Классификация хронической болезни почек при сонографии с использованием GLCM и искусственной нейронной сети

Абстрактный: Хроническую болезнь почек (ХБП) можно лечить, если она обнаружена на ранней стадии, но по мере прогрессирования болезни выздоровление становится невозможным.В конечном итоге необходима заместительная почечная терапия, такая как трансплантация или диализ. Ультразвук — это метод исследования, с помощью которого можно диагностировать рак почки, воспалительное заболевание, узловое заболевание, хроническое заболевание почек и т. д. Он используется для определения степени воспаления с использованием такой информации, как размер почки и характеристики внутреннего эха. Степень прогрессирования хронической болезни почек в текущем клиническом исследовании основывается на величине скорости клубочковой фильтрации. Однако изменения степени воспаления и заболевания можно наблюдать даже при УЗИ. В этом исследовании было протестировано в общей сложности 741 изображение, 251 изображение нормальной почки, 328 изображений легкой и умеренной ХБП и 162 изображения тяжелой ХБП. Для диагностики ХБП в клинической практике были установлены три области интереса: корковое вещество почки, граница между корковым и мозговым веществом и мозговое вещество, которые являются областями, исследуемыми для получения информации из ультразвуковых изображений. Параметры были извлечены из каждой области интереса с использованием алгоритма GLCM, который широко используется при анализе ультразвуковых изображений. Когда каждый параметр был извлечен из трех областей, всего было извлечено 57 параметров GLCM. Наконец, всего было использовано 58 параметров с добавлением информации о размере почки, что важно для диагностики хронического заболевания почек. Искусственная нейронная сеть (ИНС) состояла из 58 входных параметров, 10 скрытых слоев и 3 выходных слоев (нормальная, легкая и умеренная ХБП и тяжелая ХБП). Используя модель ANN, окончательный уровень классификации составил 95,4 процента, эпоха, необходимая для обучения, составила 38 раз, а уровень ошибочной классификации составил 4,6 процента.

Эффективность Cistanche Deserticola — тонизирует почки

Ключевые слова: УЗИ почек; матрица совпадения уровней серого (GLCM); искусственная нейронная сеть; классификация; хроническая болезнь почек (ХБП)

1. Введение

Хроническая болезнь почек (ХБП) увеличивается по мере старения населения и роста хронических заболеваний. Во многих странах это представляет собой серьезную проблему со здоровьем, вызывающую высокую распространенность и частоту инсультов, сердечных заболеваний и осложнений, таких как диабет и инфекции, а также увеличение медицинских расходов.[1,2]. Хроническая болезнь почек используется как общий термин, обозначающий повреждение почек в течение более 3 месяцев или постоянное снижение функции почек независимо от причины. Это заболевание, повышающее риск сердечно-сосудистых заболеваний и сопровождающееся почечной недостаточностью и различными осложнениями [3,4]. Следующее определение хронической болезни почек широко используется Национальным фондом почек (NKF): «если поражение почек, такое как протеинурия, гематурия или патологическая аномалия, или скорость клубочковой фильтрации составляет менее 60 мл/мин/1,73 м2 и длится более 3 месяцев» [5]. Хроническая болезнь почек имеет различные причины и патологические проявления, но клинически ее можно подтвердить относительно просто с помощью анализа мочи для выявления протеинурии и анализа крови для оценки скорости клубочковой фильтрации. В клинической сфере стадия хронической болезни почек делится на пять стадий от стадии 1 до стадии 5 в соответствии с расчетной скоростью клубочковой фильтрации для диагностики и лечения пациентов. Можно сказать, что хроническая болезнь почек является относительно распространенным хроническим заболеванием, но по сравнению с другими хроническими заболеваниями, такими как высокое кровяное давление и диабет, осведомленность широкой общественности невысока [6]. Поскольку его можно легко диагностировать с помощью относительно простого теста, ранняя диагностика может замедлить прогрессирование заболевания за счет раннего лечения. Однако, поскольку симптомы неясны, заболевание часто диагностируется спустя длительный период времени, что приводит к почечной недостаточности или даже смерти из-за осложнений, таких как сердечно-сосудистые заболевания. Как правило, хроническая болезнь почек продолжает прогрессировать после возникновения. Однако ранняя диагностика может замедлить снижение функции почек и выздоровление от хронического заболевания почек [7].

