Classificação da doença renal crônica em ultrassonografia usando o GLCM e a rede neural artificial

Abstrato: A doença renal crônica (DRC) pode ser tratada se for detectada precocemente, mas à medida que a doença progride, a recuperação torna-se impossível.Eventualmente, a terapia de substituição renal, como transplante ou diálise, é necessária. O ultrassom é um método de teste para diagnosticar câncer renal, doença inflamatória, doença nodular, doença renal crônica, etc. Ele é usado para determinar o grau de inflamação usando informações como tamanho do rim e características do eco interno. O grau de progressão da doença renal crônica no ensaio clínico atual é baseado no valor da taxa de filtração glomerular. No entanto, mudanças no grau de inflamação e doença podem ser observadas até mesmo com ultrassom. Neste estudo, um total de 741 imagens, 251 imagens de rins normais, 328 imagens de DRC leve e moderada e 162 imagens de DRC grave foram testadas. Para diagnosticar a DRC na prática clínica, foram definidas três ROIs: o córtex do rim, o limite entre o córtex e a medula, e a medula, que são áreas examinadas para obter informações das imagens de ultrassom. Os parâmetros foram extraídos de cada ROI usando o algoritmo GLCM, que é amplamente utilizado na análise de imagens de ultrassom. Quando cada parâmetro foi extraído das três áreas, um total de 57 parâmetros GLCM foram extraídos. Por fim, foram utilizados um total de 58 parâmetros acrescentando informações sobre o tamanho do rim, importante para o diagnóstico da doença renal crônica. A rede neural artificial (ANN) foi composta por 58 parâmetros de entrada, 10 camadas ocultas e 3 camadas de saída (normal, DRC leve e moderada e DRC grave). Usando o modelo ANN, a taxa de classificação final foi de 95,4 por cento, a época necessária para o treinamento foi de 38 vezes e a taxa de erros de classificação foi de 4,6 por cento.

Eficácia de Cistanche deserticola—Rim tonificante

Palavras-chave: ultrassom renal; matriz de coocorrência em nível de cinza (GLCM); rede neural artificial; classificação; doença renal crônica (DRC)

1. Introdução

A doença renal crônica (DRC) está aumentando com o envelhecimento da população e o aumento das doenças crônicas. Em muitos países, é um problema de saúde preocupante, causando alta prevalência e incidência de acidente vascular cerebral, doenças cardíacas e complicações como diabetes e infecções, além de aumento nas despesas médicas[1,2]. A doença renal crônica é usada como um termo geral que se refere a danos renais por mais de 3 meses ou uma diminuição contínua da função renal, independentemente da causa. É uma doença que aumenta o risco de doença cardiocerebrovascular e é acompanhada de insuficiência renal e várias complicações [3,4]. A seguinte definição de doença renal crônica é amplamente utilizada pela National Kidney Foundation (NKF): "se o dano renal, como proteinúria, hematúria ou anormalidade patológica, ou a taxa de filtração glomerular for inferior a 60 mL/min/1,73 m2 e dura mais de 3 meses" [5]. A doença renal crônica tem várias causas e achados patológicos, mas clinicamente pode ser confirmada de forma relativamente simples por meio de um exame de urina para detectar proteinúria e um exame de sangue para estimar a taxa de filtração glomerular. No campo clínico, o estágio da doença renal crônica é dividido em cinco estágios, do estágio 1 ao estágio 5, de acordo com a taxa de filtração glomerular estimada para diagnóstico e tratamento dos pacientes. A doença renal crônica pode ser considerada uma doença crônica relativamente comum, mas em comparação com outras doenças crônicas, como pressão alta e diabetes, a conscientização do público em geral não é alta [6]. Como pode ser facilmente diagnosticado por meio de um teste relativamente simples, o diagnóstico precoce pode retardar a progressão da doença por meio do tratamento precoce. No entanto, como os sintomas não são claros, a doença costuma ser diagnosticada após um longo período de tempo, levando à insuficiência renal ou mesmo à morte devido a complicações como a doença cardiocerebrovascular. Em geral, a doença renal crônica continua a progredir uma vez que ocorre. No entanto, o diagnóstico precoce pode retardar o declínio da função renal e a recuperação da doença renal crônica [7].

