JMI
JMIR Med Inform
JMIR医学信息学
2291 - 9694
卡塔尔世界杯8强波胆分析
加拿大多伦多
v10i11e40878
36322109
10.2196/40878
原始论文
原始论文
儿童肾脏超声异常的自动筛选:深度学习和迁移学习方法
洛维斯
基督教
李
马太福音
风扇
勇
Soerensen
西蒙·约翰·克里斯托弗
Khetan
Vivek
应ydF4y2Ba
史
蔡
Ming-Chin
医学博士
1
https://orcid.org/0000-0002-7206-4228
陆
亨利Horng-Shing
博士学位
2
https://orcid.org/0000-0002-4392-3361
常
Yueh-Chuan
MSc
3.
https://orcid.org/0000-0001-6529-1724
黄
Yung-Chieh
医学博士
1
4
https://orcid.org/0000-0003-2945-4404
傅
Lin-Shien
医学博士
1
儿科
台中退伍军人总医院
台湾大道四段1650号
台中
台湾
886 4 23741359
886 4 23592525转5909
linshienfu@yahoo.com.tw
4
5
https://orcid.org/0000-0003-4770-3208
1
儿科
台中退伍军人总医院
台中
台湾
2
统计研究所
国立阳明交通大学
Hsing-chu
台湾
3.
国立阳明交通大学电气与控制工程研究所
Hsing-chu
台湾
4
儿科
国立阳明交通大学
台北
台湾
5
国立中兴大学医学院学士学位后医学系
台中
台湾
通讯作者:Lin-Shien Fu
linshienfu@yahoo.com.tw
11
2022
2
11
2022
10
11
e40878
12
7
2022
3.
8
2022
16
9
2022
2
10
2022
©蔡明钦,卢宏成,张月川,黄永杰,傅林世恩。最初发表于JMIR医学信息学(https://medinform.www.mybigtv.com), 02.11.2022。
2022
这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR医学信息学上的原创作品。必须包括完整的书目信息,https://medinform.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。
背景
近年来,便携式超声探头的进展和推广使超声(US)成为医生诊断时的有用工具。随着机器学习和深度学习的出现,开发一种筛查肾US异常的计算机辅助诊断系统,可以帮助全科医生早期发现儿童肾脏疾病。
客观的
在本文中,我们试图评估深度学习技术的诊断性能,将肾脏图像分类为正常和异常。
方法
我们选择了330张正常和1269张异常的儿童肾脏US图像来建立人工智能模型。异常图像包括结石、囊肿、高回声、占位性病变和肾积水。我们对原始图像进行预处理,用于后续的深度学习。我们重新定义了最终的连接层,用于从ResNet-50预训练模型中将提取的特征分类为异常或正常。模型的性能通过使用接受者工作特征曲线下的面积、准确性、特异性和敏感性的验证数据集进行测试。
结果
建立基于ResNet-50的深度学习模型,参数大小为94 MB,用于正常图像和异常图像的分类。结石、囊肿、高回声、占位性病变、肾积水验证图像的准确率(%)/曲线下面积分别为93.2/0.973、91.6/0.940、89.9/0.940、91.3/0.934、94.1/0.996。在验证数据集中,正常图像分类的准确率为90.1%。(%)/曲线下面积的总准确度为92.9/0.959。
结论
我们建立了一个有用的计算机辅助模型,用于根据正常和异常类别自动分类儿童肾脏US图像。
转移学习
卷积神经网络
小儿肾脏超声图像
筛选
儿科
医学图像
临床信息学
深度学习
超声图像
人工智能
诊断系统
简介
肾脏异常是儿科医学的重要发现。人们普遍认为,通过超声(US)筛查可以有效地发现“无声的”肾脏异常,这使得早期诊断和干预成为可能[
1 ,
2 ].美国是一种安全、相对便宜、方便的医疗方式。便携式超声探头和互联网连接在近年来得到了很大的发展,甚至将儿科肾脏美国筛查的覆盖范围扩大到世界各地。然而,由于缺乏能够准确区分病变肾脏和正常肾脏的自动化过程,目前的方法仍然有限[
3. ].
