Automaattinen segmentointi ultraäänipohjainen radiomiikkatekniikka diabeettisessa munuaissairaudessa

Ultraäänitutkimus on kätevä, halpa ja ei-invasiivinen menetelmä munuaistutkimukseen. Perinteisen ultraäänen kyky erottaa diabeettinen munuaissairaus normaalista munuaissairaudesta on kuitenkin rajallinen, ja diabeettisen munuaissairauden ja normaalin munuaisen välillä on vaikea erottaa tarkasti toisistaan ​​vain paljaalla silmällä. Tietojenkäsittelytiede on kehittynyt viime vuosina nopeasti ja tekoäly on kehittynyt jatkuvasti. Tekoälyn soveltamisessa data-analyysissä on edistytty paljon. Koneoppiminen on yleistyneen tekoälyn suunta, jonka pääominaisuus on tehdä koneesta autonominen ennuste ja luoda algoritmi autonomisen oppimisen saavuttamiseksi. munuaissairaus ja syväoppiminen ovat kaksi eri lähestymistapaa koneoppimisen alalla. Tässä tutkimuksessa kuvien analysoinnissa käytettiin kuvaomiikkaa ja syväoppimista. Image omics poimii perinteisiä kuvan ominaisuuksia, kuten muodon, harmaasävyt, tekstuurit jne., ja käyttää koneoppimismalleja (kuviontunnistus) luokitteluun ja ennustamiseen, kuten tukivektorikonetta, satunnaista metsää, XGBoostia jne. Syväoppiminen käyttää suoraan konvoluutioverkko CNN ominaisuuksien poimimiseksi ja suorittaa luokituksen ja ennustamisen yhdessä täyden yhteyskerroksen kanssa jne.

Tämän tutkimuksen tavoitteena on tutkia diabeettisen munuaissairauden ja sen patologisen asteen havaitsemista automaattisen segmentoinnin ultraäänipohjaisen radiomiikkateknologian perusteella, ultraäänikuvien sisäisen tiedon louhintaa ja muodostaa sarja diabeettisen munuaissairauden komplikaatioiden non-invasiivisen seurantajärjestelmän, varsinkin ensisijaisissa lääketieteellisissä laitoksissa, sillä on laaja kliininen käyttömahdollisuus.