen örter cistanche—Tonifierande njure

Klicka här för att se produkter från Cistanche for Kidney disease

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

2. Material och metoder

2.1. Ämnen och datainsamling

Från januari 2015 till december 2017 utfördes experimentet med hjälp av ultraljudsbilder av frivilliga som besökte sjukhuset för medicinsk undersökning på R Hospital i Yangsan, Gyeong-sang-nam-do, och patienter med diagnosen CKD.

Tabell 1 visar de kliniska egenskaperna hos försökspersonerna. Totalt användes 741 ultraljudsbilder, inklusive 251 normala bilder, 328 bilder av mild och måttlig CKD och 162 bilder av allvarlig CKD, klassificerade av läkaren. Radiologer klassificerade de experimentella bilderna till de av patienter med mild och måttlig CKD och patienter med svår CKD genom att läsa, och fall med njurcancer, njurcystor och medfödda sjukdomar i njuren uteslöts från experimentet [13].

När det gäller den experimentella utrustningen användes en RS80A (Samsung Medison, Seoul, Korea) ultraljudsenhet, och bildförhållandena erhölls med en förstärkning på 50, ett dynamiskt omfång på 56, ett bildrutemedelvärde på 8, en effekt på 95 och en allmän frekvens. Alla tester utfördes under frivilligt deltagande och godkändes av Institutional Review Board (IRB) vid Catholic University of Busan (CUPIRB-2017-023).

Tabell 1 visar information om testpersonernas ålder, kön, eGFR, högt blodtryck och diabetes.

Tabell 1. Kliniska egenskaper.

2.2. Experimentell metod

Regionen av intresse (ROI) sattes i ultraljudsbilden av njuren, och resultatet beräknades med MATLAB 2016a (MathWorks Inc., Natick, MA, USA). ROI valdes genom att ställa in den kortikala regionen, gränsregionen mellan cortex och medulla och medulla-regionen. I ultraljudsbilden är egenskaperna hos den normala njuren i form av en oval som består av njurbarken, som visar lågt eko jämfört med levern, och njursinus, som visar högt eko. Gränsen mellan cortex och njursinus är tydlig och ett högt eko i mitten syns. Å andra sidan, i njuren som är kontinuerligt skadad, ökar ultraljudsekot i njurbarken på grund av fibros. Som ett resultat observeras gränsen mellan den ljusnade njurbarken och njurbarken otydligt. Dessutom, på grund av nedgången i funktion, minskar storleken och njuratrofi observeras [14]. Eftersom dessa funktioner används vid diagnos av kronisk njursjukdom, sattes ROI-området till 50 × 50 och sattes till 3 platser. Följande figur visar normala, måttliga och svåra ultraljudsbilder med en upplösning på 872 × 1280 som används i denna studie. Figur 1 visar normala, milda och måttliga och svåra CKD ultraljudsbilder.

Figur 1. Originalbilder.

Figur 2 visar det övergripande blockschemat för detta experiment.

Histogramutjämning och avståndsfilterförbehandling utfördes på den ursprungliga ultraljudsbilden. Histogramutjämning kan förbättra kvaliteten på en bild genom att göra fördelningen av ljus och mörker i bilden enhetlig [15]. Avståndsfiltret kan orsaka brusreduceringseffekten genom att markera bildens gräns [16]. Efter att förbehandlingen utförts extraherades funktionsparametrar genom att tillämpa GLCM-algoritmen. Totalt 19 parametrar extraherades från var och en av de tre regionerna i figur 1. Originalbilder. Figur 2 visar det övergripande blockschemat för detta experiment. Histogramutjämning och avståndsfilterförbehandling utfördes på den ursprungliga ultraljudsbilden. Histogramutjämning kan förbättra kvaliteten på en bild genom att göra fördelningen av ljus och mörker i bilden enhetlig [15]. Avståndsfiltret kan orsaka brusreduceringseffekten genom att markera bildens gräns [16]. Efter att förbehandlingen utförts extraherades funktionsparametrar genom att tillämpa GLCM-algoritmen. Totalt 19 parametrar extraherades från var och en av de tre regionerna i cortex, gränsen mellan cortex och medulla och medulla, och slutligen kombinerades storleksinformationen för att bestämma totalt 58 ingångsparametrar.

