Ταξινόμηση της χρόνιας νεφρικής νόσου στην υπερηχογραφία με χρήση του GLCM και του τεχνητού νευρωνικού δικτύου

Αφηρημένη: Η χρόνια νεφρική νόσος (ΧΝΝ) μπορεί να αντιμετωπιστεί εάν εντοπιστεί έγκαιρα, αλλά καθώς η νόσος εξελίσσεται, η ανάρρωση καθίσταται αδύνατη.Τελικά, είναι απαραίτητη η θεραπεία νεφρικής υποκατάστασης όπως η μεταμόσχευση ή η αιμοκάθαρση. Το υπερηχογράφημα είναι μια δοκιμαστική μέθοδος με την οποία γίνεται η διάγνωση του καρκίνου του νεφρού, της φλεγμονώδους νόσου, της οζώδους νόσου, της χρόνιας νεφρικής νόσου κ.λπ. Χρησιμοποιείται για τον προσδιορισμό του βαθμού φλεγμονής χρησιμοποιώντας πληροφορίες όπως το μέγεθος του νεφρού και τα χαρακτηριστικά της εσωτερικής ηχούς. Ο βαθμός εξέλιξης της χρόνιας νεφρικής νόσου στην τρέχουσα κλινική δοκιμή βασίζεται στην τιμή του ρυθμού σπειραματικής διήθησης. Ωστόσο, αλλαγές στον βαθμό της φλεγμονής και της νόσου μπορούν να παρατηρηθούν ακόμη και με υπερηχογράφημα. Σε αυτή τη μελέτη, εξετάστηκαν συνολικά 741 εικόνες, 251 εικόνες φυσιολογικού νεφρού, 328 ήπιες και μέτριες εικόνες ΧΝΝ και 162 εικόνες σοβαρής ΧΝΝ. Για τη διάγνωση της ΧΝΝ στην κλινική πράξη, ορίστηκαν τρεις ROI: ο φλοιός του νεφρού, το όριο μεταξύ του φλοιού και του μυελού και ο μυελός, που είναι περιοχές που εξετάζονται για να ληφθούν πληροφορίες από εικόνες υπερήχων. Οι παράμετροι εξήχθησαν από κάθε ROI χρησιμοποιώντας τον αλγόριθμο GLCM, ο οποίος χρησιμοποιείται ευρέως στην ανάλυση εικόνας υπερήχων. Όταν εξήχθη κάθε παράμετρος από τις τρεις περιοχές, εξήχθησαν συνολικά 57 παράμετροι GLCM. Τέλος, χρησιμοποιήθηκαν συνολικά 58 παράμετροι με την προσθήκη πληροφοριών για το μέγεθος του νεφρού, το οποίο είναι σημαντικό για τη διάγνωση της χρόνιας νεφρικής νόσου. Το τεχνητό νευρωνικό δίκτυο (ANN) αποτελούνταν από 58 παραμέτρους εισόδου, 10 κρυφά στρώματα και 3 στρώματα εξόδου (κανονική, ήπια και μέτρια ΧΝΝ και σοβαρή ΧΝΝ). Χρησιμοποιώντας το μοντέλο ANN, το τελικό ποσοστό ταξινόμησης ήταν 95,4 τοις εκατό, η εποχή που χρειαζόταν για εκπαίδευση ήταν 38 φορές και το ποσοστό εσφαλμένης ταξινόμησης ήταν 4,6 τοις εκατό.

Αποτελεσματικότητα Cistanche deserticola-Τονικός νεφρός

Λέξεις-κλειδιά: υπερηχογράφημα νεφρών? μήτρα συνεμφάνισης σε επίπεδο γκρι (GLCM). τεχνητό νευρωνικό δίκτυο; ταξινόμηση; χρόνια νεφρική νόσο (ΧΝΝ)

1. Εισαγωγή

Η χρόνια νεφρική νόσος (ΧΝΝ) αυξάνεται με τη γήρανση του πληθυσμού και την αύξηση των χρόνιων παθήσεων. Σε πολλές χώρες, είναι ένα ανησυχητικό πρόβλημα υγείας που προκαλεί υψηλό επιπολασμό και συχνότητα εγκεφαλικών επεισοδίων, καρδιακών παθήσεων και επιπλοκών όπως ο διαβήτης και οι λοιμώξεις, καθώς και αυξήσεις στα ιατρικά έξοδα[1,2]. Η χρόνια νεφρική νόσος χρησιμοποιείται ως γενικός όρος που αναφέρεται σε νεφρική βλάβη για περισσότερο από 3 μήνες ή σε συνεχή μείωση της νεφρικής λειτουργίας ανεξάρτητα από την αιτία. Είναι μια ασθένεια που αυξάνει τον κίνδυνο καρδιοεγκεφαλοαγγειακής νόσου και συνοδεύεται από νεφρική ανεπάρκεια και διάφορες επιπλοκές [3,4]. Ο ακόλουθος ορισμός της χρόνιας νεφρικής νόσου χρησιμοποιείται ευρέως από το Εθνικό Ίδρυμα Νεφρού (NKF): "εάν η νεφρική βλάβη, όπως πρωτεϊνουρία, αιματουρία ή παθολογική ανωμαλία ή ο ρυθμός σπειραματικής διήθησης είναι μικρότερη από 60 mL/min/1,73 m2 και διαρκεί περισσότερο από 3 μήνες» [5]. Η χρόνια νεφρική νόσος έχει διάφορες αιτίες και παθολογικά ευρήματα, αλλά κλινικά, μπορεί να επιβεβαιωθεί σχετικά απλά μέσω μιας εξέτασης ούρων για την ανίχνευση πρωτεϊνουρίας και μιας εξέτασης αίματος για την εκτίμηση του ρυθμού σπειραματικής διήθησης. Στον κλινικό τομέα, το στάδιο της χρόνιας νεφρικής νόσου χωρίζεται σε πέντε στάδια από το στάδιο 1 έως το στάδιο 5 σύμφωνα με τον εκτιμώμενο ρυθμό σπειραματικής διήθησης για τη διάγνωση και τη θεραπεία των ασθενών. Η χρόνια νεφρική νόσος μπορεί να ειπωθεί ότι είναι μια σχετικά κοινή χρόνια νόσος, αλλά σε σύγκριση με άλλες χρόνιες ασθένειες όπως η υψηλή αρτηριακή πίεση και ο διαβήτης, η ευαισθητοποίηση του κοινού δεν είναι υψηλή [6]. Επειδή μπορεί εύκολα να διαγνωστεί μέσω μιας σχετικά απλής εξέτασης, η έγκαιρη διάγνωση μπορεί να επιβραδύνει την εξέλιξη της νόσου μέσω της έγκαιρης θεραπείας. Ωστόσο, επειδή τα συμπτώματα δεν είναι ξεκάθαρα, η νόσος συχνά διαγιγνώσκεται μετά από μεγάλο χρονικό διάστημα, οδηγώντας σε νεφρική ανεπάρκεια ή ακόμα και θάνατο λόγω επιπλοκών όπως η καρδιοεγκεφαλοαγγειακή νόσος. Γενικά, η χρόνια νεφρική νόσος συνεχίζει να εξελίσσεται μόλις εμφανιστεί. Ωστόσο, η έγκαιρη διάγνωση μπορεί να επιβραδύνει την πτώση της νεφρικής λειτουργίας και την ανάρρωση από χρόνια νεφρική νόσο [7].