在美国100多万学童的一系列图像中发现的常见肾脏异常包括肾积水(39.6%)、单侧小肾(19.8%)、单侧发育不全(15.9%)、囊性疾病(13.9%)、异常形状-异位、马蹄形和重复肾(8%),以及其他,即结石、肿瘤和实质疾病(1.5%)[
1 ].
迄今为止,有关计算机辅助美国图像解译的出版物远少于基于计算机断层扫描或磁共振成像的出版物[
4 ,
5 ].US的使用带来了独特的挑战,例如图像采样的不同角度,噪声和伪影导致的低图像质量,对大量操作员的高度依赖,以及不同机构和制造商的US系统之间的高度观察者之间和内部的变异性[
6 ].从2021年发表的关于美国医学的综述[
7 ],涉及深度学习对肾脏US图像分类的研究仅有3项[
5 ,
8 ,
9 ].
本研究选择了正常的儿童肾脏US图像,以及前面提到的不同类型的肾脏异常,用于机器学习。通过对原始图像进行预处理,对图像进行充分的分组,并进行深度神经网络训练,我们希望能够将肾脏图像正确地分类为正常或异常。本研究的目的是建立一个人工智能(AI)模型,用于筛查肾脏异常,以提高儿童的福祉,即使在没有儿科肾病医生的地区。
方法
伦理批准
本研究由台中市荣民总医院(台中市荣民总医院)机构评审委员会批准。CE20204A)。
材料
所使用的图像都是根据2000年1月至2020年12月台中退伍军人总医院儿科美国检查室的原始图像制作的。这里是飞利浦和Acuson制造的4台不同的美国机器,在这项研究中使用。所有图像都是由一位拥有20多年经验的美国技术人员使用4 MHz扇形换能器获得的。我们只选取了左、右肾脏的纵向图像。
我们建立了两个数据集。一个数据集用于训练,另一个数据集用于验证。这两组数据中的图像完全不同。
图像预处理与数据清洗
所有图像都与原始的一般数据分离,包括姓名、出生日期、检查日期和图表编号。所有图像的大小为600x480像素。我们使用软件处理图像,为机器学习获得足够的插图。如
图1 经过预处理后,图像包含一个肾脏,同时检查得到的一个肝脏正方形,图像左上方可见灰度梯度。
图1
用于机器学习的图像预处理。
图像分组
正常图像为大小、形状正常,肾皮质或髓质清晰,无肾积水、高回声、囊肿、结石或任何占位性病变。我们为这个小组准备了330张图片。肾脏异常图像共1269张。异常包括肾积水、高回声、囊肿、结石和占位性病变。图像和检查的数量总结在
表1 .肾超声图像的高回声表现为:与肝脏相比,肾皮质回声增强,肾皮质或肾髓质分化差,肾皮质或肾髓质回声反转。这些发现由2名儿科肾病学家判断。
表1
训练和测试增强数据库中图像和检查的分布。
诊断
培训(例/图片)
测试(例/图片)
总数(例/图片)
正常的
132/264
32/66
164/330
不正常的
石头
146/342
37/85
183/427
囊肿
100/215
25/53
125/268
Hyperechogenicity
60/132
15/33
75/165
占位性病变
108/181
26/45
134/226
肾盂积水
68/146
16/37
84/183
总计
614/1280
151/319
765/1599
机器学习
我们使用ResNet-50预训练的模型进行特征提取[
8 -
10 从数据集ImageNet [
11 ].我们使用了ResNet的预训练权值,因此在特征提取过程中没有反向传播。所使用的输入数据为大小为800x600像素的肾超声图像。在将图像输入网络之前,我们将尺寸标准化为224x224像素。
为了分类,我们重新定义了最终的全连通层,输出图像分类为异常或正常。训练图像经过Resnet50后,输出2048个。在最后的全连接层中有4个组件。第一个是线性层,具有2048个特征提取和512个输出。二是整流线性单元,它是一个分段线性函数,只输出正的结果。随后,我们增加了dropout层以防止过拟合。第4部分是另一个线性层,执行512个输入和2个输出,代表2个类别,即异常和正常类及其概率。
我们用Adam优化器以0.01的学习率优化模型[
12 ].总共有30个epoch用于卷积神经网络训练。我们创建了一个94 MB大小的模型来分类正常和异常肾脏超声图像。
图2 是对我们深度学习结构的总结。
图2
机器学习概述。
实验装置
我们实施了培训-测试方法。将数据集随机分为1272/1599张(79.55%)图像用于训练,327/1599张(20.45%)图像用于测试,建立模型。我们对数据集进行了10次随机化,以重复上一段中描述的机器学习。为了验证94 MB模型,另一个验证数据集包含327张儿童肾脏超声图像,包括66张(20.2%)正常,37张(11.3%)肾积水,53张(16.2%)囊肿,95张(29.1%)结石,53张(16.2%)高回声,26张(7.9%)占位超声图像。所有这些图像都与建立模型的数据集完全不同。
绩效评估