A ultrassonografia, que é um dos métodos de diagnóstico da doença renal crônica, é muito importante para verificar se a função renal está diminuída por outros motivos, como o tamanho e a morfologia do rim [8].

Desert living cistanche—Rim tonificante

(Estudos experimentais mostraram que o extrato de Cistanche deserticola pode proteger as células tubulares renais, prevenir lesões intersticiais renais, diminuir a taxa de insuficiência renal e efetivamente prevenir infecções bacterianas secundárias em pacientes com insuficiência renal crônica. Tem efeitos terapêuticos tanto na insuficiência renal crônica quanto na aguda doença renal.)

O algoritmo GLCM, que extrai pontos característicos enfatizando características espaciais em tais imagens de ultrassom, é amplamente utilizado na análise de imagens de ultrassom usando a correlação entre o pixel atual e o valor de brilho de seus pixels vizinhos [9].

A detecção automática de doenças por meio de imagens como gráficos de ultrassom por meio de métodos computacionais tem sido de grande importância nos últimos anos, principalmente após a criação dos sistemas de diagnóstico auxiliado por computador (CADs) [10,11].

Redes neurais artificiais (ANNs) são geralmente empregadas para formular modelos estatísticos para análise de computador. Uma rede neural artificial (ANN) ou uma rede neural simples (NN) é uma estrutura computacional baseada no funcionamento de neurônios biológicos. Redes desse tipo têm a capacidade de aprender e reconhecer padrões com base nas informações de entrada e usar esses padrões para prever informações futuras extrapolando os dados aprendidos. Essas redes neurais consistem em pequenas unidades de processamento chamadas neurônios conectadas umas às outras em grupos chamados camadas; a rede neural comum tem pelo menos uma camada de entrada, uma camada oculta e uma camada de saída [12].

Neste artigo, vários parâmetros foram obtidos pela aplicação do algoritmo GLCM a imagens de ultrassom classificadas como imagens de rim normal, imagens de DRC leve e moderada e imagens de DRC grave. A doença renal crônica foi classificada pela aplicação de uma rede neural artificial usando parâmetros GLCM e tamanho do rim. O objetivo deste estudo é classificar a doença renal crônica em três categorias para determinar se o diagnóstico precoce da doença renal crônica é possível.

Superman ervas cistanche—Rim tonificante

Clique aqui para ver os produtos Cistanche para doenças renais

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

2. Materiais e métodos

2.1. Assuntos e Aquisição de Dados

De janeiro de 2015 a dezembro de 2017, o experimento foi realizado usando imagens de ultrassom de voluntários que visitaram o hospital para exames médicos no Hospital R em Yangsan, Gyeong-sang-nam-do, e pacientes diagnosticados com DRC.

A Tabela 1 apresenta as características clínicas dos sujeitos. Foram utilizadas 741 imagens de ultrassom, incluindo 251 imagens normais, 328 imagens de DRC leve e moderada e 162 imagens de DRC grave, classificadas pelo médico. Os radiologistas classificaram as imagens experimentais em pacientes com DRC leve e moderada e pacientes com DRC grave por leitura, e casos com câncer renal, cistos renais e doenças congênitas do rim foram excluídos do experimento [13].

Em relação ao equipamento experimental, foi utilizado um aparelho de ultrassom RS80A (Samsung Medison, Seul, Coreia), e as condições de imagem foram adquiridas com ganho de 50, faixa dinâmica de 56, frame average de 8, potência de 95 e frequência geral. Todos os testes foram realizados sob participação voluntária e foram aprovados pelo Conselho de Revisão Institucional (IRB) da Universidade Católica de Busan (CUPIRB-2017-023).

A Tabela 1 mostra as informações sobre idade, sexo, eGFR, hipertensão e diabetes dos sujeitos do teste.

Tabela 1. Características clínicas.

