Automatisk segmentering Ultraljudsbaserad radiomikroteknik vid diabetisk njursjukdom

Ultraljudsundersökning är en bekväm, billig och icke-invasiv metod för njurundersökning. Förmågan hos konventionellt ultraljud att skilja diabetisk njursjukdom från normal njure är dock begränsad, och det är svårt att exakt skilja mellan diabetisk njursjukdom och normal njure endast med blotta ögat. De senaste åren har datavetenskapen utvecklats snabbt och artificiell intelligens har utvecklats kontinuerligt. Många framsteg har gjorts när det gäller att tillämpa artificiell intelligens i dataanalys. Maskininlärning är en riktning för generaliserad artificiell intelligens, dess främsta egenskap är att göra maskinen autonom förutsägelse och skapa algoritmer, för att uppnå autonom inlärning. njursjukdom och djupinlärning är två olika tillvägagångssätt inom området maskininlärning. I denna studie användes bildomik och djupinlärning för att analysera bilderna. Bildomics extraherar traditionella bildfunktioner, inklusive form, gråskala, textur, etc., och använder modeller för maskininlärning (mönsterigenkänning) för att klassificera och förutsäga, såsom stödvektormaskin, random skog, XGBoost, etc. Deep learning använder direkt faltningsnätverket CNN för att extrahera funktioner, och slutför klassificering och förutsägelse i kombination med hela anslutningslagret, etc.

Denna studie syftar till att utforska upptäckten av diabetisk njursjukdom och dess patologiska grad baserat på automatisk segmentering av ultraljudsbaserad radiomikroteknik, brytning av intern information från ultraljudsbilder, och bilda en uppsättning icke-invasiv övervakning av utvecklingssystem för diabetisk njursjukdoms komplikationer, särskilt i primära medicinska institutioner, har en bred klinisk tillämpning.