我们从单一图像结果评估性能。诊断表现由准确性、特异性、敏感性、阳性预测值和阴性预测值来衡量。为了计算上述指标,我们将异常结果定义为阳性,将正常结果定义为阴性。
结果
在对这1599张小儿肾脏超声图像进行30个epoch处理后,我们获得了满意的结果。数据集测试部分的性能指标显示在
表2 .不同异常的准确率在95% ~ 100%之间。
表2
从数据集中的测试肾脏超声图像中筛选不同异常的评估指标。
诊断(数量)
精度(%)
灵敏度(%)
特异性(%)
AUC-ROC一个
PPVb (%)
净现值c (%)
石头
One hundred.
One hundred.
One hundred.
0.974
One hundred.
One hundred.
囊肿
95.2
88.5
One hundred.
0.945
One hundred.
91.7
Hyperechogenicity
98.3
96.2
One hundred.
0.938
One hundred.
97.1
占位性病变
98.7
95.6
One hundred.
0.935
One hundred.
97.1
肾盂积水
One hundred.
One hundred.
One hundred.
0.998
One hundred.
One hundred.
整体
98.4
96.39
One hundred.
0.961
One hundred.
97.2
一个 AUC-ROC:受试者工作特征曲线下面积。
b PPV:阳性预测值。
c NPV:负预测值。
各异常的正确率为95.2% ~ 100%,总体正确率为98.4%。曲线下面积(auc)为0.935 ~ 0.998。总体表现的AUC为0.961。这10个随机测试之间没有差异(
P > . 05)。我们使用涉及80%/20%训练/测试图像的不同随机化重复了10个实验,以检查机器学习性能的一致性。准确度为95.2% ~ 98.4%。这10项测试之间没有差异(
P > . 05)。我们进行了5倍交叉检验,结果显示在
表3 .
我们通过机器学习和另外327张儿童肾脏US图像验证了94 MB模型。其中正常66例(20.2%),肾积水37例(11.3%),囊肿53例(16.2%),结石95例(29.1%),高回声53例(16.2%),占位性显像26例(7.9%)。基于单幅图像的性能总结在
表4 .不同异常的准确率在89.9%至94.1%之间,平均为92.3%。AUC为0.934 ~ 0.996 (
图3 ).AUC总体表现为0.959。宏
F 1 是0.924。
表3
5倍交叉试验结果。
测试1
测试2
测试3
测试4
测试5
整体
正常准确度(%)
80
87.9
87.9
87.9
87.9
86.32
石材精度(%)/AUC一个
91.2/0.925
92.9/0.897
89.4/0.923
89.4/0.925
94.3/0.927
91.60/0.927
囊肿精度(%)/AUC
75.4/0.858
90.6/0.896
84.9/0.927
90.6/0.898
82.1/0.891
85.3/0.903
高回波精度(%)/AUC
84.8/0.848
81.8/0.855
81.8/0.862
81.8/0.862
81.8/0.891
84.2/0.859
占位性病变准确率(%)/AUC
92.5/0.903
84.9/0.881
94.5/0.917
83.0/0.874
82.6/0.863
86.8/0.896
肾积水准确率(%)/AUC
100/0.965
91.9/0.888
89.2/0.940
94.6/0.932
91.4/0.871
94/0.928
总准确度(%)/AUC
87.8/0.903
89/0.887
87.8/0.928
87.5/0.902
87.7/0.901
88.3/0.900
一个 AUC:曲线下面积。
表4
从其他肾脏超声图像中筛选不同异常的评估指标以进行验证。
诊断
US图像,n (%)
精度(%)
灵敏度(%)
特异性(%)
AUC-ROC一个
PPVb (%)
净现值c (%)
F 1 分数
正常的
66 (20.2)
N/Ad
N/A
90.9%
N/A
N/A
N/A
N/A
石头
93 (28.4)
93.2
94.7
N/A
0.973
93.2
92.3
0.927
囊肿
53 (16.2)
91.6
92.5
N/A
0.940
91.6
93.8
0.918
Hyperechogenicity
53 (16.2)
89.9
88.7
N/A
0.940
89.9
90.9
0.897
占位性病变
26日(7.9)
91.3
92.3
N/A
0.934
91.3
96.81
0.923
肾盂积水
37 (11.3)
94.1
One hundred.
