afزبان
صفحه اصلی / دانش / محتوای

دانش

طبقه بندی بیماری مزمن کلیه در سونوگرافی با استفاده از GLCM و شبکه عصبی مصنوعی

Apr 04, 2023

خلاصه: بیماری مزمن کلیه (CKD) در صورت تشخیص زودهنگام قابل درمان است، اما با پیشرفت بیماری، بهبودی غیرممکن می شود.در نهایت، درمان جایگزین کلیه مانند پیوند یا دیالیز ضروری است. سونوگرافی یک روش آزمایشی است که با آن می توان سرطان کلیه، بیماری التهابی، بیماری ندولر، بیماری مزمن کلیوی و ... را تشخیص داد و برای تعیین درجه التهاب با استفاده از اطلاعاتی مانند اندازه کلیه و مشخصات اکو داخلی استفاده می شود. درجه پیشرفت بیماری مزمن کلیه در کارآزمایی بالینی کنونی بر اساس مقدار نرخ فیلتراسیون گلومرولی است. با این حال، تغییرات در درجه التهاب و بیماری حتی با سونوگرافی قابل مشاهده است. در این مطالعه در مجموع 741 تصویر، 251 تصویر کلیه طبیعی، 328 تصویر CKD خفیف و متوسط ​​و 162 تصویر CKD شدید مورد آزمایش قرار گرفتند. به منظور تشخیص CKD در عمل بالینی، سه ROI تنظیم شد: قشر کلیه، مرز بین قشر و مدولا، و مدولا، که مناطقی هستند که برای به دست آوردن اطلاعات از تصاویر سونوگرافی مورد بررسی قرار می گیرند. پارامترها از هر ROI با استفاده از الگوریتم GLCM که به طور گسترده در تجزیه و تحلیل تصویر اولتراسوند استفاده می شود، استخراج شد. هنگامی که هر پارامتر از سه ناحیه استخراج شد، در مجموع 57 پارامتر GLCM استخراج شد. در نهایت، در مجموع از 58 پارامتر با افزودن اطلاعات مربوط به اندازه کلیه استفاده شد که برای تشخیص بیماری مزمن کلیه مهم است. شبکه عصبی مصنوعی (ANN) از 58 پارامتر ورودی، 10 لایه پنهان و 3 لایه خروجی (CKD معمولی، خفیف و متوسط ​​و CKD شدید) تشکیل شده است. با استفاده از مدل ANN، نرخ طبقه‌بندی نهایی 95.4 درصد، دوره مورد نیاز برای آموزش 38 برابر و نرخ طبقه‌بندی اشتباه 4.6 درصد بود.

effects of cistanche-improve kidney function (15)

اثر Cistanche deserticola - تقویت کننده کلیه

کلید واژه ها: سونوگرافی کلیه؛ ماتریس همزمانی سطح خاکستری (GLCM)؛ شبکه های عصبی مصنوعی؛ طبقه بندی؛ بیماری مزمن کلیه (CKD)

1. معرفی

بیماری مزمن کلیه (CKD) با افزایش سن جمعیت و افزایش بیماری های مزمن در حال افزایش است. در بسیاری از کشورها، این یک مشکل بهداشتی نگران کننده است که باعث شیوع و بروز بالای سکته مغزی، بیماری قلبی و عوارضی مانند دیابت و عفونت و همچنین افزایش هزینه های پزشکی می شود.[1،2]. بیماری مزمن کلیه به عنوان یک اصطلاح کلی استفاده می شود که به آسیب کلیه برای بیش از 3 ماه یا کاهش مداوم عملکرد کلیه بدون توجه به علت آن اشاره دارد. بیماری است که خطر ابتلا به بیماری های قلبی عروقی را افزایش می دهد و با نارسایی کلیه و عوارض مختلف همراه است [3،4]. تعریف زیر از بیماری مزمن کلیوی به طور گسترده توسط بنیاد ملی کلیه (NKF) استفاده می شود: "اگر آسیب کلیه، مانند پروتئینوری، هماچوری، یا ناهنجاری پاتولوژیک، یا میزان فیلتراسیون گلومرولی کمتر از 60 میلی لیتر در دقیقه / 1.73 متر مربع باشد و بیش از 3 ماه طول می کشد» [5]. بیماری مزمن کلیه علل و یافته های پاتولوژیک مختلفی دارد، اما از نظر بالینی، می توان آن را نسبتاً ساده از طریق آزمایش ادرار برای تشخیص پروتئینوری و آزمایش خون برای تخمین میزان فیلتراسیون گلومرولی تأیید کرد. در زمینه بالینی، مرحله بیماری مزمن کلیوی با توجه به میزان فیلتراسیون گلومرولی تخمینی برای تشخیص و درمان بیماران به پنج مرحله از مرحله 1 تا مرحله 5 تقسیم می شود. می توان گفت که بیماری مزمن کلیه یک بیماری مزمن نسبتاً شایع است، اما در مقایسه با سایر بیماری های مزمن مانند فشار خون بالا و دیابت، آگاهی عموم مردم زیاد نیست [6]. از آنجایی که می توان آن را به راحتی از طریق یک آزمایش نسبتا ساده تشخیص داد، تشخیص زودهنگام می تواند از طریق درمان زودهنگام پیشرفت بیماری را کند کند. با این حال، از آنجایی که علائم واضح نیستند، این بیماری اغلب پس از مدت زمان طولانی تشخیص داده می شود که منجر به نارسایی کلیه یا حتی مرگ به دلیل عوارضی مانند بیماری قلبی عروقی می شود. به طور کلی، بیماری مزمن کلیه پس از بروز آن به پیشرفت خود ادامه می دهد. با این حال، تشخیص زودهنگام می تواند کاهش عملکرد کلیه و بهبودی از بیماری مزمن کلیه را کاهش دهد [7].

