Automatische segmentatie Op echografie gebaseerde radiomics-technologie bij diabetische nierziekte

Echografisch onderzoek is een handige, goedkope en niet-invasieve methode voor nieronderzoek. Het vermogen van conventionele echografie om diabetische nierziekte te onderscheiden van normale nier is echter beperkt, en het is moeilijk om alleen met het blote oog nauwkeurig onderscheid te maken tussen diabetische nierziekte en normale nier. De afgelopen jaren heeft de informatica zich snel ontwikkeld en is kunstmatige intelligentie continu in ontwikkeling. Er is veel vooruitgang geboekt bij het toepassen van kunstmatige intelligentie bij data-analyse. Machine learning is een richting van gegeneraliseerde kunstmatige intelligentie, het belangrijkste kenmerk is om de machine autonome voorspelling te maken en algoritmen te creëren, om autonoom leren te bereiken. nierziekte en diep leren zijn twee verschillende benaderingen op het gebied van machine learning. In dit onderzoek is gebruik gemaakt van image omics en deep learning om de beelden te analyseren. Image omics extraheert traditionele beeldkenmerken, waaronder vorm, grijsschaal, textuur, enz., en gebruikt machine learning (patroonherkenning) modellen om te classificeren en te voorspellen, zoals support vector machine, random forest, XGBoost, enz. Deep learning maakt direct gebruik van de convolutioneel netwerk CNN om kenmerken te extraheren en classificatie en voorspelling te voltooien in combinatie met de volledige verbindingslaag, enz.

Deze studie heeft tot doel de detectie van diabetische nierziekte en de pathologische graad ervan te onderzoeken op basis van automatische segmentatie op echografie gebaseerde radiomicrofoontechnologie, het ontginnen van interne informatie van ultrasone beelden en het vormen van een reeks niet-invasieve monitoring van het ontwikkelingssysteem voor complicaties van diabetische nierziekte, vooral in primaire medische instellingen, heeft een breed klinisch toepassingsperspectief.