Automatisk segmentering Ultralydbasert radiomiksteknologi ved diabetisk nyresykdom

Ultralydundersøkelse er en praktisk, billig og ikke-invasiv metode for nyreundersøkelse. Konvensjonell ultralyds evne til å skille diabetisk nyresykdom fra normal nyre er imidlertid begrenset, og det er vanskelig å nøyaktig skille mellom diabetisk nyresykdom og normal nyre kun med det blotte øye. De siste årene har informatikk utviklet seg raskt og kunstig intelligens har vært i kontinuerlig utvikling. Det er gjort store fremskritt med å bruke kunstig intelligens i dataanalyse. Maskinlæring er en retning for generalisert kunstig intelligens, dens viktigste kjennetegn er å gjøre maskinen autonom prediksjon og lage algoritmer, for å oppnå autonom læring. nyresykdom og dyp læring er to forskjellige tilnærminger innen maskinlæring. I denne studien ble bildeomikk og dyp læring brukt for å analysere bildene. Bildeomics trekker ut tradisjonelle bildefunksjoner, inkludert form, gråskala, tekstur osv., og bruker maskinlæringsmodeller (mønstergjenkjenning) for å klassifisere og forutsi, for eksempel støttevektormaskin, tilfeldig skog, XGBoost osv. Deep learning bruker direkte konvolusjonelt nettverk CNN for å trekke ut funksjoner, og fullfører klassifisering og prediksjon i kombinasjon med hele tilkoblingslaget, etc.

Denne studien tar sikte på å utforske påvisning av diabetisk nyresykdom og dens patologiske grad basert på automatisk segmentering ultralydbasert radiomiksteknologi, utvinning av intern informasjon fra ultralydbilder, og danne et sett med ikke-invasiv overvåking av diabetisk nyresykdoms komplikasjoner utviklingssystem, spesielt i primærmedisinske institusjoner, har et bredt klinisk anvendelsesperspektiv.