سونوگرافی که یکی از روش های تشخیص بیماری مزمن کلیه است، برای بررسی اینکه آیا عملکرد کلیه به دلایل دیگری مانند اندازه و مورفولوژی کلیه کاهش یافته است بسیار مهم است. [8].

Cistanche-kidney-2(2)

سیستانچ زنده بیابانی - کلیه مقوی

(مطالعات تجربی نشان داده اند که عصاره گیاه سیستانچ دسرتیکولا می تواند از سلول های لوله کلیوی محافظت کند، از ضایعات بینابینی کلیوی جلوگیری کند، سرعت نارسایی کلیوی را کاهش دهد و به طور موثر از عفونت های باکتریایی ثانویه در بیماران مبتلا به نارسایی مزمن کلیوی جلوگیری کند. این عصاره هم در مزمن و هم در حاد اثرات درمانی دارد. بیماری کلیوی.)

الگوریتم GLCM که نقاط ویژگی را با تأکید بر ویژگی های فضایی در چنین تصاویر اولتراسوند استخراج می کند، به طور گسترده ای در تجزیه و تحلیل تصویر اولتراسوند با استفاده از همبستگی بین پیکسل فعلی و مقدار روشنایی پیکسل های مجاور آن استفاده می شود [9].

تشخیص خودکار بیماری‌ها با استفاده از تصاویری مانند گرافیک اولتراسوند از طریق روش‌های محاسباتی در سال‌های اخیر، به ویژه پس از ایجاد سیستم‌های تشخیص به کمک رایانه (CADs) از اهمیت بالایی برخوردار بوده است [10،11].

شبکه های عصبی مصنوعی (ANN) معمولاً برای فرموله کردن مدل های آماری برای تجزیه و تحلیل کامپیوتری استفاده می شوند. یک شبکه عصبی مصنوعی (ANN) یا یک شبکه عصبی ساده (NN) یک ساختار محاسباتی مبتنی بر عملکرد نورون‌های بیولوژیکی است. این نوع شبکه ها توانایی یادگیری و تشخیص الگوها را بر اساس اطلاعات ورودی دارند و از این الگوها برای پیش بینی اطلاعات آینده با برون یابی داده های آموخته شده استفاده می کنند. این شبکه‌های عصبی از واحدهای پردازشی کوچکی به نام نورون‌ها تشکیل شده‌اند که در گروه‌هایی به نام لایه‌ها به یکدیگر متصل هستند. شبکه عصبی مشترک حداقل یک لایه ورودی، یک لایه پنهان و یک لایه خروجی دارد [12].

در این مقاله پارامترهای مختلفی با اعمال الگوریتم GLCM بر روی تصاویر سونوگرافی طبقه بندی شده به عنوان تصاویر کلیه نرمال، تصاویر CKD خفیف و متوسط ​​و تصاویر CKD شدید به دست آمد. بیماری مزمن کلیه با استفاده از یک شبکه عصبی مصنوعی با استفاده از پارامترهای GLCM و اندازه کلیه طبقه بندی شد. هدف از این مطالعه طبقه بندی بیماری مزمن کلیه به سه دسته برای تعیین اینکه آیا تشخیص زودهنگام بیماری مزمن کلیه امکان پذیر است یا خیر است.

Cistanche-kidney-6(6)

گیاه سوپرمن سیستانچ - تقویت کننده کلیه

برای مشاهده محصولات Cistanche for Kidney بیماری اینجا را کلیک کنید

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

2. مواد و روشها

2.1. موضوعات و اکتساب داده ها

از ژانویه 2015 تا دسامبر 2017، این آزمایش با استفاده از تصاویر اولتراسوند از داوطلبانی که برای معاینه پزشکی در بیمارستان R در یانگسان، Gyeong-sang-nam-do، و بیماران مبتلا به CKD به بیمارستان مراجعه کردند، انجام شد.