Ett artificiellt neuralt nätverk med 10 dolda lager konstruerades och resultatet designades för att klassificeras i tre typer: normal, mild och måttlig CKD och svår CKD.

Figur 2. Totalt blockschema över bildbehandling.

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

GLCM [17], en texturdeskriptor, används för att beräkna andra ordningens statistiska egenskaper från normala och CKD-bilder. Med tanke på en bild I med storleken M × N och Ng antal distinkta grånivåer, beräknas texturvariationerna genom att använda gråtonens rumsliga beroendematris p (i, j), där pixlarna separeras med ett avstånd d vid i:e och j:e grånivåerna. I detta aktuella arbete övervägdes fyra vinklar (0◦, 45◦, 90◦ och 135◦) med ett pixelavstånd på 1. Andra ordningens statistiska egenskaper (autokorrelation, kontrast, korrelation, klusterprominens, klusternyans, olikhet, energi, entropi, homogenitet, maximal sannolikhet, kvadratsummans varians, summamedelvärde, summavarians, summaentropi, skillnadsvarians, skillnadsentropi, informationsmått på korrelation 1, informationsmått på korrelation 2 och invers skillnad (INV)) beräknades med användning av GLCM. Figur 3a visar resultatet implementerat med MATLAB för att erhålla GLCM-parametrar. Om du väljer ROI-området och kör, sparas det som en Excel-fil, som visas i figur 3b

Figur 3. Programgenomförande.

Tabell 3 visar parametrarna som kan extraheras vid beräkning av GLCM med hjälp av en ROI-bild. Tabell 1 visar de variabler och notation som används för att beräkna texturegenskaper som är parametrarna för GLCM.

Tabell 2. Variabler och notationer som används för att beräkna texturegenskaperna.

2.4. Artificiellt neuralt nätverk (ANN)

ANN är en del av maskininlärning som för närvarande har blivit betydande inom forskning och utveckling. Begreppet maskininlärning är en dators förmåga att förstå strukturen av data med hjälp av en matematisk eller statistisk modell. Grunden för en ANN består av ett enda lager av ingångs-, process- och utdataelement. Som ett resultat, från ett mycket grundläggande koncept av en informationsbehandlingscykel, utför ANN sedan en komplex matematisk formulering för att producera ett optimalt resultat för alla datauppsättningar eller problemsegment [19].

Figur 4 visar blockschemat för det neurala nätverk som används i detta experiment. ROI valdes från 3 platser för funktionsdetektering i originalbilden.

ROI valdes från cortex, gränsen mellan cortex och medulla och medulla. Storleken på njuren, som är en mycket viktig faktor vid diagnosen av kronisk njursjukdom, valdes som en egenskapsparameter. Som ett resultat av GLCM-beräkningen extraherades 19 parametrar från var och en av cortexregionerna; det vill säga gränsen mellan cortex och medulla och medulla (tabell 3). Dessutom, genom att lägga till storleken på njuren som en parameter, bestod ingångsskiktet av totalt 58 noder. Efter att ha passerat genom 10 dolda lager klassificerades utgångsskiktet i tre typer: normal, mild och måttlig CKD och svår CKD.

Figur 4. Effektklassificering baserad på ANN-modellen.

Tabell 3. Parametrar för GLCM

3. Resultat

Implementeringen av bildförbehandling, GLCM-algoritmen och det artificiella neurala nätverket utfördes med MATLAB R2016a. Detta verktyg ger ett användarvänligt gränssnitt och har många inbyggda funktioner, så det är lätt att implementera algoritmer i det. Windows 10 (64-bit) med en 3,60 GHz Intel i9-processor och 64 GB RAM användes för denna studie.

GLCM-algoritm. Funktioner erhölls med hjälp av GLCM

Figur 5. Val av ROI.

Figur 6 visar resultaten av att tillämpa histogramutjämning på ROI-området under återbehandlingsprocessen.

Figur 6. Resultaten av förbearbetningen: (a) histogramutjämning; (b) intervallfifilter.