Το υπερηχογράφημα, που είναι μία από τις μεθόδους διάγνωσης της χρόνιας νεφρικής νόσου, είναι πολύ σημαντικό για τον έλεγχο της μειωμένης νεφρικής λειτουργίας για άλλους λόγους, όπως το μέγεθος και η μορφολογία του νεφρού. [8].

Ερημοζώντανο νεφρό - τονωτικό

(Πειραματικές μελέτες έχουν δείξει ότι το εκχύλισμα Cistanche deserticola μπορεί να προστατεύσει τα νεφρικά σωληναριακά κύτταρα, να αποτρέψει τις νεφρικές διάμεσες βλάβες, να επιβραδύνει τον ρυθμό νεφρικής ανεπάρκειας και να αποτρέψει αποτελεσματικά δευτερογενείς βακτηριακές λοιμώξεις σε ασθενείς με χρόνια νεφρική ανεπάρκεια. Έχει θεραπευτικά αποτελέσματα τόσο σε χρόνια όσο και σε οξείες Νεφρική Νόσος.)

Ο αλγόριθμος GLCM, ο οποίος εξάγει σημεία χαρακτηριστικών δίνοντας έμφαση στα χωρικά χαρακτηριστικά σε τέτοιες εικόνες υπερήχων, χρησιμοποιείται ευρέως στην ανάλυση εικόνας υπερήχων χρησιμοποιώντας τη συσχέτιση μεταξύ του τρέχοντος pixel και της τιμής φωτεινότητας των γειτονικών εικονοστοιχείων του [9].

Η αυτόματη ανίχνευση ασθενειών με τη χρήση εικόνων όπως γραφικά υπερήχων μέσω υπολογιστικών μεθόδων έχει μεγάλη σημασία τα τελευταία χρόνια, ιδιαίτερα μετά τη δημιουργία συστημάτων διάγνωσης με τη βοήθεια υπολογιστή (CADs) [10,11].

Τα τεχνητά νευρωνικά δίκτυα (ANN) χρησιμοποιούνται συνήθως για τη διαμόρφωση στατιστικών μοντέλων για ανάλυση υπολογιστών. Ένα τεχνητό νευρωνικό δίκτυο (ANN) ή ένα απλό νευρωνικό δίκτυο (NN) είναι μια υπολογιστική δομή που βασίζεται στη λειτουργία των βιολογικών νευρώνων. Τα δίκτυα αυτού του τύπου έχουν την ικανότητα να μαθαίνουν και να αναγνωρίζουν μοτίβα με βάση τις πληροφορίες εισόδου και να χρησιμοποιούν αυτά τα μοτίβα για να προβλέψουν μελλοντικές πληροφορίες με παρέκταση των μαθησιακών δεδομένων. Αυτά τα νευρωνικά δίκτυα αποτελούνται από μικρές μονάδες επεξεργασίας που ονομάζονται νευρώνες και συνδέονται μεταξύ τους σε ομάδες που ονομάζονται στρώματα. το κοινό νευρωνικό δίκτυο έχει τουλάχιστον ένα στρώμα εισόδου, ένα κρυφό στρώμα και ένα στρώμα εξόδου [12].

Σε αυτό το άρθρο, ελήφθησαν διάφορες παράμετροι εφαρμόζοντας τον αλγόριθμο GLCM σε εικόνες υπερήχων που ταξινομούνται ως εικόνες φυσιολογικών νεφρών, ήπιες και μέτριες εικόνες ΧΝΝ και εικόνες σοβαρής ΧΝΝ. Η χρόνια νεφρική νόσος ταξινομήθηκε με την εφαρμογή ενός τεχνητού νευρωνικού δικτύου χρησιμοποιώντας παραμέτρους GLCM και μέγεθος νεφρού. Ο σκοπός αυτής της μελέτης είναι να ταξινομήσει τη χρόνια νεφρική νόσο σε τρεις κατηγορίες για να διαπιστωθεί εάν είναι δυνατή η έγκαιρη διάγνωση της χρόνιας νεφρικής νόσου.