2.2. Método experimental

A região de interesse (ROI) foi definida na imagem de ultrassom do rim e o resultado foi calculado usando MATLAB 2016a (MathWorks Inc., Natick, MA, EUA). A ROI foi selecionada definindo a região cortical, a região limítrofe entre o córtex e a medula e a região da medula. Na imagem ultrassonográfica, as características do rim normal são de forma oval composta pelo córtex renal, que apresenta baixo eco em relação ao fígado, e seio renal, que apresenta alto eco. O limite entre o córtex e o seio renal é claro e um eco alto no centro é visível. Por outro lado, no rim continuamente danificado, o eco ultrassônico do córtex renal aumenta devido à fibrose. Como resultado, o limite entre o córtex renal iluminado e o córtex renal não é claramente observado. Além disso, devido ao declínio da função, o tamanho diminui e atrofia renal é observada [14]. Como esses recursos são usados ​​no diagnóstico de doença renal crônica, a área ROI foi definida como 50 × 50 e definida como 3 locais. A figura a seguir mostra as imagens de ultrassom normais, moderadas e graves com resolução de 872 × 1280 usadas neste estudo. A Figura 1 mostra imagens ultrassonográficas de DRC normal, leve e moderada e grave.

Figura 1. Imagens originais.

A Figura 2 mostra o diagrama de blocos geral deste experimento.

A equalização do histograma e o pré-processamento do filtro de faixa foram realizados na imagem de ultrassom original. A equalização do histograma pode melhorar a qualidade de uma imagem tornando uniforme a distribuição de luz e escuridão na imagem [15]. O filtro de alcance pode causar o efeito de redução de ruído destacando o contorno da imagem [16]. Depois que o pré-processamento foi realizado, os parâmetros de recursos foram extraídos pela aplicação do algoritmo GLCM. Um total de 19 parâmetros foram extraídos de cada uma das três regiões da Figura 1. Imagens originais. A Figura 2 mostra o diagrama de blocos geral deste experimento. A equalização do histograma e o pré-processamento do filtro de faixa foram realizados na imagem de ultrassom original. A equalização do histograma pode melhorar a qualidade de uma imagem tornando uniforme a distribuição de luz e escuridão na imagem [15]. O filtro de alcance pode causar o efeito de redução de ruído destacando o contorno da imagem [16]. Depois que o pré-processamento foi realizado, os parâmetros de recursos foram extraídos pela aplicação do algoritmo GLCM. Um total de 19 parâmetros foram extraídos de cada uma das três regiões do córtex, o limite entre o córtex e a medula e a medula e, finalmente, as informações de tamanho foram combinadas para determinar um total de 58 parâmetros de entrada.

Uma rede neural artificial com 10 camadas ocultas foi construída e a saída foi projetada para ser classificada em três tipos: normal, DRC leve e moderada e DRC grave.

Figura 2. Diagrama de bloco total do processamento de imagem.

2.3. Matriz de Coocorrência em Nível de Cinza (GLCM)

O GLCM [17], um descritor de textura, é usado para calcular as características estatísticas de segunda ordem de imagens normais e CKD. Considerando uma imagem I com tamanho M × N e número Ng de níveis de cinza distintos, as variações de textura são calculadas usando a matriz de dependência espacial de tons de cinza p (i, j), onde os pixels são separados por uma distância d em os níveis de cinza i-ésimo e j-ésimo. Neste trabalho, foram considerados quatro ângulos (0◦, 45◦, 90◦ e 135◦ ) com distância de pixel igual a 1. Os recursos estatísticos de segunda ordem (autocorrelação, contraste, correlação, proeminência do cluster, sombra do cluster, dissimilaridade, energia, entropia, homogeneidade, probabilidade máxima, variância da soma dos quadrados, média da soma, variância da soma, entropia da soma, variação da diferença, entropia da diferença, medida de informação de correlação 1, medida de informação de correlação 2 e diferença inversa (INV)) foram calculadas usando o GLCM. A Figura 3a mostra o resultado implementado usando MATLAB para obter parâmetros GLCM. Se você selecionar a área ROI e executar, ela será salva como um arquivo Excel, conforme mostrado na Figura 3b

Figura 3. Implementação do programa.