Efter förbearbetningen av amerikanska bilder extraherades texturstatistiska funktioner med hjälp av GLCM-algoritmen. Funktioner erhölls med hjälp av GLCM i förhållande till fyra olika orienteringar som beräknades. Tabell 4–7 visar GLCM-resultaten för cortex, gränsen mellan cortex och medulla, respektive medulla. Tabell 7 visar storleken på njuren som är normal och med mild och måttlig CKD och svår CKD.

Tabell 4. Värden på GLCM-egenskaper i cortex (medelvärde ± STD).

Tabell 5. Värden på GLCM-egenskaper för gränsen mellan cortex och medulla (medelvärde ± STD).

Tabell 6. Värden på GLCM-egenskaper hos medulla (medelvärde ± STD).

Tabell 7. Storleken på den normala njuren och den med mild och måttlig CKD och svår CKD (medelvärde ± STD).

Figur 7 visar resultatet av ANN som består av 64 ingångar, 10 dolda lager och 3 utgångar. I figur 7a var träningsresultatet 95,6 procent, valideringsresultatet var 97,3 procent och testresultatet var 85,7 procent. Den implementerade modelleringen har ett fel på 0,030511 som visas i figur 7b. Med denna ANN-modell var den sista klassificeringsgraden 95,4 procent. Figur 8 visar ROC-kurvan för resultaten.

Figur 7. Resultaten av ANN.

Figur 8. ROC-kurva för resultaten.

4. Diskussion

Över hela världen ökar antalet patienter med kronisk njursjukdom i en enorm takt. Kronisk njursjukdom är särskilt vanlig i samband med diabetes, högt blodtryck och hög ålder, men Korea har nyligen blivit ett åldrande samhälle, och antalet patienter med högt blodtryck och diabetes har ökat på grund av den västerländska livsstilen; dessutom lider cirka 10 procent av den vuxna befolkningen av kronisk njursjukdom och är 60 år eller äldre. Incidensen av kronisk njursjukdom ökar snabbt. Detta fenomen gör att antalet patienter som behöver dialys eller en njurtransplantation på grund av kronisk njursjukdom också ökar, och när antalet patienter med njursvikt i slutstadiet ökar är en enorm förlust oundviklig oundviklig ur både det sociala och nationella sammanhang samt i enskilda patienter och familjer [2].

Kinesisk ört cistanche—Tonifierande njure

(Experimentella studier har visat att olika komponenter i Cistanche deserticola effektivt kan reglera och fylla på njurkörtlarna, med tillräcklig njurkraft som direkt förbättrar funktionen hos kroppens energifabriksmitokondrier, kontinuerligt genererar energi, håller kroppen i ett upphetsat tillstånd, förbättrar dess kyltolerans och minskar trötthet.)

I denna studie sattes njurens cortex, gränsen mellan cortex och medulla och medulla som ROI för diagnostisering av kronisk njursjukdom på ultraljudsbilder. Parametrar extraherades från varje ROI-region med hjälp av GLCM-algoritmen, som används allmänt i ultraljudsbildanalys. Parametrarna är autokorrelation, kontrast, korrelation, klusterprominens, klusternyans, olikhet, energi, entropi, homogenitet, maximal sannolikhet, kvadratsumman varians, summamedelvärde, summavarians, summaentropi, skillnadsvarians, skillnadsentropi, informationsmått för korrelation 1, informationsmått på korrelation 2 och invers skillnad (INV). När varje parameter extraherades från tre områden extraherades totalt 57 GLCM-parametrar. Slutligen användes totalt 58 parametrar genom att lägga till information om njurens storlek, vilket är viktigt för diagnosen kronisk njursjukdom. Totalt 58 ingångsparametrar testades genom att konstruera en ANN, som är en maskininlärningsmetod. Inmatningsparametrarna sattes till 58 och det dolda lagret sattes till 10. Eftersom 10 eller fler dolda lager inte visade någon effekt på klassificeringshastigheten, utfördes experimentet med 10 dolda lager. De tre utfallen som skulle klassificeras var normal, mild och måttlig CKD och svår CKD. Man tror att klassificeringsgraden för resultatet som ska klassificeras ökades genom att använda alla 58 ingångsparametrar. Klassificeringsnoggrannheten var 95,4 procent, epok som behövs för träning var 38 gånger och felklassificeringsfrekvensen var 4,6 procent. I detta experiment klassificerades tre typer av tillstånd, nämligen normal, mild, måttlig CKD och svår CKD, men en ytterligare detaljerad klassificering av sjukdomstillstånd krävs. Dessutom genomfördes experimentet genom att inhämta 741 dataobjekt, vilket beror på att mängden data inte är stor; sålunda valdes maskininlärningsmetoden. När en stor mängd data samlas in planerar vi att tillämpa djupinlärningsmetoden efter att ha skaffat mer data. För att använda det kliniskt är det nödvändigt att diversifiera typerna av klassificering. Efter att ha gjort det implementerade resultatet tillgängligt för ultraljudsutrustningen måste det uppgraderas genom feedback från sonografen.