УЗИ, которое является одним из методов диагностики хронического заболевания почек, очень важно для проверки того, снижена ли функция почек по другим причинам, таким как размер и морфология почки. [8].

Цистанхе, живущая в пустыне — тонизирующая почки

(Экспериментальные исследования показали, что экстракт цистанхе пустынного может защищать клетки почечных канальцев, предотвращать интерстициальные поражения почек, замедлять скорость почечной недостаточности и эффективно предотвращать вторичные бактериальные инфекции у пациентов с хронической почечной недостаточностью. Он оказывает терапевтическое действие как при хронической, так и при острой болезнь почек.)

Алгоритм GLCM, который выделяет характерные точки путем выделения пространственных характеристик в таких ультразвуковых изображениях, широко используется в анализе ультразвуковых изображений с использованием корреляции между текущим пикселем и значением яркости соседних пикселей [9].

Автоматическое выявление заболеваний с помощью таких изображений, как ультразвуковая графика, с помощью вычислительных методов приобрело большое значение в последние годы, особенно после создания систем автоматизированной диагностики (CAD) [10,11].

Искусственные нейронные сети (ИНС) обычно используются для построения статистических моделей для компьютерного анализа. Искусственная нейронная сеть (ИНС) или простая нейронная сеть (НС) — это вычислительная структура, основанная на функционировании биологических нейронов. Сети этого типа имеют возможность изучать и распознавать шаблоны на основе входной информации и использовать эти шаблоны для прогнозирования будущей информации путем экстраполяции изученных данных. Эти нейронные сети состоят из небольших блоков обработки, называемых нейронами, соединенных друг с другом в группы, называемые слоями; обычная нейронная сеть имеет как минимум один входной слой, один скрытый слой и один выходной слой [12].

В этой статье различные параметры были получены путем применения алгоритма GLCM к ультразвуковым изображениям, классифицированным как нормальные изображения почек, изображения ХБП легкой и средней степени тяжести и изображения тяжелой ХБП. Хроническая болезнь почек была классифицирована с применением искусственной нейронной сети с использованием параметров GLCM и размера почки. Целью данного исследования является классификация хронического заболевания почек по трем категориям, чтобы определить, возможна ли ранняя диагностика хронического заболевания почек.

Цистанхе на травах Супермена — тонизирующая почки

Нажмите здесь, чтобы просмотреть продукты Cistanche для лечения заболеваний почек

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

2. Материалы и методы

2.1. Субъекты и сбор данных

С января 2015 года по декабрь 2017 года эксперимент проводился с использованием ультразвуковых изображений добровольцев, посетивших больницу R Hospital для медицинского обследования в Янсане, Кёнсан-Намдо, и пациентов с диагнозом ХБП.

В таблице 1 показаны клинические характеристики субъектов. Всего было использовано 741 ультразвуковое изображение, в том числе 251 нормальное изображение, 328 изображений ХБП легкой и средней степени тяжести и 162 изображения тяжелой ХБП, классифицированных врачом. Радиологи классифицировали экспериментальные изображения на изображения пациентов с ХБП легкой и средней степени тяжести и пациентов с тяжелой ХБП путем чтения, а случаи с раком почки, почечными кистами и врожденными заболеваниями почки были исключены из эксперимента [13].

Что касается экспериментального оборудования, использовалось ультразвуковое устройство RS80A (Samsung Medison, Сеул, Корея), и условия изображения были получены с коэффициентом усиления 50, динамическим диапазоном 56, средним значением кадра 8, мощностью 95 и общей частотой. Все тесты проводились при добровольном участии и были одобрены Институциональным наблюдательным советом (IRB) Католического университета Пусана (CUPIRB-2017-023).

В таблице 1 представлена ​​информация о возрасте, поле, рСКФ, гипертензии и диабете испытуемых.

Таблица 1. Клинические характеристики.