Σούπερμαν βότανα cistanche — Τονωτικό νεφρό

Κάντε κλικ εδώ για να δείτε τα προϊόντα Cistanche για νεφρική νόσο

【Ask for more】 Email: xue122522@foxmail.com /  Whats App:  0086 18599088692 /  Wechat:  18599088692

2. Υλικά και μέθοδοι

2.1. Υποκείμενα και Απόκτηση Δεδομένων

Από τον Ιανουάριο του 2015 έως τον Δεκέμβριο του 2017, το πείραμα διεξήχθη χρησιμοποιώντας εικόνες υπερήχων εθελοντών που επισκέφθηκαν το νοσοκομείο για ιατρική εξέταση στο R Hospital στο Yangsan, Gyeong-sang-nam-do, και ασθενών που διαγνώστηκαν με ΧΝΝ.

Ο Πίνακας 1 δείχνει τα κλινικά χαρακτηριστικά των υποκειμένων. Χρησιμοποιήθηκαν συνολικά 741 εικόνες υπερήχων, συμπεριλαμβανομένων 251 φυσιολογικών εικόνων, 328 ήπιων και μέτριων εικόνων ΧΝΝ και 162 εικόνων σοβαρής ΧΝΝ, ταξινομημένες από τον ιατρό. Οι ακτινολόγοι ταξινόμησαν τις πειραματικές εικόνες σε ασθενείς με ήπια και μέτρια ΧΝΝ και ασθενείς με σοβαρή ΧΝΝ με ανάγνωση, και περιπτώσεις με καρκίνο νεφρού, νεφρικές κύστεις και συγγενείς παθήσεις του νεφρού αποκλείστηκαν από το πείραμα [13].

Όσον αφορά τον πειραματικό εξοπλισμό, χρησιμοποιήθηκε συσκευή υπερήχων RS80A (Samsung Medison, Σεούλ, Κορέα) και οι συνθήκες εικόνας αποκτήθηκαν με κέρδος 50, δυναμικό εύρος 56, μέσο όρο καρέ 8, ισχύς 95 και γενική συχνότητα. Όλες οι δοκιμές διεξήχθησαν με εθελοντική συμμετοχή και εγκρίθηκαν από την Επιτροπή Θεσμικής Αναθεώρησης (IRB) του Καθολικού Πανεπιστημίου του Μπουσάν (CUPIRB-2017-023).

Ο Πίνακας 1 δείχνει τις πληροφορίες σχετικά με την ηλικία, το φύλο, το eGFR, την υπέρταση και τον διαβήτη των υποκειμένων.

Πίνακας 1. Κλινικά χαρακτηριστικά.

2.2. Πειραματική Μέθοδος

Η περιοχή ενδιαφέροντος (ROI) ορίστηκε στην υπερηχογραφική εικόνα του νεφρού και το αποτέλεσμα υπολογίστηκε χρησιμοποιώντας το MATLAB 2016a (MathWorks Inc., Natick, MA, ΗΠΑ). Το ROI επιλέχθηκε ορίζοντας την περιοχή του φλοιού, την οριακή περιοχή μεταξύ του φλοιού και του μυελού και την περιοχή του μυελού. Στην υπερηχογραφική εικόνα, τα χαρακτηριστικά του φυσιολογικού νεφρού έχουν σχήμα ωοειδούς αποτελούμενου από τον νεφρικό φλοιό, ο οποίος εμφανίζει χαμηλή ηχώ σε σύγκριση με το ήπαρ και τον νεφρικό κόλπο που εμφανίζει υψηλή ηχώ. Το όριο μεταξύ του φλοιού και του νεφρικού κόλπου είναι σαφές και μια υψηλή ηχώ στο κέντρο είναι ορατή. Από την άλλη, στο νεφρό που υποφέρει συνεχώς, η υπερηχητική ηχώ του νεφρικού φλοιού αυξάνεται λόγω ίνωσης. Ως αποτέλεσμα, το όριο μεταξύ του φωτεινού νεφρικού φλοιού και του νεφρικού φλοιού δεν παρατηρείται με σαφήνεια. Επιπλέον, λόγω της μείωσης της λειτουργίας, το μέγεθος μειώνεται και παρατηρείται ατροφία των νεφρών [14]. Επειδή αυτά τα χαρακτηριστικά χρησιμοποιούνται στη διάγνωση της χρόνιας νεφρικής νόσου, η περιοχή ROI ορίστηκε σε 50 × 50 και ορίστηκε σε 3 θέσεις. Το παρακάτω σχήμα δείχνει τις φυσιολογικές, μέτριες και σοβαρές εικόνες υπερήχων ανάλυσης 872 × 1280 που χρησιμοποιούνται σε αυτή τη μελέτη. Το σχήμα 1 δείχνει φυσιολογικές, ήπιες και μέτριες και σοβαρές εικόνες υπερήχων ΧΝΝ.

Εικόνα 1. Αρχικές εικόνες.

Το σχήμα 2 δείχνει το συνολικό μπλοκ διάγραμμα αυτού του πειράματος.

