Automatikus szegmentációs ultrahang-alapú radiomika technológia cukorbeteg vesebetegségben

Az ultrahangvizsgálat kényelmes, olcsó és nem invazív módszer a vesevizsgálatra. Azonban a hagyományos ultrahang képessége a diabéteszes vesebetegség és a normál vese megkülönböztetésére korlátozott, és csak szabad szemmel nehéz pontosan megkülönböztetni a diabéteszes vesebetegséget a normál vesétől. Az elmúlt években a számítástechnika rohamosan fejlődött, a mesterséges intelligencia pedig folyamatosan fejlődött. Nagy előrelépés történt a mesterséges intelligencia adatelemzésben való alkalmazása terén. A gépi tanulás az általánosított mesterséges intelligencia iránya, fő jellemzője a gép autonóm előrejelzése és algoritmus létrehozása az autonóm tanulás megvalósítása érdekében. A vesebetegség és a mély tanulás két különböző megközelítés a gépi tanulás területén. Ebben a tanulmányban képomikát és mély tanulást használtak a képek elemzéséhez. Az Image omics kivonja a hagyományos képjellemzőket, beleértve a formát, a szürkeárnyalatot, a textúrát stb., és gépi tanulási (mintafelismerési) modelleket használ az osztályozáshoz és előrejelzéshez, mint például a támogató vektorgép, véletlenszerű erdő, XGBoost stb. A mély tanulás közvetlenül a a CNN konvolúciós hálózat a funkciók kinyeréséhez, és a teljes kapcsolati réteggel kombinálva befejezi az osztályozást és előrejelzést, stb.

Jelen tanulmány célja a diabéteszes vesebetegség kimutatásának és kóros mértékének feltárása az automatikus szegmentációs ultrahang alapú radiomika technológián, az ultrahangfelvételek belső információinak bányászatán, valamint a diabéteszes vesebetegség szövődményeinek non-invazív monitorozási rendszerének kialakításán. különösen az elsődleges egészségügyi intézményekben széles körű klinikai alkalmazási kilátásokkal rendelkezik.