A Tabela 3 mostra os parâmetros que podem ser extraídos ao calcular o GLCM usando uma imagem ROI. A Tabela 1 mostra as variáveis ​​e a notação usadas para calcular os recursos de textura que são os parâmetros do GLCM.

Tabela 2. Variáveis ​​e notações usadas para calcular os recursos de textura.

2.4. Rede Neural Artificial (ANN)

A RNA é um elemento de aprendizado de máquina que atualmente se tornou significativo em pesquisa e desenvolvimento. O conceito de aprendizado de máquina é a capacidade de um computador entender a estrutura dos dados usando um modelo matemático ou estatístico. A base de uma RNA é composta por uma única camada de elementos de entrada, processo e saída. Como resultado, a partir de um conceito muito básico de um ciclo de processamento de informações, a RNA executa uma formulação matemática complexa para produzir um resultado ótimo para qualquer conjunto de dados ou segmento de problema [19].

A Figura 4 mostra o diagrama de blocos da rede neural utilizada neste experimento. O ROI foi selecionado de 3 locais para detecção de recursos na imagem original.

A ROI foi selecionada a partir do córtex, o limite entre o córtex e a medula, e a medula. O tamanho do rim, que é um fator muito importante no diagnóstico da doença renal crônica, foi selecionado como parâmetro de característica. Como resultado do cálculo do GLCM, 19 parâmetros foram extraídos de cada uma das regiões do córtex; isto é, o limite entre o córtex e a medula e a medula (Tabela 3). Além disso, adicionando o tamanho do rim como parâmetro, a camada de entrada ficou com um total de 58 nós. Depois de passar por 10 camadas ocultas, a camada de saída foi classificada em três tipos: DRC normal, DRC leve e moderada e DRC grave.

Figura 4. Classificação da saída com base no modelo ANN.

Tabela 3. Parâmetros do GLCM

3. Resultados

A implementação do pré-processamento de imagens, do algoritmo GLCM e da rede neural artificial foi realizada no MATLAB R2016a. Esta ferramenta fornece uma interface amigável e possui muitas funções embutidas, por isso é fácil implementar algoritmos nela. Windows 10 (64-bit) com processador Intel i9 de 3,60 GHz e 64 GB de RAM foi usado para este estudo.

Algoritmo GLCM. As médias das características foram obtidas usando o GLCM

Figura 5. Seleção do ROI.

A Figura 6 mostra os resultados da aplicação da equalização do histograma à área ROI durante o processo de retratamento.

Figura 6. Resultados do pré-processamento: (a) equalização do histograma; (b) filtro de intervalo.

Após o pré-processamento das imagens de US, as características estatísticas de textura foram extraídas usando o algoritmo GLCM. As médias das características foram obtidas usando o GLCM em relação a quatro orientações diferentes que foram calculadas. As Tabelas 4–7 exibem os resultados do GLCM do córtex, o limite entre o córtex e a medula e a medula, respectivamente. A Tabela 7 mostra o tamanho do rim que é normal e com DRC leve e moderada e DRC grave.

Tabela 4. Valores das características GLCM do córtex (média ± STD).

Tabela 5. Valores das características GLCM do limite entre o córtex e a medula (média ± STD).

Tabela 6. Valores das características GLCM da medula (média ± STD).

Tabela 7. Tamanho do rim normal e com DRC leve e moderada e DRC grave (média ± DST).

A Figura 7 mostra o resultado da ANN composta por 64 entradas, 10 camadas ocultas e 3 saídas. Na Figura 7a, o resultado do treinamento foi de 95,6 por cento, o resultado da validação foi de 97,3 por cento e o resultado do teste foi de 85,7 por cento. A modelagem implementada possui um erro de 0,030511 conforme mostra a Figura 7b. Usando este modelo de RNA, a taxa de classificação final foi de 95,4%. A Figura 8 mostra a curva ROC para os resultados.

Figura 7. Os resultados da RNA.