جدول 1 مشخصات بالینی افراد را نشان می دهد. در مجموع 741 تصویر اولتراسوند، شامل 251 تصویر طبیعی، 328 تصویر CKD خفیف و متوسط ​​و 162 تصویر CKD شدید، که توسط پزشک طبقه‌بندی شده بودند، استفاده شد. رادیولوژیست ها تصاویر تجربی را با خواندن به تصاویر بیماران CKD خفیف و متوسط ​​و بیماران CKD شدید طبقه بندی کردند و موارد مبتلا به سرطان کلیه، کیست کلیه و بیماری های مادرزادی کلیه از آزمایش حذف شدند [13].

در مورد تجهیزات آزمایشی، از دستگاه سونوگرافی RS80A (سامسونگ مدیسون، سئول، کره) استفاده شد و شرایط تصویر با بهره 50، محدوده دینامیکی 56، میانگین فریم 8، توان 95 و فرکانس عمومی بدست آمد. همه آزمون ها تحت مشارکت داوطلبانه انجام شد و توسط هیئت بازبینی نهادی (IRB) دانشگاه کاتولیک بوسان (CUPIRB-2017-023) تأیید شد.

جدول 1 اطلاعات مربوط به سن، جنس، eGFR، فشار خون بالا و دیابت افراد مورد آزمایش را نشان می دهد.

جدول 1. مشخصات بالینی.

Table 1 shows the information on the age, sex, eGFR, hypertension, and diabetes of the test subjects.

2.2. روش تجربی

ناحیه مورد نظر (ROI) در تصویر اولتراسوند کلیه تنظیم شد و نتیجه با استفاده از MATLAB 2016a (MathWorks Inc., Natick, MA, USA) محاسبه شد. ROI با تنظیم ناحیه قشر مغز، ناحیه مرزی بین قشر و مدولا و ناحیه مدولا انتخاب شد. در تصویر اولتراسوند، مشخصات کلیه طبیعی به شکل بیضی است که از قشر کلیه تشکیل شده است که در مقایسه با کبد اکو کم و سینوس کلیه که اکو بالا را نشان می دهد. مرز بین کورتکس و سینوس کلیه مشخص است و اکو بالا در مرکز قابل مشاهده است. از سوی دیگر، در کلیه ای که به طور مداوم آسیب می بیند، اکو اولتراسونیک قشر کلیه به دلیل فیبروز افزایش می یابد. در نتیجه، مرز بین قشر کلیه روشن شده و قشر کلیه به طور واضح مشاهده نمی شود. علاوه بر این، به دلیل کاهش عملکرد، اندازه کاهش می یابد و آتروفی کلیه مشاهده می شود [14]. از آنجا که این ویژگی ها در تشخیص بیماری مزمن کلیوی استفاده می شود، ناحیه ROI روی 50 × 50 تنظیم شد و روی 3 مکان تنظیم شد. در شکل زیر تصاویر سونوگرافی معمولی، متوسط ​​و شدید با وضوح 1280×872 استفاده شده در این مطالعه نشان داده شده است. شکل 1 تصاویر سونوگرافی CKD طبیعی، خفیف و متوسط ​​و شدید را نشان می دهد.

Figure 2 shows the overall block diagram of this experiment. Figure 2 shows the overall block diagram of this experiment. Figure 2 shows the overall block diagram of this experiment.

شکل 1. تصاویر اصلی.

شکل 2 بلوک دیاگرام کلی این آزمایش را نشان می دهد.

یکسان سازی هیستوگرام و پیش پردازش فیلتر محدوده بر روی تصویر اولتراسوند اصلی انجام شد. یکسان سازی هیستوگرام می تواند کیفیت تصویر را با یکنواخت کردن توزیع نور و تاریکی در تصویر بهبود بخشد [15]. فیلتر محدوده می تواند با برجسته کردن مرز تصویر باعث کاهش نویز شود [16]. پس از انجام پیش پردازش، پارامترهای ویژگی با استفاده از الگوریتم GLCM استخراج شدند. در مجموع 19 پارامتر از هر یک از سه منطقه شکل 1 استخراج شد. تصاویر اصلی. شکل 2 بلوک دیاگرام کلی این آزمایش را نشان می دهد. یکسان سازی هیستوگرام و پیش پردازش فیلتر محدوده بر روی تصویر اولتراسوند اصلی انجام شد. یکسان سازی هیستوگرام می تواند کیفیت تصویر را با یکنواخت کردن توزیع نور و تاریکی در تصویر بهبود بخشد [15]. فیلتر محدوده می تواند با برجسته کردن مرز تصویر باعث کاهش نویز شود [16]. پس از انجام پیش پردازش، پارامترهای ویژگی با استفاده از الگوریتم GLCM استخراج شدند. در مجموع 19 پارامتر از هر یک از سه منطقه قشر، مرز بین قشر و مدولا و مدولا استخراج شد و در نهایت، اطلاعات اندازه برای تعیین کل 58 پارامتر ورودی ترکیب شد.