5. Slutsatser

Kronisk njursjukdom kan behandlas om den upptäcks tidigt,Cistanche deserticola är ett bra sätt att tonifiera njurarna. Cistanche deserticola kan kombineras med gojibär och Cynomorium solarium för att brygga och dricka, vilket har en god effekt på tonifiering av njurarna. Cistanche deserticola ma används främst för att behandla ömhet och svaghet i midjan och knäna orsakad av njurens yang-brist, vilket har effekten att tonifiera njurarna och har en viss lindrande effekt på tidig njursjukdom.

Cistanche deserticola-effekt - tonifierande njure

Men när sjukdomen fortskrider blir återhämtning omöjlig. Så småningom måste njurersättningsterapi som transplantation eller dialys användas. Det är med andra ord avgörande att upptäcka och behandla kronisk njursjukdom i tidiga skeden. Ultraljud är en testmetod för att diagnostisera njurcancer, inflammatorisk sjukdom, nodulär sjukdom, kronisk njursjukdom etc. och används för att kontrollera information om graden av inflammation med hjälp av information som njurstorlek och interna ekoegenskaper.

I denna studie användes ultraljudsbilder, inklusive 251 normala njurbilder, 328 bilder av mild och måttlig njursjukdom och 162 bilder av allvarliga njurnjurar, i 741 fall. För att diagnostisera kronisk njursjukdom i klinisk praxis sattes tre ROI:er, nämligen njurens cortex, gränsen mellan cortex och medulla och medulla, vilka är områden som undersöks för att få information från ultraljudsbilder. Parametrar extraherades från varje ROI med hjälp av GLCM-algoritmen, som används ofta i ultraljudsbildanalys. När varje parameter extraherades från de tre områdena extraherades totalt 57 GLCM-parametrar. Slutligen användes totalt 58 parametrar genom att lägga till information om njurens storlek, vilket är viktigt för diagnosen kronisk njursjukdom. ANN bestod av 58 ingångsparametrar, 10 dolda lager och 3 utdatalager (normal, mild och måttlig CKD och svår CKD). Med ANN-modellen var den slutliga klassificeringsgraden 95,4 procent, den epok som behövs för träning var 38 gånger och felklassificeringsfrekvensen var 4,6 procent. Man tror att detta experiment kan användas som grund för att implementera ett automatiskt diagnossystem inom området för diagnos av kronisk njursjukdom med hjälp av ultraljudsbilder. Dessutom anses användningen av experimentella resultat spela en viktig roll i kliniskt beslutsfattande, inklusive tidig diagnos och behandling av kronisk njursjukdom.

Referenser

1. Irina, L.; Flávio, R.; Idalina, B.; Rui, A.; Luís, B.; Alice, SS Nya potentiella biomarkörer för hantering av kroniska njursjukdomar – en genomgång av litteraturen. Int. J. Mol. Sci. 2021, 22, 43.

2. Couser, WG; Remuzzi, G.; Mendis, S.; Tonelli, M. Bidraget från kronisk njursjukdom till den globala bördan av stora icke-smittsamma sjukdomar. Kidney Int. 2011, 80, 1258–1270. [CrossRef]

3. Cañadas-Garre, M.; Anderson, K.; McGoldrick, J.; Maxwell, AP; McKnight, AJ Proteomiska och metabolomiska tillvägagångssätt i sökandet efter biomarkörer vid kronisk njursjukdom. 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 och klassificering av kronisk njursjukdom: Ett ställningstagande från Kidney Disease: Improving Global Outcomes (KDIGO). Kidney Int. 2005, 67, 2089–2100. [CrossRef]