Figura 8. Curva ROC dos resultados.

4. Discussão

Em todo o mundo, o número de pacientes com doença renal crônica está aumentando a uma taxa tremenda. A doença renal crônica é particularmente comumente observada em conjunto com diabetes, pressão alta e velhice, mas a Coréia recentemente se tornou uma sociedade envelhecida e o número de pacientes com pressão alta e diabetes aumentou devido ao estilo de vida ocidentalizado; além disso, cerca de 10% da população adulta sofre de doença renal crônica e tem 60 anos ou mais. A incidência de doença renal crônica está aumentando rapidamente. Este fenômeno significa que o número de pacientes que precisam de diálise ou transplante renal devido à doença renal crônica também aumenta, e quando o número de pacientes com insuficiência renal terminal aumenta, uma enorme perda é inevitável e evitável em termos sociais e contextos nacionais, bem como em pacientes individuais e famílias [2].

Erva chinesa cistanche—Rim tonificante

(Estudos experimentais mostraram que vários componentes da Cistanche deserticola podem efetivamente regular e reabastecer as glândulas renais, com poder renal suficiente que aumenta diretamente a função da mitocôndria da fábrica de energia do corpo, gerando continuamente energia, mantendo o corpo em um estado excitado, melhorando sua tolerância ao frio e reduzindo a fadiga.)

Neste estudo, o córtex do rim, o limite entre o córtex e a medula e a medula foram definidos como ROIs para o diagnóstico de doença renal crônica em imagens de ultrassom. Os parâmetros foram extraídos de cada região da ROI usando o algoritmo GLCM, amplamente utilizado na análise de imagens de ultrassom. Os parâmetros são autocorrelação, contraste, correlação, proeminência do cluster, sombra do cluster, dissimilaridade, energia, entropia, homogeneidade, probabilidade máxima, soma dos quadrados da variância, média da soma, variância da soma, entropia da soma, variância da diferença, entropia da diferença, medida de informação de correlação 1, medida de informação da correlação 2 e diferença inversa (INV). Quando cada parâmetro foi extraído de três áreas, um total de 57 parâmetros GLCM foram extraídos. Por fim, foram utilizados um total de 58 parâmetros acrescentando informações sobre o tamanho do rim, importante para o diagnóstico da doença renal crônica. Um total de 58 parâmetros de entrada foram testados por meio da construção de uma RNA, que é um método de aprendizado de máquina. Os parâmetros de entrada foram definidos como 58 e a camada oculta foi definida como 10. Como 10 ou mais camadas ocultas não mostraram efeito na taxa de classificação, o experimento foi conduzido com 10 camadas ocultas. As três saídas a serem classificadas foram: normal, DRC leve e moderada e DRC grave. Pensa-se que a taxa de classificação do resultado a ser classificado foi aumentada usando todos os 58 parâmetros de entrada. A precisão da classificação foi de 95,4 por cento, a época necessária para o treinamento foi de 38 vezes e a taxa de erro de classificação foi de 4,6 por cento. Neste experimento, três tipos de condições foram classificados, a saber, CKD normal, leve, moderada e CKD grave, mas é necessária uma classificação mais detalhada dos estados de doença. Além disso, o experimento foi conduzido adquirindo 741 itens de dados, porque a quantidade de dados não é grande; assim, o método de aprendizado de máquina foi selecionado. Quando uma grande quantidade de dados é adquirida, planejamos aplicar o método de aprendizado profundo após adquirir mais dados. Para utilizá-lo clinicamente, é necessário diversificar os tipos de classificação. Depois de disponibilizar o resultado implementado para o equipamento ultrassônico, ele precisa ser atualizado por meio do feedback do ultrassonografista.

5. Conclusões

A doença renal crônica pode ser tratada se for detectada precocemente,Cistanche deserticola é uma boa maneira de tonificar os rins. Cistanche deserticola pode ser combinada com goji berries e Cynomorium solarium para preparar e beber, o que tem um bom efeito na tonificação dos rins. Cistanche deserticola ma é usado principalmente para tratar a dor e a fraqueza da cintura e dos joelhos causadas pela deficiência do yang do rim, que tem o efeito de tonificar os rins e tem um certo efeito de alívio na doença renal inicial.