2.2. Экспериментальный метод

Область интереса (ROI) была установлена ​​на ультразвуковом изображении почки, и результат был рассчитан с использованием MATLAB 2016a (MathWorks Inc., Natick, MA, USA). Область интереса была выбрана путем установки области коры, пограничной области между корой и мозговым веществом и области мозгового вещества. На ультразвуковом изображении характеристики нормальной почки имеют форму овала, состоящего из коркового слоя почки, который показывает низкий уровень эха по сравнению с печенью, и почечного синуса, который показывает высокий уровень эха. Граница между корковым веществом и почечным синусом четкая, в центре видна высокая эхогенность. С другой стороны, в почке, которая постоянно повреждена, ультразвуковое эхо коры почки увеличивается из-за фиброза. В результате нечетко прослеживается граница между просветленной корой почки и корковым веществом почки. Кроме того, из-за снижения функции уменьшаются размеры и наблюдается атрофия почки [14]. Поскольку эти функции используются при диагностике хронического заболевания почек, область ROI была установлена ​​​​на 50 × 50 и установлена ​​​​на 3 местоположения. На следующем рисунке показаны нормальные, средние и тяжелые ультразвуковые изображения с разрешением 872 × 1280, использованные в этом исследовании. На рис. 1 показаны ультразвуковые изображения нормальной, легкой, средней и тяжелой ХБП.

Рисунок 1. Исходные изображения.

На рис. 2 показана общая блок-схема этого эксперимента.

Выравнивание гистограммы и предварительная обработка фильтром диапазона выполнялись на исходном ультразвуковом изображении. Выравнивание гистограммы может улучшить качество изображения за счет равномерного распределения света и тени в изображении [15]. Фильтр диапазона может вызывать эффект шумоподавления, выделяя границу изображения [16]. После выполнения предварительной обработки параметры признаков были извлечены с применением алгоритма GLCM. Всего было извлечено 19 параметров из каждой из трех областей рисунка 1. Исходные изображения. На рис. 2 показана общая блок-схема этого эксперимента. Выравнивание гистограммы и предварительная обработка фильтром диапазона выполнялись на исходном ультразвуковом изображении. Выравнивание гистограммы может улучшить качество изображения за счет равномерного распределения света и тени в изображении [15]. Фильтр диапазона может вызывать эффект шумоподавления, выделяя границу изображения [16]. После выполнения предварительной обработки параметры признаков были извлечены с применением алгоритма GLCM. Всего было извлечено 19 параметров из каждой из трех областей коры, границы между корой и мозговым веществом и мозгового вещества, и, наконец, информация о размере была объединена для определения в общей сложности 58 входных параметров.

Была построена искусственная нейронная сеть с 10 скрытыми слоями, а выходные данные были разделены на три типа: нормальная, легкая и умеренная ХБП и тяжелая ХБП.

Рисунок 2. Общая блок-схема обработки изображения.

2.3. Серая матрица совпадения событий (GLCM)

GLCM [17], дескриптор текстуры, используется для вычисления статистических характеристик второго порядка из нормальных изображений и изображений CKD. Рассматривая изображение I с размером M × N и числом различных уровней серого Ng, вариации текстуры рассчитываются с использованием матрицы пространственной зависимости оттенков серого p (i, j), где пиксели разделены расстоянием d на i-й и j-й уровни серого. В настоящей работе рассматривались четыре угла (0◦, 45◦, 90◦ и 135◦) с расстоянием между пикселями, равным 1. Статистические признаки второго порядка (автокорреляция, контрастность, корреляция, заметность кластера, оттенок кластера, несходство, энергия, энтропия, однородность, максимальная вероятность, сумма квадратов дисперсии, сумма среднего, сумма дисперсии, сумма энтропии, разностная дисперсия, разностная энтропия, информационная мера корреляции 1, информационная мера корреляции 2 и обратная разность (INV)) были рассчитаны с использованием GLCM. На рис. 3а показан результат, реализованный с использованием MATLAB для получения параметров GLCM. Если вы выберете область ROI и запустите ее, она будет сохранена в виде файла Excel, как показано на рисунке 3b.

Рисунок 3. Реализация программы.