N/A
0.996
94.2
One hundred.
0.957
整体
328 (100)
92.9
96.1
N/A
0.959
93.6
77.92
0.924e
一个 AUC-ROC:受试者工作特征曲线下面积。
b PPV:阳性预测值。
c NPV:负预测值。
d N/A:不适用。
e 宏
F 1 .
图3
接收机工作特性曲线下不同区域的图像异常情况及整体表现。AUC:曲线下面积。
讨论
本研究的主要发现是建立了一种有用的人工智能模型,可用于筛选异常儿童肾脏超声图像。平均准确率可达92.9%。该结果可实现本研究的主要目的——开发一种有用的计算机辅助诊断模型,用于自动筛选各种儿童肾脏US异常模式。在本研究中,基于卷积神经网络和微调的机器学习方法,结合我们独特的图像预处理方法和分类策略,实现了一种可行的临床模型。我们构建了一个稳定的分类器,它从头开始结合迁移学习和训练,平衡从足够的样本量中获取的医疗数据集的训练。
人工智能在肾脏方面的临床应用是多方面的,但肾脏超声在该领域的应用仍处于起步阶段[
13 ,
14 ].迄今为止,仅从肾脏US图像获得的报道相对有限,主要报道涉及急性和慢性损伤[
15 -
17 ].大多数人工智能的肾脏图像研究使用磁共振成像、计算机断层扫描和肿瘤、结石、肾病、移植和其他疾病的患者组织学[
18 -
21 ].与涉及US的深度学习相关的主要挑战包括可靠性、泛化性和偏差[
22 ].在肾脏US中增强AI性能的基础研究已经开始并仍在进行中[
23 -
25 ].
目前已有4篇关于临床AI应用于小儿肾US异常的研究报告[
3. ,
5 ,
8 ,
9 ].郑等[
3. 他发现,深度迁移学习方法在识别肾脏和泌尿道先天性异常方面提供了令人满意的准确性,即使数据集很小,只有50名患有先天性肾脏和泌尿道异常的儿童和50名儿童作为对照。尹等[
5 ]进行了类似的研究来检测后尿道瓣膜。苏达哈逊等[
8 ]使用3种不同的数据集对肾囊肿、结石和肿瘤进行识别,在高质量图像中准确率为96.54%,在噪声图像中准确率为95.58%。斯梅尔等[
9 ]尝试使用人工智能来分级肾积水,包括胎儿泌尿外科学会(SFU)的5分评分系统。通过将肾积水分为轻度和重度,最好的记录表现是78%的准确率。但是,当使用5分制时,准确率只有51%。在我们的研究中,我们建立了一个单独的94 MB模型来分类正常和异常的儿童肾脏超声图像。据Sudarharson等报道,异常的项目包括肾囊肿、结石和肿瘤[
8 ].此外,该模型能够识别肾积水和高回声图像。比较Smail等人的研究结果[
9 ],我们的结果显示对肾积水有更好的分类精度。37张经验证的图像为中度或重度肾积水,即SFU II、III和IV级。与之前报道的46%-54%的灵敏度相比,我们的模型可以达到100%的灵敏度[
26 ].