Η εξίσωση ιστογράμματος και η προεπεξεργασία φίλτρου εύρους πραγματοποιήθηκαν στην αρχική εικόνα υπερήχων. Η εξίσωση ιστογράμματος μπορεί να βελτιώσει την ποιότητα μιας εικόνας κάνοντας ομοιόμορφη την κατανομή του φωτός και του σκότους στην εικόνα [15]. Το φίλτρο εμβέλειας μπορεί να προκαλέσει το φαινόμενο μείωσης θορύβου επισημαίνοντας το όριο της εικόνας [16]. Αφού πραγματοποιήθηκε η προεπεξεργασία, εξήχθησαν οι παράμετροι χαρακτηριστικών με την εφαρμογή του αλγόριθμου GLCM. Συνολικά εξήχθησαν 19 παράμετροι από καθεμία από τις τρεις περιοχές του Σχήματος 1. Αρχικές εικόνες. Το σχήμα 2 δείχνει το συνολικό μπλοκ διάγραμμα αυτού του πειράματος. Η εξίσωση ιστογράμματος και η προεπεξεργασία φίλτρου εύρους πραγματοποιήθηκαν στην αρχική εικόνα υπερήχων. Η εξίσωση ιστογράμματος μπορεί να βελτιώσει την ποιότητα μιας εικόνας κάνοντας ομοιόμορφη την κατανομή του φωτός και του σκότους στην εικόνα [15]. Το φίλτρο εμβέλειας μπορεί να προκαλέσει το φαινόμενο μείωσης θορύβου επισημαίνοντας το όριο της εικόνας [16]. Αφού πραγματοποιήθηκε η προεπεξεργασία, εξήχθησαν οι παράμετροι χαρακτηριστικών με την εφαρμογή του αλγόριθμου GLCM. Συνολικά εξήχθησαν 19 παράμετροι από κάθε μία από τις τρεις περιοχές του φλοιού, το όριο μεταξύ του φλοιού και του μυελού και του μυελού και, τέλος, οι πληροφορίες μεγέθους συνδυάστηκαν για να προσδιοριστούν συνολικά 58 παραμέτρους εισόδου.

Κατασκευάστηκε ένα τεχνητό νευρωνικό δίκτυο με 10 κρυφά στρώματα και η έξοδος σχεδιάστηκε για να ταξινομηθεί σε τρεις τύπους: φυσιολογική, ήπια και μέτρια ΧΝΝ και σοβαρή ΧΝΝ.

Εικόνα 2. Συνολικό μπλοκ διάγραμμα επεξεργασίας εικόνας.

2.3. Πίνακας συνεμφανίσεων σε επίπεδο γκρίζου (GLCM)

Το GLCM [17], ένας περιγραφέας υφής, χρησιμοποιείται για τον υπολογισμό των στατιστικών χαρακτηριστικών δεύτερης τάξης από κανονικές και CKD εικόνες. Λαμβάνοντας υπόψη μια εικόνα I με μέγεθος M × N και Ng αριθμό διακριτών επιπέδων γκρι, οι παραλλαγές της υφής υπολογίζονται χρησιμοποιώντας τον πίνακα χωρικής εξάρτησης του γκρι τόνου p (i, j), όπου τα εικονοστοιχεία διαχωρίζονται με απόσταση d στο τα επίπεδα i-ο και j-ο γκρι. Σε αυτήν την παρούσα εργασία, εξετάστηκαν τέσσερις γωνίες (0◦, 45◦, 90◦ και 135◦ ) με απόσταση pixel 1. Τα στατιστικά χαρακτηριστικά δεύτερης τάξης (αυτοσυσχέτιση, αντίθεση, συσχέτιση, προεξοχή συμπλέγματος, απόχρωση συστάδας, ανομοιότητα, ενέργεια, εντροπία, ομοιογένεια, μέγιστη πιθανότητα, άθροισμα τετραγώνων διακύμανση, μέσος όρος αθροίσματος, διακύμανση αθροίσματος, εντροπία αθροίσματος, διακύμανση διαφοράς, εντροπία διαφοράς, Η μέτρηση πληροφοριών της συσχέτισης 1, η μέτρηση πληροφοριών της συσχέτισης 2 και η αντίστροφη διαφορά (INV)) υπολογίστηκαν χρησιμοποιώντας το GLCM. Το Σχήμα 3α δείχνει το αποτέλεσμα που υλοποιήθηκε χρησιμοποιώντας το MATLAB για τη λήψη παραμέτρων GLCM. Εάν επιλέξετε την περιοχή ROI και εκτελέσετε, αποθηκεύεται ως αρχείο Excel, όπως φαίνεται στην Εικόνα 3β

Εικόνα 3. Υλοποίηση προγράμματος.

Ο Πίνακας 3 δείχνει τις παραμέτρους που μπορούν να εξαχθούν κατά τον υπολογισμό του GLCM χρησιμοποιώντας μια εικόνα ROI. Ο Πίνακας 1 δείχνει τις μεταβλητές και τη σημείωση που χρησιμοποιούνται για τον υπολογισμό των χαρακτηριστικών υφής που είναι οι παράμετροι του GLCM.

Πίνακας 2. Μεταβλητές και σημειώσεις που χρησιμοποιούνται για τον υπολογισμό των χαρακτηριστικών της υφής.

2.4. Τεχνητό Νευρωνικό Δίκτυο (ANN)

Το ANN είναι ένα στοιχείο μηχανικής μάθησης που έχει γίνει σήμερα σημαντικό στην έρευνα και την ανάπτυξη. Η έννοια της μηχανικής μάθησης είναι η ικανότητα ενός υπολογιστή να κατανοεί τη δομή των δεδομένων χρησιμοποιώντας ένα μαθηματικό ή στατιστικό μοντέλο. Η βάση ενός ANN αποτελείται από ένα ενιαίο επίπεδο στοιχείων εισόδου, διεργασίας και εξόδου. Ως αποτέλεσμα, από μια πολύ βασική ιδέα ενός κύκλου επεξεργασίας πληροφοριών, το ANN εκτελεί στη συνέχεια μια σύνθετη μαθηματική διατύπωση για να παράγει ένα βέλτιστο αποτέλεσμα για οποιοδήποτε σύνολο δεδομένων ή τμήμα προβλήματος [19].

Το σχήμα 4 δείχνει το μπλοκ διάγραμμα του νευρωνικού δικτύου που χρησιμοποιήθηκε σε αυτό το πείραμα. Η απόδοση επένδυσης (ROI) επιλέχθηκε από 3 τοποθεσίες για ανίχνευση χαρακτηριστικών στην αρχική εικόνα.

