Automatisk segmentering Ultralydsbaseret radiomiksteknologi ved diabetisk nyresygdom

Ultralydsundersøgelse er en bekvem, billig og ikke-invasiv metode til nyreundersøgelse. Imidlertid er konventionel ultralyds evne til at skelne diabetisk nyresygdom fra normal nyre begrænset, og det er vanskeligt nøjagtigt at skelne mellem diabetisk nyresygdom og normal nyre kun med det blotte øje. I de senere år har datalogi udviklet sig hurtigt, og kunstig intelligens har været i konstant udvikling. Der er gjort store fremskridt med at anvende kunstig intelligens i dataanalyse. Maskinlæring er en retning af generaliseret kunstig intelligens, dens vigtigste egenskab er at gøre maskinen autonom forudsigelse og skabe algoritmer for at opnå autonom læring. nyresygdom og deep learning er to forskellige tilgange inden for maskinlæring. I denne undersøgelse blev billedomics og deep learning brugt til at analysere billederne. Billedomics udtrækker traditionelle billedfunktioner, herunder form, gråskala, tekstur osv., og bruger modeller for maskinlæring (mønstergenkendelse) til at klassificere og forudsige, såsom understøttelse af vektormaskine, tilfældig skov, XGBoost osv. Deep learning bruger direkte foldningsnetværk CNN til at udtrække funktioner og fuldender klassificering og forudsigelse i kombination med det fulde forbindelseslag osv.

Denne undersøgelse har til formål at udforske påvisningen af ​​diabetisk nyresygdom og dens patologiske grad baseret på automatisk segmentering, ultralydsbaseret radiomiksteknologi, mining af intern information fra ultralydsbilleder og danne et sæt af ikke-invasiv overvågning af diabetisk nyresygdoms komplikationer udviklingssystem, især i primære medicinske institutioner, har et bredt klinisk anvendelsesperspektiv.