在SFU类I方面,我们的模型精度为71.7%(119/166)。到目前为止,肾积水的分级一直是一个持续的挑战[
27 ].轻度肾积水的极早期干预治疗仍然不足。如果患有轻度肾积水的儿童同时伴有其他肾脏异常,如结石、囊肿或高回声,我们的模型很有可能能够提供有关这些情况的任何令人担忧的信息。
本研究对图像进行了独特的机器学习预处理,以提供同期研究中肝脏回声的比较。这一步对于鉴别高回声是必要的。其他异常,如肾积水、囊肿、结石、肿瘤,无论我们输入图像时是否加入含有肝脏回声的正方形以及图中左侧灰度梯度,在分类上均无差异
图1 .如在
表4 ,高回声识别的准确性和灵敏度低于其他异常。回声增强是评估肌肉、甲状腺、血管和肾脏疾病的重要发现[
28 ].在显微镜下检测肾实质疾病时,灰度US的一般敏感性为62% ~ 77%,特异性为58% ~ 73%,阳性预测值为92%。上述结果表明,超声回波变化对肾脏疾病的检测不够敏感。肾回声异常包括回声增强、肾皮质或髓质分化差、肾皮质和髓质回声反转[
29 ].在实践中,为了机器学习的目的,我们经常无法获得包含均匀肝脏回声的正方形。当由儿科肾病学家进行分类比较时,结果是可以接受的。肉眼也很难区分不那么显著的灰度差异。目前,所谓的“放射组学”信息正在出现,它可以帮助美国在人工智能领域成像。
30. ],更精确地评估美国像素可能会提高高回声的效用。
本研究的局限性是医疗中心图像来源单一。需要使用更多来自不同医院、地区、种族和美国公司的图像。我们使用来自不同公司的美国图像进行了小规模的外部验证,包括通用电气、西门子和东芝。经图像预处理后,结果灵敏度100%,特异性80%,准确率90%。另一个限制是构成数据集的图像数量适中。我们没有从右肾或左肾分割图像进行训练,尽管结果可以接受。我们将基于更大的数据集进一步验证我们的方法。
综上所述,本研究提出了一种自动模型用于筛查儿童肾脏超声图像中的各种异常。我们将继续提高模型的性能,同时围绕其未来的临床应用进行更多的评估研究,包括作为筛查偏远地区儿童肾脏异常的辅助软件。
缩写
人工智能
人工智能
AUC
曲线下面积
学院
胎儿泌尿学学会
我们
超声波
本研究由台中市荣民总医院(台中市荣民总医院)资助。tcvgh - 1106506 b, tcvgh - 1116504 - c)。本统计工作由中华民国科技部资助(资助MOST 110-2118-M-A49-002-MY3及110-2634-F-A49-005)。
没有宣布。
[
]1
Sheih
CP
刘
MB
挂
CS
杨
KH
陈
王寅
林
CY
学童肾脏异常
儿科
1989
12
84
6
1086
90
2685739
[
]2
Parakh
P
履新
NK
Mishra
人事处
Shrestha
P
Budhathoki
年代
Majhi
年代
Sinha
一个
Dhungel
K
角色
R
Haldhar
N
无症状学龄儿童尿筛检肾异常
Nephrourol星期一
2012
4
3.
551
5
10.5812 / numonthly.3528
23573484
PMC3614293
[
]3.
郑
问
菲尔特
SL
塔萨文化的
通用电气
风扇
Y
结合纹理图像特征和深度迁移学习图像特征,基于超声成像数据的儿童先天性肾尿路异常计算机辅助诊断
J儿科泌尿科
2019
02
15
1
75. e1
75. e7
10.1016 / j.jpurol.2018.10.020
30473474
s1477 - 5131 (18) 30354 - 1
PMC6410741
[
]4
Akkus
Z
蔡
J
Boonrod
一个
Zeinoddini
一个
韦斯顿
广告
布里克
卡
埃里克森
BJ
深度学习在超声中的应用综述:改进临床工作流程的人工智能超声
J Am Coll Radiol
2019
09
16
9 Pt B
1318
1328
10.1016 / j.jacr.2019.06.004
31492410
s1546 - 1440 (19) 30711 - 2
[
]5
应ydF4y2Ba
年代
彭
问
李
H
张
Z
你
X
费舍尔
K
菲尔特
SL
风扇
Y
塔萨文化的
通用电气
超声成像数据的多实例深度学习用于儿童先天性肾尿路异常的模式分类
泌尿外科
2020
08
142
183
189
10.1016 / j.urology.2020.05.019
32445770
s0090 - 4295 (20) 30571 - 9
PMC7387180
[
]6
刘
年代
王
Y
杨
X
Lei
B
刘
l
李
SX
倪
D
王
T
深度学习在医学超声分析中的应用综述
工程
2019
04
5
2
261
275
10.1016 / j.eng.2018.11.020
[
]7
De Jesus-Rodriguez
沪江
摩根
妈
Sagreiya
H
肾脏超声中的深度学习:概述、前沿和挑战
慢性肾病
2021
05
28
3.