Το ROI επιλέχθηκε από τον φλοιό, το όριο μεταξύ του φλοιού και του μυελού και του μυελού. Ως χαρακτηριστική παράμετρος επιλέχθηκε το μέγεθος του νεφρού, που είναι πολύ σημαντικός παράγοντας στη διάγνωση της χρόνιας νεφρικής νόσου. Ως αποτέλεσμα του υπολογισμού του GLCM, εξήχθησαν 19 παράμετροι από καθεμία από τις περιοχές του φλοιού. δηλαδή το όριο μεταξύ του φλοιού και του μυελού και του μυελού (Πίνακας 3). Επιπλέον, προσθέτοντας ως παράμετρο το μέγεθος του νεφρού, το στρώμα εισόδου αποτελούνταν από συνολικά 58 κόμβους. Αφού πέρασε από 10 κρυφά στρώματα, το στρώμα εξόδου ταξινομήθηκε σε τρεις τύπους: φυσιολογική, ήπια και μέτρια ΧΝΝ και σοβαρή ΧΝΝ.

Εικόνα 4. Ταξινόμηση εξόδων με βάση το μοντέλο ANN.

Πίνακας 3. Παράμετροι του GLCM

3. Αποτελέσματα

Η υλοποίηση της προεπεξεργασίας εικόνας, του αλγόριθμου GLCM και του τεχνητού νευρωνικού δικτύου πραγματοποιήθηκε με χρήση του MATLAB R2016a. Αυτό το εργαλείο παρέχει μια φιλική προς το χρήστη διεπαφή και έχει πολλές ενσωματωμένες λειτουργίες, επομένως είναι εύκολο να εφαρμοστούν αλγόριθμοι σε αυτό. Για αυτήν τη μελέτη χρησιμοποιήθηκαν Windows 10 ({3}}bit) με επεξεργαστή Intel i9 3,60 GHz και 64 GB μνήμης RAM.

Αλγόριθμος GLCM. Οι μέσοι όροι των χαρακτηριστικών λήφθηκαν χρησιμοποιώντας το GLCM

Εικόνα 5. Επιλογή ROI.

Το Σχήμα 6 δείχνει τα αποτελέσματα της εφαρμογής εξισορρόπησης ιστογράμματος στην περιοχή ROI κατά τη διαδικασία επανεπεξεργασίας.

Σχήμα 6. Τα αποτελέσματα της προεπεξεργασίας: (α) εξίσωση ιστογράμματος. (β) φίλτρο εμβέλειας.

Μετά την προεπεξεργασία των εικόνων των ΗΠΑ, εξήχθησαν στατιστικά χαρακτηριστικά υφής χρησιμοποιώντας τον αλγόριθμο GLCM. Οι μέσοι όροι των χαρακτηριστικών λήφθηκαν χρησιμοποιώντας το GLCM σε σχέση με τέσσερις διαφορετικούς προσανατολισμούς που υπολογίστηκαν. Οι πίνακες 4–7 εμφανίζουν τα αποτελέσματα GLCM του φλοιού, το όριο μεταξύ του φλοιού και του μυελού και του μυελού, αντίστοιχα. Ο Πίνακας 7 δείχνει το μέγεθος του νεφρού που είναι φυσιολογικό και με ήπια και μέτρια ΧΝΝ και σοβαρή ΧΝΝ.

Πίνακας 4. Τιμές χαρακτηριστικών GLCM του φλοιού (μέσος όρος ± STD).

Πίνακας 5. Τιμές των χαρακτηριστικών GLCM του ορίου μεταξύ του φλοιού και του μυελού (μέσος όρος ± STD).

Πίνακας 6. Τιμές χαρακτηριστικών GLCM του μυελού (μέσος όρος ± STD).

Πίνακας 7. Το μέγεθος του φυσιολογικού νεφρού και εκείνου με ήπια και μέτρια ΧΝΝ και σοβαρή ΧΝΝ (μέσος όρος ± ΣΜΝ).

Το σχήμα 7 δείχνει το αποτέλεσμα του ANN που αποτελείται από 64 εισόδους, 10 κρυφά επίπεδα και 3 εξόδους. Στο Σχήμα 7α, το αποτέλεσμα εκπαίδευσης ήταν 95,6 τοις εκατό, το αποτέλεσμα επικύρωσης ήταν 97,3 τοις εκατό και το αποτέλεσμα της δοκιμής ήταν 85,7 τοις εκατό. Η εφαρμοσμένη μοντελοποίηση έχει σφάλμα 0,030511 όπως φαίνεται στο Σχήμα 7β. Χρησιμοποιώντας αυτό το μοντέλο ANN, το τελικό ποσοστό ταξινόμησης ήταν 95,4 τοις εκατό. Το σχήμα 8 δείχνει την καμπύλη ROC για τα αποτελέσματα.

Εικόνα 7. Τα αποτελέσματα του ΑΝΝ.

Εικόνα 8. Καμπύλη ROC των αποτελεσμάτων.

4. Συζήτηση

Παγκοσμίως, ο αριθμός των ασθενών με χρόνια νεφρική νόσο αυξάνεται με τεράστιο ρυθμό. Η χρόνια νεφρική νόσος παρατηρείται ιδιαίτερα συχνά σε συνδυασμό με τον διαβήτη, την υψηλή αρτηριακή πίεση και τα γηρατειά, αλλά η Κορέα έχει γίνει πρόσφατα μια γερασμένη κοινωνία και ο αριθμός των ασθενών με υψηλή αρτηριακή πίεση και διαβήτη έχει αυξηθεί λόγω του δυτικοποιημένου τρόπου ζωής. Επιπλέον, περίπου το 10 τοις εκατό του ενήλικου πληθυσμού πάσχει από χρόνια νεφρική νόσο και είναι 60 ετών και άνω. Η συχνότητα της χρόνιας νεφρικής νόσου αυξάνεται ραγδαία. Αυτό το φαινόμενο σημαίνει ότι ο αριθμός των ασθενών που χρειάζονται αιμοκάθαρση ή μεταμόσχευση νεφρού λόγω χρόνιας νεφρικής νόσου είναι επίσης αυξημένος και όταν αυξάνεται ο αριθμός των ασθενών με νεφρική ανεπάρκεια τελικού σταδίου, είναι αναπόφευκτη μια τεράστια απώλεια τόσο από κοινωνική άποψη. και σε εθνικά πλαίσια καθώς και σε μεμονωμένους ασθενείς και οικογένειες [2].