Eficácia de Cistanche deserticola — rim tonificante

Mas à medida que a doença progride, a recuperação torna-se impossível. Eventualmente, a terapia renal substitutiva, como transplante ou diálise, deve ser usada. Em outras palavras, é crucial detectar e tratar a doença renal crônica nos estágios iniciais. O ultrassom é um método de teste para diagnosticar câncer renal, doença inflamatória, doença nodular, doença renal crônica, etc., e é usado para verificar informações sobre o grau de inflamação usando informações como tamanho do rim e características do eco interno.

Neste estudo, imagens de ultrassom, incluindo 251 imagens de rim normal, 328 imagens de doença renal leve e moderada e 162 imagens de rim grave, foram usadas em 741 casos. Para diagnosticar a doença renal crônica na prática clínica, três ROIs foram definidos, a saber, o córtex do rim, o limite entre o córtex e a medula, e a medula, que são áreas examinadas para obter informações das imagens de ultrassom. Os parâmetros foram extraídos de cada ROI usando o algoritmo GLCM, que é amplamente utilizado na análise de imagens de ultrassom. Quando cada parâmetro foi extraído das três áreas, um total de 57 parâmetros GLCM foram extraídos. Por fim, foram utilizados um total de 58 parâmetros acrescentando informações sobre o tamanho do rim, importante para o diagnóstico da doença renal crônica. A RNA foi composta por 58 parâmetros de entrada, 10 camadas ocultas e 3 camadas de saída (normal, DRC leve e moderada e DRC grave). Usando o modelo ANN, a taxa de classificação final foi de 95,4 por cento, a época necessária para o treinamento foi de 38 vezes e a taxa de erros de classificação foi de 4,6 por cento. Acredita-se que este experimento possa servir de base para a implementação de um sistema de diagnóstico automático na área de diagnóstico de doença renal crônica por meio de imagens ultrassonográficas. Além disso, acredita-se que o uso de resultados experimentais desempenhe um papel importante na tomada de decisões clínicas, incluindo o diagnóstico precoce e o tratamento da doença renal crônica.

Referências

1. Irina, L.; Flávio, R.; Idalina, B.; Rui, A.; Luís, B.; Alice, SS Novos potenciais biomarcadores para o manejo da doença renal crônica — uma revisão da literatura. Int. J. Mol. ciência 2021, 22, 43.

2. Couser, WG; Remuzzi, G.; Mendis, S.; Tonelli, M. A contribuição da doença renal crônica para a carga global das principais doenças não transmissíveis. Rim Int. 2011, 80, 1258–1270. [CruzRef]

3. Cañadas-Garre, M.; Anderson, K.; McGoldrick, J.; Maxwell, AP; McKnight, AJ Abordagens proteômicas e metabolômicas na busca de biomarcadores na doença renal crônica. J. Proteom. 2019, 193, 93–122. [CruzRef]

4. Lovey, AS; Eckardt, KU; Tsukamoto, Y.; Levin, A.; Coresh, J.; Rossert, J.; de Zeeuw, D.; Hostetter, TH; Lameire, N.; Eknoyan, G. Definição e classificação da doença renal crônica: uma declaração de posição de Kidney Disease: Improving Global Outcomes (KDIGO). Rim Int. 2005, 67, 2089–2100. [CruzRef]

5. Komenda, P.; Rigatto, C.; Tangri, N. Estratégias de triagem para DRC não reconhecida. Clin. Geléia. Sociedade Nefrol. 2016, 11, 925–927. [CrossRef] [PubMed]

6. Lee, HS; Jang, HB; Yoo, MG; Parque, SI; Lee, HJ Metabólitos de Aminoácidos Associados à Doença Renal Crônica: Um Estudo Epidemiológico Coreano de Acompanhamento de Oito Anos. Biomedicines 2020, 8, 222. [CrossRef]