262
269
10.1053 / j.ackd.2021.07.004
34906311
s1548 - 5595 (21) 00053 - 7
[
]8
Sudharson
年代
Kokil
P
肾脏超声图像分类的深度神经网络集成
计算方法程序生物医学
2020
12
197
105709
10.1016 / j.cmpb.2020.105709
32889406
s0169 - 2607 (20) 31542 - x
[
]9
斯梅尔
信用证
Dhindsa
K
布拉加
韩
贝克尔
年代
Sonnadara
RR
使用深度学习算法来分级肾积水的严重程度:朝向临床辅助
前面Pediatr
2020
8
1
10.3389 / fped.2020.00001
32064241
PMC7000524
[
]10
ResNet
PyTorch
2022-10-05
https://pytorch.org/hub/pytorch_vision_resnet
[
]11
风扇
R
常
K
谢长廷
C
王
x r
林
C-J
LIBLINEAR:用于大型线性分类的库
JMLR
2008
9
61
1871
1874
[
]12
他
K
张
X
任
年代
图像识别的深度残差学习
2016
IEEE计算机视觉和模式识别会议论文集
2016年6月27日至30日
美国内华达州拉斯维加斯
10.1109 / cvpr.2016.90
[
]13
锅
SJ
杨
问
迁移学习研究综述
IEEE反式。"。数据中
2010
10
22
10
1345
1359
10.1109 / tkde.2009.191
[
]14
Abadi
米
TensorFlow:大规模学习函数
SIGPLAN不
2016
12
05
51
9
1
1
10.1145/3022670.2976746
[
]15
斯利瓦斯塔瓦
N
辛顿
G
Krizhevsky
一个
Sutskever
我
Salakhutdinov
R
Dropout:一种防止神经网络过拟合的简单方法
JMLR
2014
15
56
1929
1958
[
]16
Rashidi
P
Bihorac
一个
人工智能方法改善肾脏护理
Nat Rev Nephrol
2020
02
16
2
71
72
10.1038 / s41581 - 019 - 0243 - 3
31873197
10.1038 / s41581 - 019 - 0243 - 3
PMC7591106
[
]17
李
米
魏
年代
Anaokar
J
Uzzo
R
Kutikov
一个
肾癌管理3.0:人工智能能让我们变得更好吗?
Curr Opin Urol
2021
07
01
31
4
409
415
10.1097 / MOU.0000000000000881
33882560
00042307-900000000-98881
[
]18
郭
C
常
C
刘
K
林
W
蒋介石
H
钟
C
何
米
太阳
P
杨
R
陈
K
基于深度学习的基于超声的肾脏成像的肾功能预测和分类自动化
NPJ数字医院
2019
2
29
10.1038 / s41746 - 019 - 0104 - 2
31304376
104
PMC6550224
[
]19
Bandara
女士
Gurunayaka
B
Lakraj
G
Pallewatte
一个
Siribaddana
年代
Wansapura
J
基于超声的慢性肾脏疾病放射组学特征
阿德莱德大学Radiol
2022
02
29
2
229
235
10.1016 / j.acra.2021.01.006
33589307
s1076 - 6332 (21) 00012 - x
[
]20.
