view in publisher's site

Recent Advances in Medical Image Processing for the Evaluation of Chronic Kidney Disease

Highlights•We propose a survey covering qualitative and quantitative analysis analysis applied on novel medical imaging techniques to evaluate renal function.•First, we summarize the use of different imaging modalities (MRI, UE, CT, PET and SPECT) in CKD diagnosis.•We show the power of AI to guide renal dysfunction diagnosis and prognosis.•The application of textural analysis as well as machine learning on medical images to predict renal disease is discussed.•The role of deep learning in automatic renal segmentation from medical images is summarized.AbstractAssessment of renal function and structure accurately remains essential in the diagnosis and prognosis of Chronic Kidney Disease (CKD). Advanced imaging, including Magnetic Resonance Imaging (MRI), Ultrasound Elastography (UE), Computed Tomography (CT) and scintigraphy (PET, SPECT) offers the opportunity to non-invasively retrieve structural, functional and molecular information that could detect changes in renal tissue properties and functionality. Currently, the ability of artificial intelligence to turn conventional medical imaging into a full-automated diagnostic tool is widely investigated. In addition to the qualitative analysis performed on renal medical imaging, texture analysis was integrated with machine learning techniques as a quantification of renal tissue heterogeneity, providing a promising complementary tool in renal function decline prediction. Interestingly, deep learning holds the ability to be a novel approach of renal function diagnosis. This paper proposes a survey that covers both qualitative and quantitative analysis applied to novel medical imaging techniques to monitor the decline of renal function. First, we summarize the use of different medical imaging modalities to monitor CKD and then, we show the ability of Artificial Intelligence (AI) to guide renal function evaluation from segmentation to disease prediction, discussing how texture analysis and machine learning techniques have emerged in recent clinical researches in order to improve renal dysfunction monitoring and prediction. The paper gives a summary about the role of AI in renal segmentation.Graphical abstractDownload : Download high-res image (109KB)Download : Download full-size image

پیشرفت‌های اخیر در پردازش تصاویر پزشکی برای ارزیابی بیماری کلیه مزمن

نکات برجسته * ما یک بررسی را پیشنهاد می‌کنیم که تجزیه و تحلیل کمی و کیفی به کار رفته در تکنیک‌های تصویربرداری پزشکی جدید را برای ارزیابی عملکرد کلیه پوشش می‌دهد. اول، ما استفاده از روش‌های مختلف تصویربرداری (MRI، UE، CT، PET و SPECT)در تشخیص CKD را خلاصه می‌کنیم. * ما قدرت AI را برای هدایت تشخیص اختلال عملکرد کلیه و پروگنوز آن نشان می‌دهیم. * کاربرد تجزیه و تحلیل بافتی و همچنین یادگیری ماشین در تصاویر پزشکی برای پیش‌بینی بیماری کلیوی مورد بحث قرار گرفته‌است. نقش یادگیری عمیق در جداسازی اتوماتیک کلیه از تصاویر پزشکی خلاصه شده‌است. ارزیابی عملکرد کلیه و ساختار آن به طور دقیق در تشخیص و پیش‌آگهی بیماری کلیه مزمن (CKD)ضروری باقی می‌ماند. تصویربرداری پیشرفته، از جمله تصویربرداری تشدید مغناطیسی (MRI)، الاستوگرافی اولتراسوند (UE)، توموگرافی کامپیوتری (CT)و سینتی گرافی (PET، SPECT)فرصتی را برای بازیابی غیر تهاجمی اطلاعات ساختاری، عملکردی و مولکولی که می‌توانند تغییرات در خواص و عملکرد بافت کلیه را تشخیص دهند، فراهم می‌کند. در حال حاضر، توانایی هوش مصنوعی برای تبدیل تصویربرداری پزشکی معمولی به یک ابزار تشخیصی کاملا خودکار به طور گسترده مورد بررسی قرار گرفته‌است. علاوه بر تجزیه و تحلیل کیفی انجام‌شده در تصویربرداری پزشکی کلیه، تجزیه و تحلیل بافت با تکنیک‌های یادگیری ماشین به عنوان کمی سازی عدم تجانس بافت کلیه تلفیق شد و ابزار مکمل امیدبخشی را در پیش‌بینی کاهش عملکرد کلیه فراهم نمود. جالب توجه است که یادگیری عمیق این توانایی را دارد که یک رویکرد جدید برای تشخیص عملکرد کلیه باشد. این مقاله یک بررسی را پیشنهاد می‌کند که هم تحلیل کیفی و هم تحلیل کمی به کار رفته در تکنیک‌های تصویربرداری پزشکی جدید برای نظارت بر کاهش عملکرد کلیه را پوشش می‌دهد. اول، ما استفاده از روش‌های مختلف تصویربرداری پزشکی را برای نظارت بر CKD خلاصه کردیم و سپس، توانایی هوش مصنوعی (AI)را برای هدایت ارزیابی عملکرد کلیه از تقسیم‌بندی به پیش‌بینی بیماری نشان دادیم، بحث در مورد اینکه چگونه تکنیک‌های تجزیه و تحلیل بافت و یادگیری ماشین در تحقیقات بالینی اخیر به منظور بهبود نظارت و پیش‌بینی اختلال عملکرد کلیه ظهور کرده‌اند. این مقاله خلاصه‌ای از نقش AI در جداسازی کلیه ارائه می‌دهد. دانلود انتزاعی کلی: دانلود تصویر با کیفیت بالا (۱۰۹ KB)دانلود: دانلود تصویر با اندازه کامل
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Radiology Nuclear Medicine and imaging
  • ترجمه مقاله Radiology Nuclear Medicine and imaging
  • مقاله رادیولوژی و تصویربرداری تشعشعی هسته‌ای
  • ترجمه مقاله رادیولوژی و تصویربرداری تشعشعی هسته‌ای
  • مقاله Radiological and Ultrasound Technology
  • ترجمه مقاله Radiological and Ultrasound Technology
  • مقاله تکنولوژی تشعشعی و فراصوت
  • ترجمه مقاله تکنولوژی تشعشعی و فراصوت
  • مقاله Health Informatics
  • ترجمه مقاله Health Informatics
  • مقاله اطلاعات بهداشتی
  • ترجمه مقاله اطلاعات بهداشتی
  • مقاله Computer Vision and Pattern Recognition
  • ترجمه مقاله Computer Vision and Pattern Recognition
  • مقاله بینایی کامپیوتری و تشخیص الگو
  • ترجمه مقاله بینایی کامپیوتری و تشخیص الگو
  • مقاله Computer Graphics and Computer-Aided Design
  • ترجمه مقاله Computer Graphics and Computer-Aided Design
  • مقاله گرافیک کامپیوتر و طراحی به کمک کامپیوتر
  • ترجمه مقاله گرافیک کامپیوتر و طراحی به کمک کامپیوتر
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.