Κινέζικο βότανο cistanche — Τονωτικό νεφρό

(Πειραματικές μελέτες έχουν δείξει ότι διάφορα συστατικά του Cistanche deserticola μπορούν να ρυθμίσουν αποτελεσματικά και να αναπληρώσουν τους νεφρικούς αδένες, με επαρκή νεφρική ισχύ που ενισχύει άμεσα τη λειτουργία των μιτοχονδρίων του εργοστασίου ενέργειας του σώματος, παράγοντας συνεχώς ενέργεια, διατηρώντας το σώμα σε διεγερμένη κατάσταση, βελτιώνοντας ανοχή στο κρύο και μείωση της κόπωσης.)

Σε αυτή τη μελέτη, ο φλοιός του νεφρού, το όριο μεταξύ του φλοιού και του μυελού και του μυελού ορίστηκαν ως ROI για τη διάγνωση της χρόνιας νεφρικής νόσου σε εικόνες υπερήχων. Οι παράμετροι εξήχθησαν από κάθε περιοχή ROI χρησιμοποιώντας τον αλγόριθμο GLCM, ο οποίος χρησιμοποιείται ευρέως στην ανάλυση εικόνας υπερήχων. Οι παράμετροι είναι αυτοσυσχέτιση, αντίθεση, συσχέτιση, προεξοχή συμπλέγματος, απόχρωση συστάδας, ανομοιότητα, ενέργεια, εντροπία, ομοιογένεια, μέγιστη πιθανότητα, άθροισμα τετραγώνων διακύμανση, μέσος όρος αθροίσματος, διακύμανση αθροίσματος, εντροπία αθροίσματος, διακύμανση διαφοράς, εντροπία διαφοράς, μέτρο πληροφοριών συσχέτιση 1, πληροφοριακό μέτρο συσχέτισης 2 και αντίστροφη διαφορά (INV). Όταν κάθε παράμετρος εξήχθη από τρεις περιοχές, εξήχθησαν συνολικά 57 παράμετροι GLCM. Τέλος, χρησιμοποιήθηκαν συνολικά 58 παράμετροι με την προσθήκη πληροφοριών για το μέγεθος του νεφρού, το οποίο είναι σημαντικό για τη διάγνωση της χρόνιας νεφρικής νόσου. Συνολικά 58 παράμετροι εισόδου δοκιμάστηκαν με την κατασκευή ενός ANN, που είναι μια μέθοδος μηχανικής μάθησης. Οι παράμετροι εισόδου ορίστηκαν σε 58 και το κρυφό στρώμα ορίστηκε στο 10. Επειδή 10 ή περισσότερα κρυφά στρώματα δεν έδειξαν καμία επίδραση στον ρυθμό ταξινόμησης, το πείραμα διεξήχθη με 10 κρυφά στρώματα. Οι τρεις εκροές που έπρεπε να ταξινομηθούν ήταν η φυσιολογική, η ήπια και μέτρια ΧΝΝ και η σοβαρή ΧΝΝ. Θεωρείται ότι ο ρυθμός ταξινόμησης του αποτελέσματος που θα ταξινομηθεί αυξήθηκε χρησιμοποιώντας και τις 58 παραμέτρους εισόδου. Η ακρίβεια ταξινόμησης ήταν 95,4 τοις εκατό, η εποχή που απαιτείται για την εκπαίδευση ήταν 38 φορές και το ποσοστό εσφαλμένης ταξινόμησης ήταν 4,6 τοις εκατό. Σε αυτό το πείραμα, ταξινομήθηκαν τρεις τύποι καταστάσεων, δηλαδή, φυσιολογική, ήπια, μέτρια ΧΝΝ και σοβαρή ΧΝΝ, αλλά απαιτείται περαιτέρω λεπτομερής ταξινόμηση των καταστάσεων της νόσου. Επιπλέον, το πείραμα διεξήχθη με την απόκτηση 741 στοιχείων δεδομένων, γεγονός που οφείλεται στο ότι ο όγκος των δεδομένων δεν είναι μεγάλος. Έτσι, επιλέχθηκε η μέθοδος μηχανικής μάθησης. Όταν αποκτάται μεγάλος όγκος δεδομένων, σχεδιάζουμε να εφαρμόσουμε τη μέθοδο βαθιάς μάθησης αφού αποκτήσουμε περισσότερα δεδομένα. Για να χρησιμοποιηθεί κλινικά, είναι απαραίτητο να διαφοροποιηθούν οι τύποι ταξινόμησης. Αφού γίνει διαθέσιμο το υλοποιούμενο αποτέλεσμα στον υπερηχητικό εξοπλισμό, πρέπει να αναβαθμιστεί μέσω σχολίων από τον υπερηχογράφο.

5. Συμπεράσματα

Η χρόνια νεφρική νόσος μπορεί να αντιμετωπιστεί εάν εντοπιστεί έγκαιρα,Το Cistanche deserticola είναι ένας καλός τρόπος για να τονώσετε τα νεφρά. Το Cistanche deserticola μπορεί να συνδυαστεί με goji berries και Cynomorium solarium για παρασκευή και πόσιμο, το οποίο έχει καλή επίδραση στην τόνωση των νεφρών. Το Cistanche deserticola ma χρησιμοποιείται κυρίως για τη θεραπεία του πόνου και της αδυναμίας της μέσης και των γονάτων που προκαλούνται από ανεπάρκεια νεφρού yang, το οποίο έχει ως αποτέλεσμα τονωτικό των νεφρών και έχει μια ορισμένη ανακουφιστική επίδραση στην πρώιμη νεφρική νόσο.