5. Komenda, P.; Rigatto, C.; Tangri, N. Screeningstrategier för okänd CKD. Clin. J. Am. Soc. Nephrol. 2016, 11, 925–927. [CrossRef] [PubMed]

6. Lee, HS; Jang, HB; Yoo, MG; Park, SI; Lee, HJ Aminosyrametaboliter associerade med kronisk njursjukdom: en åttaårig uppföljningsstudie av koreansk epidemiologi. Biomedicines 2020, 8, 222. [CrossRef]

7. Hewadikaram, D.; Bandara, M.; Pattividana, AN; Jayaweera, H. En ny ultraljudsteknik för att upptäcka tidig kronisk njursjukdom. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Jovanovic, D.; Gasic, B.; Pavlovic, S.; Naumovic, R. Korrelation av njurstorlek med njurfunktion och antropometriska parametrar hos friska försökspersoner och patienter med kroniska njursjukdomar. Ren. Misslyckas. 2013, 35, 896–900. [CrossRef]

9. Gao, S.; Peng, Y.; Guo, H.; Liu, W.; Gao, T.; Xu, Y.; Tang, X. Texturanalys och klassificering av ultraljudsleverbilder. Biome. Mater. Eng. 2014, 24, 1209–1216. [CrossRef] [PubMed]

10. Saleem, ZR-metoder som används vid datorstödd diagnostik för upptäckt av bröstcancer med mammografi: en recension. J. Healthc. Eng. 2020, 2020, 9162464.

11. Fujita, H.; Du, J.; Li, Q.; Arimura, H. Det senaste inom datorstödd upptäckt/diagnos (CAD). I Proceedings of the ICMB 2010, Hong Kong, Kina, 28–30 juni 2010; Volym 6165, s. 296–305.

12. Jang, JSR; Sun, CT; Mizutani, E. Neuro-Fuzzy and Soft Computing—A Computational Approach to Learning and Machine Intelligence. IEEE Trans. Autom. Kontroll 1997, 42, 1482–1484. [CrossRef]

13. Abbiss, H.; Maker, GL; Trengove, RD Metabolomics metoder för diagnos och förståelse av njursjukdomar. Metaboliter 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. Funktionsförbättring i medicinska ultraljudsvideor med kontrastbegränsad adaptiv histogramutjämning. J. siffra. Imaging 2020, 33, 273–285. [CrossRef] [PubMed]

16. Jassim, FA Bildnedsättning med användning av interkvartilavståndsfilter med lokalt medelvärde. Int. J. Soft Comput. Eng. 2013, 2, 424–428.

17. Haralick, RM; Dinstein, I.; Shanmugamm, K. Strukturella egenskaper för bildklassificering. IEEE Trans. Syst. Man Cybern. 1973, 3, 610-621. [CrossRef]

18. Tommy, L.; Patrik, B.; Thomas, A.; Tufve, N.; Anders, G. Grånivå invariant Haralick textur funktioner. PLoS ONE 2019, 14, e0212110.

19. Farizawani, AG; Puteh, M.; Marina, Y.; Rivaie, A. En genomgång av konstgjorda neurala nätverksinlärningsregel baserad på flera varianter av konjugerade gradientmetoder. J. Phys. Konf. Ser. 2020, 1529, 022040. [CrossRef]

20. Igbinedion, BO; Okaka, E. Chronic Kidney Disease: Sonografiska/kliniska fynd vid University of Benin Teaching Hospital. Ann. Biomed. Sci. 2017, 16, 60–69.

21. Prashanth, KS; Ravi, N.; Chandrashekar, HM Sonografisk gradering av njurparenkymala förändringar och dess jämförelse med uppskattad glomerulär filtreringshastighet (EGFR) med hjälp av modifierad diet i formeln för njursjukdomar. Int. J. Contemp. Med. Surg. Radiol. 2020, 5, B13–B16.

22. Priyanka; Kumar, D. Funktionsextraktion och urval av njurultraljudsbilder med GLCM och 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 av njurfunktionsförutsägelse och klassificering genom ultraljudsbaserad njuravbildning med djupinlärning. NPJ-siffra. Med. 2019, 2, 29. [CrossRef] [PubMed]