یک شبکه عصبی مصنوعی با 10 لایه پنهان ساخته شد و خروجی به سه نوع CKD معمولی، خفیف و متوسط ​​و CKD شدید طبقه بندی شد.


Figure 2. Total block diagram of image processing.

شکل 2. بلوک دیاگرام کل پردازش تصویر.

2.3. ماتریس همزمانی سطح خاکستری (GLCM)

GLCM [17]، یک توصیفگر بافت، برای محاسبه ویژگی های آماری مرتبه دوم از تصاویر عادی و CKD استفاده می شود. با در نظر گرفتن تصویر I با اندازه M × N و تعداد Ng از سطوح خاکستری متمایز، تغییرات بافت با استفاده از ماتریس وابستگی فضایی تون خاکستری p (i, j) محاسبه می‌شود، جایی که پیکسل‌ها با فاصله d از هم جدا می‌شوند. سطوح خاکستری i-امین و j-ام. در این کار، چهار زاویه (0◦، 45◦، 90◦ و 135◦ ) با فاصله پیکسلی 1 در نظر گرفته شد. ویژگی های آماری مرتبه دوم (همبستگی خودکار، کنتراست، همبستگی، برجستگی خوشه، سایه خوشه، عدم تشابه، انرژی، آنتروپی، همگنی، حداکثر احتمال، مجموع واریانس مجذور، میانگین مجموع، واریانس مجموع، آنتروپی مجموع، واریانس تفاوت، آنتروپی تفاوت، اندازه گیری اطلاعات همبستگی 1، اندازه گیری اطلاعاتی همبستگی 2 و تفاوت معکوس (INV)) با استفاده از GLCM محاسبه شد. شکل 3a نتیجه پیاده سازی شده با استفاده از MATLAB برای به دست آوردن پارامترهای GLCM را نشان می دهد. اگر ناحیه ROI را انتخاب کرده و اجرا کنید، همانطور که در شکل 3b نشان داده شده است، به عنوان یک فایل اکسل ذخیره می شود.


Table 3 shows the parameters that can be extracted when calculating the GLCM using an ROI image. Table 1 shows the variables and notation used to compute texture features that are the parameters of the GLCM.Table 3 shows the parameters that can be extracted when calculating the GLCM using an ROI image. Table 1 shows the variables and notation used to compute texture features that are the parameters of the GLCM.

شکل 3. اجرای برنامه.

جدول 3 پارامترهایی را نشان می دهد که می توان هنگام محاسبه GLCM با استفاده از یک تصویر ROI استخراج کرد. جدول 1 متغیرها و نمادهای مورد استفاده برای محاسبه ویژگی های بافت که پارامترهای GLCM هستند را نشان می دهد.


جدول 2. متغیرها و نمادهای مورد استفاده برای محاسبه ویژگی های بافت.

Table 2. Variables and notations used to compute the texture features.

2.4. شبکه عصبی مصنوعی (ANN)

ANN عنصری از یادگیری ماشینی است که در حال حاضر در تحقیق و توسعه قابل توجه است. مفهوم یادگیری ماشینی توانایی یک کامپیوتر برای درک ساختار داده ها با استفاده از یک مدل ریاضی یا آماری است. اساس یک ANN از یک لایه واحد از عناصر ورودی، فرآیند و خروجی تشکیل شده است. در نتیجه، از یک مفهوم بسیار اساسی از یک چرخه پردازش اطلاعات، ANN سپس یک فرمول ریاضی پیچیده را برای تولید یک نتیجه بهینه برای هر مجموعه داده یا بخش مسئله انجام می دهد [19].

شکل 4 بلوک دیاگرام شبکه عصبی مورد استفاده در این آزمایش را نشان می دهد. ROI از 3 مکان برای تشخیص ویژگی در تصویر اصلی انتخاب شد.