В таблице 3 показаны параметры, которые можно извлечь при расчете GLCM с использованием изображения ROI. В таблице 1 показаны переменные и обозначения, используемые для вычисления характеристик текстуры, которые являются параметрами GLCM.

Таблица 2. Переменные и обозначения, используемые для вычисления текстурных признаков.

2.4. Искусственная нейронная сеть (ИНС)

ИНС — это элемент машинного обучения, который в настоящее время играет важную роль в исследованиях и разработках. Концепция машинного обучения — это способность компьютера понимать структуру данных с помощью математической или статистической модели. Основа ИНС состоит из одного слоя элементов ввода, процесса и вывода. В результате, исходя из очень простой концепции цикла обработки информации, ИНС затем выполняет сложную математическую формулировку для получения оптимального результата для любого набора данных или сегмента задачи [19].

На рис. 4 показана блок-схема нейронной сети, используемой в этом эксперименте. ROI была выбрана из 3 мест для обнаружения особенностей на исходном изображении.

ROI была выбрана из коры, границы между корой и мозговым веществом и мозгового вещества. В качестве признака был выбран размер почки, который является очень важным фактором в диагностике хронической болезни почек. В результате расчета GLCM из каждой области коры было извлечено 19 параметров; то есть граница между корковым и мозговым веществом и мозговым веществом (табл. 3). Кроме того, при добавлении размера почки в качестве параметра входной слой состоял из 58 узлов. После прохождения через 10 скрытых слоев выходной слой был разделен на три типа: нормальная, легкая и умеренная ХБП и тяжелая ХБП.

Рисунок 4. Классификация выходных данных на основе модели ANN.

Таблица 3. Параметры GLCM

3. Результаты

Реализация предобработки изображений, алгоритма GLCM и искусственной нейронной сети осуществлялась с помощью MATLAB R2016a. Этот инструмент имеет удобный интерфейс и множество встроенных функций, поэтому в нем легко реализовать алгоритмы. Для этого исследования использовалась Windows 10 (64-bit) с процессором Intel i9 3,60 ГГц и 64 ГБ ОЗУ.

Алгоритм GLCM. Средние признаки были получены с помощью GLCM

Рисунок 5. Выбор ROI.

На рис. 6 показаны результаты применения выравнивания гистограммы к области ROI в процессе повторного лечения.

Рис. 6. Результаты предварительной обработки: (а) выравнивание гистограммы; (b) диапазонный фильтр.

После предварительной обработки УЗ-изображений были извлечены статистические признаки текстуры с использованием алгоритма GLCM. Средние признаки были получены с использованием GLCM относительно четырех различных ориентаций, которые были рассчитаны. В таблицах 4–7 показаны результаты GLCM коры, границы между корой и мозговым веществом и мозгового вещества соответственно. В таблице 7 показан размер почки в норме и при ХБП легкой и средней степени тяжести, а также при ХБП тяжелой степени.

Таблица 4. Значения признаков GLCM коры (среднее ± стандартное отклонение).

Таблица 5. Значения признаков GLCM границы между корой и мозговым веществом (среднее значение ± стандартное отклонение).

Таблица 6. Значения признаков GLCM продолговатого мозга (среднее значение ± стандартное отклонение).

Таблица 7. Размер нормальной почки и размер почки с ХБП легкой и средней степени тяжести и тяжелой ХБП (среднее значение ± стандартное отклонение).

На рис. 7 показан результат ИНС, состоящей из 64 входов, 1 0 скрытых слоев и 3 выходов. На рисунке 7a результат обучения составил 95,6 процента, результат проверки — 97,3 процента, а результат теста — 85,7 процента. Реализованное моделирование имеет ошибку 0,030511, как показано на рисунке 7b. Используя эту модель ANN, окончательная скорость классификации составила 95,4 процента. На рис. 8 показана ROC-кривая для результатов.

Рисунок 7. Результаты ИНС.

Рисунок 8. ROC-кривая результатов.