7. Hewadikaram, D.; Bandara, M.; Pattividana, AN; Jayaweera, H. Uma nova técnica de ultrassom para detectar doença renal crônica precoce. F1000Research 2019, 7, 448. [CrossRef] [PubMed]

8. Jovanovic, D.; Gasic, B.; Pavlovic, S.; Naumovic, R. Correlação do tamanho do rim com a função renal e parâmetros antropométricos em indivíduos saudáveis ​​e pacientes com doenças renais crônicas. Ren. Falhar. 2013, 35, 896–900. [CruzRef]

9. Gao, S.; Peng, Y.; Guo, H.; Liu, W.; Gao, T.; Xu, Y.; Tang, X. Análise de textura e classificação de imagens de ultrassom do fígado. Bioma. Mate. Eng. 2014, 24, 1209–1216. [CrossRef] [PubMed]

10. Saleem, ZR Métodos usados ​​em diagnóstico assistido por computador para detecção de câncer de mama usando mamografias: uma revisão. J. Saúde c. Eng. 2020, 2020, 9162464.

11. Fujita, H.; Você, J.; Li, Q.; Arimura, H. Estado da arte da detecção/diagnóstico auxiliado por computador (CAD). Em Proceedings of the ICMB 2010, Hong Kong, China, 28–30 de junho de 2010; Volume 6165, pp. 296–305.

12. Jang, JSR; Sol, CT; Mizutani, E. Neuro-Fuzzy e Soft Computing — Uma Abordagem Computacional para Aprendizagem e Inteligência de Máquina. IEEE Trans. Autom. Controle 1997, 42, 1482–1484. [CruzRef]

13. Abbiss, H.; Fabricante, GL; Trengove, RD Abordagens metabolômicas para o diagnóstico e compreensão das doenças renais. Metabólitos 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, P.; Mukundan, R.; De Ryke, R. Aprimoramento de recursos em vídeos de ultrassom médico usando equalização de histograma adaptável limitada por contraste. J. Dígito. Imaging 2020, 33, 273–285. [CrossRef] [PubMed]

16. Jassim, FA Image Denoising Usando Interquartile Range Filter with Local Averaging. Int. J. Soft Comput. Eng. 2013, 2, 424–428.

17. Haralick, RM; Dinstein, I.; Shanmugamm, K. Recursos de textura para classificação de imagens. IEEE Trans. Sist. Homem Cibern. 1973, 3, 610-621. [CruzRef]

18. Tommy, L.; Patrik, B.; Tomás, A.; Tufve, N.; Anders, G. Recursos de textura Haralick invariantes em nível de cinza. PLoS ONE 2019, 14, e0212110.

19. Farizawani, AG; Puteh, M.; Marina, Y.; Rivaie, A. Uma revisão da regra de aprendizado de redes neurais artificiais com base em múltiplas variantes de abordagens de gradiente conjugado. J. Phys. conf. Ser. 2020, 1529, 022040. [CrossRef]

20. Igbinedion, BO; Okaka, E. Doença Renal Crônica: Achados Sonográficos/Clínicos no Hospital Universitário da Universidade de Benin. Ana. Biomed. ciência 2017, 16, 60–69.

21. Prashanth, KS; Ravi, N.; Chandrashekar, HM Classificação ultrassonográfica das alterações do parênquima renal e sua comparação com a taxa estimada de filtração glomerular (EGFR) usando dieta modificada na fórmula para doença renal. Int. J. Contemp. Med. Cirurg. Radiol. 2020, 5, B13–B16.

22. Priyanka; Kumar, D. Extração de recursos e seleção de imagens de ultrassom renal usando GLCM e PCA. Procedia Comput. ciência 2020, 167, 1722–1731. [CruzRef]

23. Kuo, CC; Chang, CM; Liu, KT; Lin, WK; Chiang, HY; Chung, CW; Ho, MR; Sol, PR; Yang, RL; Chen, KT Automação da previsão e classificação da função renal por meio de imagem renal baseada em ultrassom usando aprendizado profundo. Dígito NPJ. Med. 2019, 2, 29. [CrossRef] [PubMed]