Αποτελεσματικότητα Cistanche deserticola - τονωτικό νεφρό

Καθώς όμως η ασθένεια εξελίσσεται, η ανάρρωση γίνεται αδύνατη. Τελικά, πρέπει να χρησιμοποιηθεί θεραπεία νεφρικής υποκατάστασης, όπως μεταμόσχευση ή αιμοκάθαρση. Με άλλα λόγια, είναι ζωτικής σημασίας η ανίχνευση και η θεραπεία της χρόνιας νεφρικής νόσου στα αρχικά στάδια. Ο υπέρηχος είναι μια μέθοδος δοκιμής για τη διάγνωση του καρκίνου του νεφρού, της φλεγμονώδους νόσου, της οζώδους νόσου, της χρόνιας νεφρικής νόσου κ.λπ., και χρησιμοποιείται για τον έλεγχο πληροφοριών σχετικά με τον βαθμό φλεγμονής χρησιμοποιώντας πληροφορίες όπως το μέγεθος του νεφρού και τα χαρακτηριστικά εσωτερικής ηχούς.

Σε αυτή τη μελέτη, εικόνες υπερήχων, συμπεριλαμβανομένων 251 εικόνων φυσιολογικού νεφρού, 328 εικόνων ήπιας και μέτριας νεφρικής νόσου και 162 εικόνες σοβαρού νεφρού, χρησιμοποιήθηκαν σε 741 περιπτώσεις. Για τη διάγνωση της χρόνιας νεφρικής νόσου στην κλινική πράξη, ορίστηκαν τρεις ROI, δηλαδή ο φλοιός του νεφρού, το όριο μεταξύ του φλοιού και του μυελού και του μυελού, οι οποίες είναι περιοχές που εξετάζονται για τη λήψη πληροφοριών από εικόνες υπερήχων. Οι παράμετροι εξήχθησαν από κάθε ROI χρησιμοποιώντας τον αλγόριθμο GLCM, ο οποίος χρησιμοποιείται ευρέως στην ανάλυση εικόνας υπερήχων. Όταν εξήχθη κάθε παράμετρος από τις τρεις περιοχές, εξήχθησαν συνολικά 57 παράμετροι GLCM. Τέλος, χρησιμοποιήθηκαν συνολικά 58 παράμετροι με την προσθήκη πληροφοριών για το μέγεθος του νεφρού, το οποίο είναι σημαντικό για τη διάγνωση της χρόνιας νεφρικής νόσου. Το ANN αποτελούνταν από 58 παραμέτρους εισόδου, 10 κρυφά επίπεδα και 3 επίπεδα εξόδου (φυσιολογική, ήπια και μέτρια ΧΝΝ και σοβαρή ΧΝΝ). Χρησιμοποιώντας το μοντέλο ANN, το τελικό ποσοστό ταξινόμησης ήταν 95,4 τοις εκατό, η εποχή που χρειαζόταν για εκπαίδευση ήταν 38 φορές και το ποσοστό εσφαλμένης ταξινόμησης ήταν 4,6 τοις εκατό. Πιστεύεται ότι αυτό το πείραμα μπορεί να χρησιμοποιηθεί ως βάση για την εφαρμογή ενός συστήματος αυτόματης διάγνωσης στον τομέα της διάγνωσης της χρόνιας νεφρικής νόσου χρησιμοποιώντας εικόνες υπερήχων. Επιπλέον, η χρήση πειραματικών αποτελεσμάτων θεωρείται ότι παίζει σημαντικό ρόλο στη λήψη κλινικών αποφάσεων, συμπεριλαμβανομένης της έγκαιρης διάγνωσης και θεραπείας της χρόνιας νεφρικής νόσου.

βιβλιογραφικές αναφορές

1. Irina, L.; Flávio, R.; Idalina, Β.; Rui, Α.; Luís, Β.; Alice, SS Νέοι δυνητικοί βιοδείκτες για τη διαχείριση της χρόνιας νεφρικής νόσου—Μια ανασκόπηση της βιβλιογραφίας. Int. J. ΜοΙ. Sci. 2021, 22, 43.

2. Couser, WG; Remuzzi, G.; Mendis, S.; Tonelli, M. Η συμβολή της χρόνιας νεφρικής νόσου στην παγκόσμια επιβάρυνση των μεγάλων μη μεταδοτικών νοσημάτων. Kidney Int. 2011, 80, 1258–1270. [CrossRef]

3. Cañadas-Garre, M.; Anderson, Κ.; McGoldrick, J.; Maxwell, AP; McKnight, AJ Πρωτεομικές και μεταβολομικές προσεγγίσεις στην αναζήτηση βιοδεικτών στη χρόνια νεφρική νόσο. J. Proteom. 2019, 193, 93–122. [CrossRef]

4. Lovey, AS; Eckardt, KU; Tsukamoto, Υ.; Levin, Α.; Coresh, J.; Rossert, J.; de Zeeuw, D.; Hostetter, TH; Lameire, Ν.; Eknoyan, G. Ορισμός και ταξινόμηση της χρόνιας νεφρικής νόσου: Μια δήλωση θέσης από τη Νεφρική Νόσος: Βελτίωση Παγκόσμιων Αποτελεσμάτων (KDIGO). Kidney Int. 2005, 67, 2089–2100. [CrossRef]