4. Дискуссия

Во всем мире число пациентов с хронической болезнью почек увеличивается огромными темпами. Хроническая болезнь почек особенно часто наблюдается в сочетании с диабетом, высоким кровяным давлением и пожилым возрастом, но в последнее время Корея стала стареющим обществом, и число пациентов с высоким кровяным давлением и диабетом увеличилось из-за западного образа жизни. кроме того, около 10 процентов взрослого населения в возрасте 60 лет и старше страдают от хронической болезни почек. Заболеваемость хронической болезнью почек стремительно растет. Это явление означает, что число пациентов, нуждающихся в диализе или трансплантации почки из-за хронического заболевания почек, также увеличивается, а когда увеличивается число пациентов с терминальной стадией почечной недостаточности, неизбежны огромные потери с точки зрения как социального и национальном контексте, а также у отдельных пациентов и семей [2].

Китайская трава цистанхе — тонизирующая почки

(Экспериментальные исследования показали, что различные компоненты цистанхе пустынного могут эффективно регулировать и пополнять почечные железы, обладая достаточной почечной силой, которая напрямую усиливает функцию митохондрий фабрики энергии организма, непрерывно вырабатывая энергию, поддерживая тело в возбужденном состоянии, улучшая его холодоустойчивость и снижение утомляемости.)

В этом исследовании корковое вещество почки, граница между корковым и мозговым веществом и мозговое вещество были установлены в качестве областей интереса для диагностики хронического заболевания почек на ультразвуковых изображениях. Параметры были извлечены из каждой области ROI с использованием алгоритма GLCM, который широко используется при анализе ультразвуковых изображений. Параметрами являются автокорреляция, контрастность, корреляция, заметность кластера, оттенок кластера, несходство, энергия, энтропия, однородность, максимальная вероятность, сумма квадратов дисперсии, среднее значение суммы, дисперсия суммы, энтропия суммы, дисперсия разности, энтропия разности, информационная мера корреляция 1, информационная мера корреляции 2 и обратная разность (INV). Когда каждый параметр был извлечен из трех областей, всего было извлечено 57 параметров GLCM. Наконец, всего было использовано 58 параметров с добавлением информации о размере почки, что важно для диагностики хронического заболевания почек. Всего было протестировано 58 входных параметров путем построения ИНС, которая представляет собой метод машинного обучения. Входные параметры были установлены на 58, а скрытый слой был установлен на 10. Поскольку 10 или более скрытых слоев не оказывали влияния на скорость классификации, эксперимент проводился с 10 скрытыми слоями. Три исхода, которые необходимо классифицировать, включали нормальную, легкую и умеренную ХБП и тяжелую ХБП. Считается, что скорость классификации результата, подлежащего классификации, была увеличена за счет использования всех 58 входных параметров. Точность классификации составила 95,4 процента, эпоха, необходимая для обучения, — 38 раз, а уровень ошибочной классификации — 4,6 процента. В этом эксперименте были классифицированы три типа состояний, а именно нормальная, легкая, умеренная ХБП и тяжелая ХБП, но требуется дальнейшая подробная классификация болезненных состояний. Кроме того, эксперимент был проведен путем получения 741 элемента данных, поскольку объем данных невелик; таким образом, был выбран метод машинного обучения. Когда будет получен большой объем данных, мы планируем применить метод глубокого обучения после получения большего количества данных. Для его клинического использования необходимо разнообразить виды классификации. После того, как реализованный результат станет доступным для ультразвукового оборудования, его необходимо обновить с помощью обратной связи от врача-сонографа.

5. Выводы

Хроническую болезнь почек можно лечить, если она обнаружена на ранней стадии.Цистанхе пустынная — хорошее средство для тонизирования почек. Цистанхе пустынной можно сочетать с ягодами годжи и солярием Циноморий для заваривания и питья, что хорошо тонизирует почки. Цистанхе пустынная ма в основном используется для лечения болезненности и слабости в талии и коленях, вызванных дефицитом ян почек, что оказывает тонизирующее действие на почки и оказывает определенное облегчающее действие на раннее заболевание почек.