ROI از قشر، مرز بین قشر و مدولا و مدولا انتخاب شد. اندازه کلیه که عامل بسیار مهمی در تشخیص بیماری مزمن کلیه است، به عنوان پارامتر ویژگی انتخاب شد. به عنوان یک نتیجه از محاسبه GLCM، 19 پارامتر از هر یک از مناطق قشر استخراج شد. یعنی مرز بین قشر و مدولا و مدولا (جدول 3). علاوه بر این، با اضافه کردن اندازه کلیه به عنوان پارامتر، لایه ورودی در مجموع از 58 گره تشکیل شده است. لایه خروجی پس از عبور از 10 لایه پنهان به سه نوع CKD معمولی، خفیف و متوسط ​​و CKD شدید طبقه بندی شد.



Figure 4. Output classification based on the ANN model.

شکل 4. طبقه بندی خروجی بر اساس مدل ANN.

جدول 3. پارامترهای GLCM

Table 3. Parameters of the GLCM

3. نتایج

اجرای پیش پردازش تصویر، الگوریتم GLCM و شبکه عصبی مصنوعی با استفاده از MATLAB R2016a انجام شد. این ابزار یک رابط کاربر پسند ارائه می دهد و دارای توابع داخلی زیادی است، بنابراین پیاده سازی الگوریتم ها در آن آسان است. برای این مطالعه از ویندوز 10 ({3}} بیت) با پردازنده 3.60 گیگاهرتز اینتل i9 و 64 گیگابایت رم استفاده شد.

الگوریتم GLCM میانگین ویژگی ها با استفاده از GLCM به دست آمد

Figure 5. Selection of ROI.

شکل 5. انتخاب ROI.

شکل 6 نتایج اعمال یکسان سازی هیستوگرام در ناحیه ROI را در طی فرآیند تصفیه مجدد نشان می دهد.

Figure 6. The results of preprocessing: (a) histogram equalization; (b) range fifilter.

شکل 6. نتایج پیش پردازش: (الف) یکسان سازی هیستوگرام. (ب) فیلتر برد.

پس از پیش پردازش تصاویر ایالات متحده، ویژگی های آماری بافت با استفاده از الگوریتم GLCM استخراج شد. میانگین ویژگی ها با استفاده از GLCM نسبت به چهار جهت مختلف که محاسبه شدند به دست آمد. جداول 4-7 نتایج GLCM قشر، مرز بین قشر و مدولا و بصل النخاع را به ترتیب نشان می دهد. جدول 7 اندازه کلیه طبیعی و با CKD خفیف و متوسط ​​و CKD شدید را نشان می دهد.

جدول 4. مقادیر ویژگی های GLCM قشر (میانگین ± STD).

Table 4. Values of GLCM features of the cortex (mean ± STD).

جدول 5. مقادیر ویژگی های GLCM مرز بین قشر و مدولا (میانگین ± STD).

Table 5. Values of GLCM features of the boundary between the cortex and medulla (mean ± STD).

جدول 6. مقادیر ویژگی های GLCM مدولا (میانگین ± STD).

Table 6. Values of GLCM features of the medulla (mean ± STD).

جدول 7. اندازه کلیه طبیعی و کلیه با CKD خفیف و متوسط ​​و CKD شدید (میانگین ± STD).

Table 7. The size of the normal kidney and that with mild and moderate CKD and severe CKD (mean ± STD).

شکل 7 نتیجه شبکه عصبی مصنوعی متشکل از 64 ورودی، 1{11}} لایه پنهان و 3 خروجی را نشان می دهد. در شکل 7a، نتیجه آموزش 95.6 درصد، نتیجه اعتبارسنجی 97.3 درصد، و نتیجه آزمون 85.7 درصد بود. همانطور که در شکل 7b نشان داده شده است، مدل سازی پیاده سازی شده دارای خطای 0.030511 است. با استفاده از این مدل ANN، نرخ طبقه بندی نهایی 95.4 درصد بود. شکل 8 منحنی ROC را برای نتایج نشان می دهد.

Figure 7. The results of the ANN.

شکل 7. نتایج ANN.

Figure 8. ROC curve of the results.

شکل 8. منحنی ROC نتایج.

4. بحث

در سراسر جهان، تعداد بیماران مبتلا به بیماری مزمن کلیوی با سرعت فوق العاده ای در حال افزایش است. بیماری مزمن کلیوی به طور خاص در ارتباط با دیابت، فشار خون بالا و کهولت سن مشاهده می شود، اما کره اخیرا به جامعه ای پیر تبدیل شده است و تعداد بیماران مبتلا به فشار خون بالا و دیابت به دلیل سبک زندگی غربی افزایش یافته است. علاوه بر این، حدود 10 درصد از جمعیت بزرگسال از بیماری مزمن کلیوی رنج می برند و 60 سال یا بیشتر سن دارند. بروز بیماری مزمن کلیه به سرعت در حال افزایش است. این پدیده به این معنی است که تعداد بیمارانی که به دلیل بیماری مزمن کلیه نیاز به دیالیز یا پیوند کلیه دارند نیز افزایش می‌یابد و زمانی که تعداد بیماران مبتلا به نارسایی کلیه در مرحله نهایی افزایش می‌یابد، زیان بزرگی از نظر اجتماعی اجتناب ناپذیر است. و زمینه های ملی و همچنین در بیماران و خانواده های فردی [2].