应
F
陈
年代
锅
G
他
Z
超声图像下人工智能脉冲耦合神经网络算法在严重脓毒症合并急性肾损伤诊治中的应用
健康工程师
2021
2021
6761364
10.1155 / 2021/6761364
34336164
PMC8315850
[
]21
Nikpanah
米
徐
Z
金
D
哈蒂
F
Saboury
B
球
兆瓦
Gautam
R
美利奴
乔丹
木
BJ
Turkbey
B
琼斯
电子商务
Linehan
WM
Malayeri
AA
基于深度学习的人工智能(AI)方法在多期MRI上区分透明细胞肾细胞癌与嗜酸细胞瘤
中国成像
2021
09
77
291
298
10.1016 / j.clinimag.2021.06.016
34171743
s0899 - 7071 (21) 00262 - x
[
]22
Yildirim
K
Bozdag
PG
Talo
米
Yildirim
O
Karabatak
米
阿查里雅
你的
基于冠状面CT图像的肾结石自动检测的深度学习模型
Comput Biol Med
2021
08
135
104569
10.1016 / j.compbiomed.2021.104569
34157470
s0010 - 4825 (21) 00363 - 2
[
]23
Hermsen
米
沃尔克
V
铜
JH
Geijs
DJ
Gwinner
W
Kers
J
有
J
Schaadt
NS
施密茨
J
Steenbergen
EJ
Swiderska-Chadaj
Z
史密兹
B
Hilbrands
磅
Feuerhake
F
范德拉克
JAWM
利用多重酪胺信号放大和深度学习定量评估肾移植活检中的炎症浸润
实验室投资
2021
08
101
8
970
982
10.1038 / s41374 - 021 - 00601 - w
34006891
10.1038 / s41374 - 021 - 00601 - w
PMC8292146
[
]24
法里斯
AB
Vizcarra
J
Amgad
米
库珀
小伙子
古特曼
D
霍根
J
人工智能和算法计算病理学:肾移植实例介绍
组织病理学
2021
05
78
6
791
804
10.1111 / his.14304
33211332
PMC8715391
[
]25
De Jesus-Rodriguez
沪江
摩根
妈
Sagreiya
H
肾脏超声中的深度学习:概述、前沿和挑战
慢性肾病
2021
05
28
3.
262
269
10.1053 / j.ackd.2021.07.004
34906311
s1548 - 5595 (21) 00053 - 7
[
]26
陈
G
戴
Y
张
J
应ydF4y2Ba
X
崔
l
MBANet:肾脏超声图像分割的多分支感知网络
Comput Biol Med
2022
02
141
105140
10.1016 / j.compbiomed.2021.105140
34922172
s0010 - 4825 (21) 00934 - 3
[
]27
Lassau
N
Estienne
T
de Vomecourt
P
·阿祖莱
米
Cagnol
J
加西亚
G
maj
米
Jehanno
E
Renard-Penna
R
Balleyguier
C
Bidault
F
Caramella
C
雅克。
T
Dubrulle
F
原意
J
Poussange
N
Bocquet
J
Montagne:
年代
Cornelis
F
Faruch
米
情报
B
布鲁
年代
Jalaguier-Coudray
一个
爱情小诗
N
布卢姆
一个
Paisant
一个
埃雷罗
V
Rouviere
O
Si-Mohamed
年代
Di马可
l
海
O
Garetier
米
Pigneur
F
Bergere
一个
Cyteval
C
弗尔涅
l
Malhaire
C
褶皱
J
彭色列
E
Bordonne
C
Cauliez
H
Budzik
J
Boisserie
米
假如
T
莫里哀
年代
Peyron福尔
N
学院Giurca
年代
Juhan
V
Caramella
T
Perrey
一个
Desmots
F
Faivre-Pierre
米
Abitbol
米
乐天
R
Istrati
D
Guenoun
D
Luciani
一个
寻
米
地中海
J
Cotten
一个
超声、CT和MRI同时进行五个人工智能数据挑战
诊断间隙成像
2019
04
One hundred.
4
199
209
10.1016 / j.diii.2019.02.001
30885592
s2211 - 5684 (19) 30029 - 4
[
]28
Onen
一个
肾积水分级:一个持续的挑战
前面Pediatr
2020
8
458
10.3389 / fped.2020.00458
32984198
PMC7481370
[
]29
Quaia
E
科雷亚
JM
梅塔
米
默奇森
JT
Gennari
AG)
凡发现
EJR
灰度超声、彩色多普勒超声和肾实质疾病的对比增强超声
超声波问
2018
12
34
4
250
267
10.1097 / RUQ.0000000000000383
30169495
[
]30.
明星
N
梅维尔称
P
峡谷
C
肾实质结构和功能的放射影像
Nat Rev Nephrol
2016
06
12
6
348
59
10.1038 / nrneph.2016.44
27067530
nrneph.2016.44