Эффективность Цистанхе пустыни – тонизирует почки

Но по мере прогрессирования болезни выздоровление становится невозможным. В конечном итоге необходимо использовать заместительную почечную терапию, такую ​​как трансплантация или диализ. Другими словами, крайне важно выявлять и лечить хроническую болезнь почек на ранних стадиях. Ультразвук — это метод диагностики рака почки, воспалительного заболевания, узловой болезни, хронической болезни почек и т. д., который используется для проверки информации о степени воспаления с использованием такой информации, как размер почки и характеристики внутреннего эха.

В этом исследовании в 741 случае использовались ультразвуковые изображения, в том числе 251 изображение нормальной почки, 328 изображений легких и умеренных заболеваний почек и 162 изображения почек тяжелой степени. Для диагностики хронической болезни почек в клинической практике были установлены три области интереса, а именно: корковое вещество почки, граница между корковым и мозговым веществом и мозговое вещество, которые являются областями, исследуемыми для получения информации из ультразвуковых изображений. Параметры были извлечены из каждой области интереса с использованием алгоритма GLCM, который широко используется при анализе ультразвуковых изображений. Когда каждый параметр был извлечен из трех областей, всего было извлечено 57 параметров GLCM. Наконец, всего было использовано 58 параметров с добавлением информации о размере почки, что важно для диагностики хронического заболевания почек. ИНС состояла из 58 входных параметров, 10 скрытых слоев и 3 выходных слоев (нормальная, легкая и умеренная ХБП и тяжелая ХБП). Используя модель ANN, окончательный уровень классификации составил 95,4 процента, эпоха, необходимая для обучения, составила 38 раз, а уровень ошибочной классификации составил 4,6 процента. Считается, что этот эксперимент может быть положен в основу реализации системы автоматической диагностики в области диагностики хронической болезни почек по изображениям УЗИ. Кроме того, считается, что использование экспериментальных результатов играет важную роль в принятии клинических решений, включая раннюю диагностику и лечение хронической болезни почек.

Рекомендации

1. Ирина Л.; Флавио, Р .; Идалина, Б.; Руи, А .; Луис, Б.; Элис, С.С. Новые потенциальные биомаркеры для лечения хронических заболеваний почек — обзор литературы. Междунар. Дж. Мол. науч. 2021, 22, 43.

2. Коузер, В.Г.; Ремуцци, Г.; Мендис, С.; Тонелли М. Вклад хронической болезни почек в глобальное бремя основных неинфекционных заболеваний. почки инт. 2011, 80, 1258–1270. [Перекрестная ссылка]

3. Каньядас-Гарре, М.; Андерсон, К.; МакГолдрик, Дж.; Максвелл, АП; Макнайт, А.Дж. Протеомные и метаболомные подходы к поиску биомаркеров при хроническом заболевании почек. Дж. Протеом. 2019, 193, 93–122. [Перекрестная ссылка]

4. Лави, А.С.; Эккардт, КУ; Цукамото, Ю.; Левин, А .; Кореш, Дж.; Россерт, Дж.; де Зеув, Д.; Хостеттер, TH; Ламейр, Н.; Экноян, Г. Определение и классификация хронической болезни почек: Заявление о позиции из «Заболевания почек: улучшение глобальных результатов» (KDIGO). почки инт. 2005, 67, 2089–2100. [Перекрестная ссылка]

5. Коменда П.; Ригатто, К.; Тангри, Н. Стратегии скрининга нераспознанной ХБП. клин. Варенье. соц. Нефрол. 2016, 11, 925–927. [Перекрестная ссылка] [PubMed]

6. Ли, Х.С.; Чан, Х.Б.; Ю, мг; Парк, SI; Lee, HJ Метаболиты аминокислот, связанные с хроническим заболеванием почек: восьмилетнее последующее корейское эпидемиологическое исследование. Биомедицина 2020, 8, 222. [CrossRef]

7. Хевадикарам, Д.; Бандара, М.; Паттивидана, А.Н.; Джаявира, Х. Новый ультразвуковой метод для выявления раннего хронического заболевания почек. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Йованович, Д.; Гасич, Б.; Павлович, С.; Наумович, Р. Корреляция размера почек с функцией почек и антропометрическими параметрами у здоровых людей и пациентов с хроническими заболеваниями почек. Рен. Неудача. 2013, 35, 896–900. [Перекрестная ссылка]

9. Гао, С.; Пэн, Ю .; Го, Х .; Лю, В .; Гао, Т .; Сюй, Ю .; Тан, X. Анализ текстуры и классификация ультразвуковых изображений печени. Биом. Матер. англ. 2014, 24, 1209–1216. [Перекрестная ссылка] [PubMed]

10. Салим, З. Р. Методы, используемые в компьютерной диагностике рака молочной железы с использованием маммограмм: обзор. Дж. Здоровьеc. англ. 2020, 2020, 9162464.