effects of cistanche-improve kidney function (12)

گیاه چینی سیستانچ - تقویت کننده کلیه

(مطالعات تجربی نشان داده اند که اجزای مختلف گیاه سیستانچ کویر می تواند به طور موثری غدد کلیوی را تنظیم و دوباره پر کند، با قدرت کلیوی کافی که به طور مستقیم عملکرد میتوکندری کارخانه انرژی بدن را افزایش می دهد، به طور مداوم انرژی تولید می کند، بدن را در حالت هیجانی نگه می دارد، و باعث بهبود آن می شود. تحمل سرما و کاهش خستگی.)

در این مطالعه، قشر کلیه، مرز بین قشر و مدولا و مدولا به عنوان ROI برای تشخیص بیماری مزمن کلیوی در تصاویر اولتراسوند تعیین شد. پارامترها از هر ناحیه ROI با استفاده از الگوریتم GLCM که به طور گسترده در تجزیه و تحلیل تصویر اولتراسوند استفاده می شود، استخراج شد. پارامترها عبارتند از خود همبستگی، کنتراست، همبستگی، برجستگی خوشه، سایه خوشه، عدم تشابه، انرژی، آنتروپی، همگنی، حداکثر احتمال، مجموع واریانس مربعات، مجموع میانگین، مجموع واریانس، مجموع آنتروپی، واریانس تفاوت، آنتروپی تفاوت، اندازه گیری اطلاعات همبستگی 1، معیار اطلاعاتی همبستگی 2، و تفاوت معکوس (INV). هنگامی که هر پارامتر از سه ناحیه استخراج شد، در مجموع 57 پارامتر GLCM استخراج شد. در نهایت، در مجموع از 58 پارامتر با افزودن اطلاعات مربوط به اندازه کلیه استفاده شد که برای تشخیص بیماری مزمن کلیه مهم است. در مجموع 58 پارامتر ورودی با ساخت یک ANN که یک روش یادگیری ماشینی است مورد آزمایش قرار گرفت. پارامترهای ورودی روی 58 و لایه پنهان روی 10 تنظیم شد. از آنجایی که 10 لایه پنهان یا بیشتر تأثیری بر نرخ طبقه‌بندی نداشتند، آزمایش با 10 لایه پنهان انجام شد. سه خروجی که باید طبقه بندی شوند عبارتند از CKD طبیعی، خفیف و متوسط، و CKD شدید. تصور می‌شود که نرخ طبقه‌بندی نتیجه طبقه‌بندی شده با استفاده از تمام 58 پارامتر ورودی افزایش یافته است. دقت طبقه بندی 95.4 درصد، دوره مورد نیاز برای آموزش 38 بار و میزان طبقه بندی اشتباه 4.6 درصد بود. در این آزمایش، سه نوع بیماری به نام‌های CKD طبیعی، خفیف، متوسط ​​و شدید طبقه‌بندی شد، اما طبقه‌بندی دقیق‌تری از حالات بیماری مورد نیاز است. علاوه بر این، آزمایش با به دست آوردن 741 آیتم داده انجام شد که به این دلیل است که حجم داده ها زیاد نیست. بنابراین، روش یادگیری ماشین انتخاب شد. هنگامی که حجم زیادی از داده به دست می آید، پس از به دست آوردن داده های بیشتر، قصد داریم از روش یادگیری عمیق استفاده کنیم. برای استفاده بالینی، لازم است انواع طبقه بندی را متنوع کرد. پس از در دسترس قرار دادن نتیجه اجرا شده در اختیار تجهیزات اولتراسونیک، باید از طریق بازخورد سونوگرافیست ارتقا یابد.

5. نتیجه گیری ها

بیماری مزمن کلیه در صورت تشخیص زودهنگام قابل درمان است.Cistanche deserticola یک راه خوب برای تقویت کلیه ها است. سیستانچ دسرتیکولا را می توان با گوجی بری و سینوموریوم سولاریوم برای دم کردن و نوشیدن جفت کرد که تاثیر خوبی در تقویت کلیه ها دارد. Cistanche deserticola ma عمدتاً برای درمان درد و ضعف کمر و زانو ناشی از کمبود یانگ کلیه استفاده می شود که اثر تقویت کننده کلیه ها را دارد و اثر تسکین دهنده خاصی در بیماری های زودرس کلیه دارد.

effects of cistanche-improve kidney function (5)

اثر Cistanche deserticola - تقویت کننده کلیه

اما با پیشرفت بیماری، بهبودی غیرممکن می شود. در نهایت باید از درمان جایگزین کلیه مانند پیوند یا دیالیز استفاده شود. به عبارت دیگر، تشخیص و درمان بیماری مزمن کلیه در مراحل اولیه بسیار مهم است. سونوگرافی یک روش آزمایشی برای تشخیص سرطان کلیه، بیماری التهابی، بیماری ندولر، بیماری مزمن کلیوی و غیره است و برای بررسی اطلاعات درجه التهاب با استفاده از اطلاعاتی مانند اندازه کلیه و مشخصات اکو داخلی استفاده می شود.

