Automatyczna segmentacja Technologia radiomiki oparta na ultradźwiękach w cukrzycowej chorobie nerek

Badanie ultrasonograficzne jest wygodną, ​​tanią i nieinwazyjną metodą badania nerek. Jednak zdolność konwencjonalnego ultrasonografii do odróżnienia cukrzycowej choroby nerek od normalnej nerki jest ograniczona i trudno jest dokładnie odróżnić cukrzycową chorobę nerek od normalnej nerki tylko gołym okiem. W ostatnich latach informatyka rozwija się bardzo szybko, a sztuczna inteligencja rozwija się nieprzerwanie. Poczyniono znaczne postępy w stosowaniu sztucznej inteligencji w analizie danych. Uczenie maszynowe jest kierunkiem uogólnionej sztucznej inteligencji, jego główną cechą jest autonomiczne przewidywanie maszyny i tworzenie algorytmu, aby osiągnąć autonomiczne uczenie się. choroba nerek i głębokie uczenie się to dwa różne podejścia w dziedzinie uczenia maszynowego. W tym badaniu do analizy obrazów wykorzystano omikę obrazu i głębokie uczenie. Omika obrazu wyodrębnia tradycyjne cechy obrazu, w tym kształt, skalę szarości, teksturę itp., i wykorzystuje modele uczenia maszynowego (rozpoznawanie wzorców) do klasyfikowania i przewidywania, takie jak maszyna wektorów nośnych, losowy las, XGBoost itp. Głębokie uczenie się bezpośrednio wykorzystuje konwolucyjnej sieci CNN w celu wyodrębnienia funkcji oraz uzupełnia klasyfikację i przewidywanie w połączeniu z pełną warstwą połączenia itp.

Niniejsze badanie ma na celu zbadanie możliwości wykrywania cukrzycowej choroby nerek i jej stopnia patologicznego w oparciu o technologię radiomiki opartej na automatycznej segmentacji ultradźwięków, wydobywanie informacji wewnętrznych z obrazów ultrasonograficznych oraz stworzenie zestawu nieinwazyjnego monitorowania systemu rozwoju powikłań cukrzycowej choroby nerek, zwłaszcza w podstawowych placówkach medycznych, ma szerokie perspektywy zastosowania klinicznego.