11. Фудзита, Х.; Вы, Дж .; Ли, В.; Аримура, Х. Современное состояние компьютерного обнаружения/диагностики (САПР). В Proceedings of ICMB 2010, Гонконг, Китай, 28–30 июня 2010 г.; Том 6165, стр. 296–305.

12. Джанг, JSR; Солнце, Коннектикут; Мизутани, Э. Нейро-нечеткие и мягкие вычисления - вычислительный подход к обучению и машинному интеллекту. IEEE транс. автомат. Контроль 1997, 42, 1482–1484. [Перекрестная ссылка]

13. Эббис, Х.; Мейкер, Г.Л.; Тренгов Р.Д. Подходы метаболомики к диагностике и пониманию заболеваний почек. Метаболиты 2019, 9, 34. [CrossRef]

14. Хансен, К.Л.; Нильсен, МБ; Эвертсен, К. УЗИ почек: иллюстрированный обзор. Диагностика 2016, 6, 2. [CrossRef] [PubMed]

15. Сингх П.; Мукундан, Р .; Де Райк, Р. Улучшение характеристик медицинских ультразвуковых видео с использованием адаптивного выравнивания гистограммы с ограничением контраста. Дж. Цифра. Визуализация 2020, 33, 273–285. [Перекрестная ссылка] [PubMed]

16. Jassim, FA Шумоподавление изображения с использованием фильтра межквартильного диапазона с локальным усреднением. Междунар. Дж. Мягкие вычисления. англ. 2013, 2, 424–428.

17. Харалик, Р. М.; Динштейн, И.; Шанмугамм, К. Текстурные признаки для классификации изображений. IEEE транс. Сист. Человек Киберн. 1973, 3, 610–621. [Перекрестная ссылка]

18. Томми, Л.; Патрик, Б.; Томас, А .; Туфве, Н.; Андерс, Г. Особенности текстуры Харалика, инвариантные на уровне серого. PLoS ONE 2019, 14, e0212110.

19. Фаризавани, А.Г.; Путех, М.; Марина, Ю.; Ривайе, А. Обзор правила обучения искусственной нейронной сети, основанного на нескольких вариантах сопряженных градиентных подходов. Дж. Физ. конф. сер. 2020, 1529, 022040. [Перекрестная ссылка]

20. Игбинедион, Б.О.; Окака, Э. Хроническая болезнь почек: сонографические/клинические данные в клинической больнице Университета Бенина. Анна. Биомед. науч. 2017, 16, 60–69.

21. Прашант, Канзас; Рави, Н .; Чандрашекар, Х. М. Сонографическая оценка паренхиматозных изменений почек и ее сравнение с оценочной скоростью клубочковой фильтрации (EGFR) с использованием модифицированной диеты при почечной недостаточности. Междунар. Дж. Контемп. Мед. Surg. Радиол. 2020, 5, С13–С16.

22. Приянка; Кумар, Д. Извлечение признаков и выбор ультразвуковых изображений почек с использованием GLCM и PCA. Процедиа Компьютер. науч. 2020, 167, 1722–1731. [Перекрестная ссылка]

23. Куо, CC; Чанг, см; Лю, КТ; Лин, В.К.; Чан, HY; Чанг, CW; Хо, МР; Солнце, PR; Ян, Р.Л.; Чен, К. Т. Автоматизация прогнозирования и классификации функции почек с помощью ультразвуковой визуализации почек с использованием глубокого обучения. цифра НПЖ. Мед. 2019, 2, 29. [CrossRef] [PubMed]