در این مطالعه تصاویر اولتراسوند شامل 251 تصویر کلیه طبیعی، 328 تصویر بیماری کلیوی خفیف و متوسط ​​و 162 تصویر کلیوی شدید در 741 مورد استفاده شد. برای تشخیص بیماری مزمن کلیه در عمل بالینی، سه ROI تعیین شد، یعنی قشر کلیه، مرز بین قشر و مدولا، و مدولا، که مناطقی هستند که برای به دست آوردن اطلاعات از تصاویر سونوگرافی مورد بررسی قرار می‌گیرند. پارامترها از هر ROI با استفاده از الگوریتم GLCM که به طور گسترده در تجزیه و تحلیل تصویر اولتراسوند استفاده می شود، استخراج شد. هنگامی که هر پارامتر از سه ناحیه استخراج شد، در مجموع 57 پارامتر GLCM استخراج شد. در نهایت، در مجموع از 58 پارامتر با افزودن اطلاعات مربوط به اندازه کلیه استفاده شد که برای تشخیص بیماری مزمن کلیه مهم است. ANN از 58 پارامتر ورودی، 10 لایه پنهان، و 3 لایه خروجی (CKD معمولی، خفیف و متوسط ​​و CKD شدید) تشکیل شده است. با استفاده از مدل ANN، نرخ طبقه‌بندی نهایی 95.4 درصد، دوره مورد نیاز برای آموزش 38 برابر و نرخ طبقه‌بندی اشتباه 4.6 درصد بود. اعتقاد بر این است که این آزمایش می تواند به عنوان مبنایی برای اجرای یک سیستم تشخیص خودکار در زمینه تشخیص بیماری مزمن کلیوی با استفاده از تصاویر اولتراسوند مورد استفاده قرار گیرد. علاوه بر این، تصور می‌شود استفاده از نتایج تجربی نقش مهمی در تصمیم‌گیری بالینی، از جمله تشخیص زودهنگام و درمان بیماری مزمن کلیوی دارد.

منابع

1. ایرینا، ال. فلاویو، آر. ایدالینا، بی. روی، ا. لوئیس، بی. آلیس، نشانگرهای زیستی بالقوه جدید SS برای مدیریت بیماری مزمن کلیه - مروری بر ادبیات. بین المللی جی. مول. علمی 2021، 22، 43.

2. کوسر، WG; رموزی، جی. مندیس، اس. Tonelli، M. سهم بیماری مزمن کلیه در بار جهانی بیماری های غیرواگیر عمده. کلیه های داخلی 2011، 80، 1258-1270. [CrossRef]

3. Canadas-Garre، M. اندرسون، ک. مک گلدریک، جی. ماکسول، AP; مک نایت، ای جی پروتئومیک و رویکردهای متابولومیک در جستجوی نشانگرهای زیستی در بیماری مزمن کلیوی. جی. پروتئوم. 2019، 193، 93-122. [CrossRef]

4. لاوی، ع. Eckardt، KU; تسوکاموتو، ی. لوین، ا. کورش، جی. راسرت، جی. د زیو، دی. Hostetter، TH; لامایر، ن. Eknoyan، G. تعریف و طبقه بندی بیماری مزمن کلیوی: بیانیه موضعی از بیماری کلیه: بهبود نتایج جهانی (KDIGO). کلیه های داخلی 2005، 67، 2089-2100. [CrossRef]

5. کومندا، پ. ریگاتو، سی. Tangri، N. استراتژی های غربالگری برای CKD ناشناخته. کلین مربا. Soc. نفرول. 2016، 11، 925-927. [CrossRef] [PubMed]

6. لی، اچ اس. جانگ، HB; یو، ام جی; پارک، SI; لی، HJ متابولیت های اسید آمینه مرتبط با بیماری مزمن کلیه: یک مطالعه اپیدمیولوژی کره ای هشت ساله. Biomedicines 2020, 8, 222. [CrossRef]