5. Κομέντα, Ρ.; Rigatto, C.; Tangri, N. Στρατηγικές προσυμπτωματικού ελέγχου για μη αναγνωρισμένη ΧΝΝ. Clin. Μαρμελάδα. Soc. Nephrol. 2016, 11, 925–927. [CrossRef] [PubMed]

6. Lee, HS; Jang, HB; Yoo, MG; Park, SI; Lee, HJ Μεταβολίτες αμινοξέων που σχετίζονται με τη χρόνια νεφρική νόσο: Μια οκταετής παρακολούθηση Κορεατικής Επιδημιολογικής Μελέτης. Biomedicines 2020, 8, 222. [CrossRef]

7. Hewadikaram, D.; Bandara, Μ.; Pattividana, AN; Jayaweera, H. Μια νέα τεχνική υπερήχων για την ανίχνευση της πρώιμης χρόνιας νεφρικής νόσου. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Jovanovic, D.; Gasic, Β.; Pavlovic, S.; Naumovic, R. Συσχέτιση του μεγέθους του νεφρού με τη νεφρική λειτουργία και τις ανθρωπομετρικές παραμέτρους σε υγιή άτομα και ασθενείς με χρόνιες νεφρικές παθήσεις. Ρεν. Αποτυγχάνω. 2013, 35, 896–900. [CrossRef]

9. Gao, S.; Peng, Υ.; Guo, Η.; Liu, W.; Gao, Τ.; Xu, Υ.; Tang, X. Ανάλυση υφής και ταξινόμηση εικόνων ήπατος με υπερήχους. Biome. Μητήρ. Eng. 2014, 24, 1209–1216. [CrossRef] [PubMed]

10. Μέθοδοι Saleem, ZR που χρησιμοποιούνται στη διάγνωση με τη βοήθεια υπολογιστή για ανίχνευση καρκίνου του μαστού με χρήση μαστογραφιών: Ανασκόπηση. J. Healthc. Eng. 2020, 2020, 9162464.

11. Fujita, Η.; Εσύ, J.; Li, Q.; Arimura, H. State-of-the-Art of Computer-Aided Detection/Diagnosis (CAD). In Proceedings of the ICMB 2010, Hong Kong, China, 28–30 Ιουνίου 2010; Τόμος 6165, σ. 296–305.

12. Jang, JSR; Sun, CT; Mizutani, E. Neuro-Fuzzy and Soft Computing—A Computational Approach to Learning and Machine Intelligence. IEEE Trans. Αυτόματ. Control 1997, 42, 1482–1484. [CrossRef]

13. Abbiss, Η.; Maker, GL; Προσεγγίσεις Trengove, RD Metabolomics για τη διάγνωση και την κατανόηση των νεφρικών παθήσεων. Metabolites 2019, 9, 34. [CrossRef]

14. Hansen, KL; Nielsen, MB; Ewertsen, C. Ultrasonography of the Kidney: A Pictorial Review. Diagnostics 2016, 6, 2. [CrossRef] [PubMed]

15. Singh, Ρ.; Mukundan, R.; De Ryke, R. Βελτίωση δυνατοτήτων σε βίντεο ιατρικών υπερήχων με χρήση προσαρμοστικής εξισορρόπησης ιστογράμματος περιορισμένης αντίθεσης. J. Digit. Imaging 2020, 33, 273–285. [CrossRef] [PubMed]

16. Jassim, FA Denoising εικόνας με χρήση διατεταρτημορίου φίλτρου εύρους με τοπικό μέσο όρο. Int. J. Soft Comput. Eng. 2013, 2, 424–428.

17. Haralick, RM; Dinstein, Ι.; Shanmugamm, K. Χαρακτηριστικά υφής για ταξινόμηση εικόνων. IEEE Trans. Συστ. Man Cybern. 1973, 3, 610-621. [CrossRef]

18. Tommy, L.; Patrik, Β.; Thomas, Α.; Tufve, Ν.; Anders, G. Gray αμετάβλητα χαρακτηριστικά υφής Haralick. PLoS ONE 2019, 14, e0212110.

19. Farizawani, AG; Puteh, Μ.; Μαρίνα, Υ.; Rivaie, A. Μια ανασκόπηση του κανόνα μάθησης τεχνητού νευρωνικού δικτύου που βασίζεται σε πολλαπλές παραλλαγές προσεγγίσεων συζευγμένης κλίσης. J. Phys. Συνδ. Ser. 2020, 1529, 022040. [CrossRef]

20. Igbinedion, BO; Okaka, E. Chronic Kidney Disease: Sonographic/Clinical Findings at the University of Benin Teaching Hospital. Αννα. Biomed. Sci. 2017, 16, 60–69.

21. Prashanth, KS; Ravi, Ν.; Chandrashekar, ΗΜ υπερηχογραφική βαθμολόγηση των νεφρικών παρεγχυματικών αλλαγών και η σύγκρισή της με τον εκτιμώμενο ρυθμό σπειραματικής διήθησης (EGFR) με χρήση τροποποιημένης δίαιτας στη φόρμουλα νεφρικής νόσου. Int. J. Contemp. Med. Surg. Radiol. 2020, 5, B13–B16.

22. Priyanka; Kumar, D. Χαρακτηριστικό Εξαγωγή και Επιλογή Εικόνων Υπερήχων νεφρών με χρήση GLCM και PCA. Procedia Comput. Sci. 2020, 167, 1722–1731. [CrossRef]

23. Kuo, CC; Chang, CM; Liu, KT; Lin, WK; Chiang, HY; Chung, CW; Ho, MR; Sun, PR; Yang, RL; Chen, KT Αυτοματοποίηση της πρόβλεψης και ταξινόμησης της νεφρικής λειτουργίας μέσω απεικόνισης νεφρών με υπερήχους με χρήση βαθιάς μάθησης. NPJ Digit. Med. 2019, 2, 29. [CrossRef] [PubMed]