7. هواکارام، د. بندرا، م. Pattividana، AN; Jayaweera, H. یک تکنیک جدید اولتراسوند برای تشخیص زودرس بیماری مزمن کلیه. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. یووانوویچ، دی. گاسیک، بی. پاولوویچ، اس. Naumovic, R. ارتباط اندازه کلیه با عملکرد کلیه و پارامترهای تن سنجی در افراد سالم و بیماران مبتلا به بیماری های مزمن کلیوی. رن. شکست. 2013، 35، 896-900. [CrossRef]

9. گائو، اس. پنگ، ی. گوا، اچ. لیو، دبلیو. گائو، تی. خو، ی. Tang, X. تجزیه و تحلیل بافت و طبقه بندی تصاویر کبد اولتراسوند. Biome. ماتر مهندس 2014، 24، 1209-1216. [CrossRef] [PubMed]

10. روش Saleem، ZR مورد استفاده در تشخیص به کمک رایانه برای تشخیص سرطان پستان با استفاده از ماموگرافی: مروری. J. Healthc. مهندس 2020، 2020، 9162464.

11. فوجیتا، اچ. شما، جی. لی، کیو. Arimura، H. پیشرفته ترین تشخیص/تشخیص به کمک رایانه (CAD). در مجموعه مقالات ICMB 2010، هنگ کنگ، چین، 28-30 ژوئن 2010. جلد 6165، ص 296–305.

12. جانگ، JSR; Sun، CT; میزوتانی، ای. محاسبات عصبی فازی و نرم - رویکردی محاسباتی به یادگیری و هوش ماشینی. IEEE Trans. خودکار کنترل 1997، 42، 1482-1484. [CrossRef]

13. ابیس، اچ. Maker, GL; رویکردهای Trengove، RD Metabolomics برای تشخیص و درک بیماری های کلیوی. متابولیت‌ها 2019، 9، 34. [CrossRef]

14. Hansen، KL; Nielsen, MB; Ewertsen, C. سونوگرافی کلیه: بررسی تصویری. Diagnostics 2016, 6, 2. [CrossRef] [PubMed]

15. سینگ، پی. موکندان، ر. De Ryke, R. افزایش ویژگی در ویدیوهای اولتراسوند پزشکی با استفاده از تساوی هیستوگرام تطبیقی ​​با کنتراست محدود. جی دیجیت. تصویربرداری 2020، 33، 273-285. [CrossRef] [PubMed]

16. جاسم، FA حذف نویز تصویر با استفاده از فیلتر محدوده بین چارکی با میانگین محلی. بین المللی J. Soft Comput. مهندس 2013، 2، 424-428.

17. هارالیک، RM; دینشتاین، آی. Shanmugamm, K. ویژگی های بافتی برای طبقه بندی تصویر. IEEE Trans. سیستم مرد سایبرن. 1973، 3، 610-621. [CrossRef]

18. تامی، ال. پاتریک، بی. توماس، ا. توفو، ن. اندرس، جی. ویژگی‌های بافت ثابت Haralick در سطح خاکستری. PLoS ONE 2019, 14, e0212110.

19. فریضوانی، ع.غ. پوته، م. مارینا، ی. Rivaie, A. مروری بر قانون یادگیری شبکه عصبی مصنوعی بر اساس انواع مختلف رویکردهای گرادیان مزدوج. J. Phys. Conf. سر. 2020, 1529, 022040. [CrossRef]

20. ایگبیندیون، BO; Okaka، E. بیماری مزمن کلیه: یافته های سونوگرافی/بالینی در بیمارستان آموزشی دانشگاه بنین. ان بیومد. علمی 2017، 16، 60-69.

21. پراشانت، کاس; راوی، ن. چاندراشکار، درجه بندی سونوگرافی HM تغییرات پارانشیمی کلیه و مقایسه آن با تخمین میزان فیلتراسیون گلومرولی (EGFR) با استفاده از رژیم غذایی اصلاح شده در فرمول بیماری کلیوی. بین المللی J. Contemp. پزشکی سرگ رادیول. 2020، 5، B13–B16.

22. پریانکا; Kumar, D. استخراج ویژگی و انتخاب تصاویر اولتراسوند کلیه با استفاده از GLCM و PCA. Procedia Comput. علمی 2020، 167، 1722-1731. [CrossRef]

23. Kuo, CC; چانگ، سی ام. لیو، KT; لین، WK; چیانگ، هی. چانگ، CW; هو، آقای خورشید، روابط عمومی؛ یانگ، RL; چن، KT اتوماسیون پیش‌بینی و طبقه‌بندی عملکرد کلیه از طریق تصویربرداری کلیه مبتنی بر سونوگرافی با استفاده از یادگیری عمیق. رقم NPJ. پزشکی 2019، 2، 29. [CrossRef] [PubMed]

شما نیز ممکن است دوست داشته باشید