Quantitative kidney ultrasound from macroscale to microscale
Notice bibliographique
Résumé
Chronic kidney disease impacts 1 in 10 adults globally, with exponential increases in hospitalization, adverse cardiovascular events and mortality risk. Those who reach end-stage kidney disease require renal replacement therapy, a significant burden on a patient’s quality of life and on the Canadian healthcare budget. Serum and urine biomarkers of kidney disease are insensitive, potentially producing false negative re- sults, whereas tissue biopsy is an invasive procedure that is not routinely performed and comes with complications such as bleeding and infection. There is a need for non-invasive characterization of the kidney. This thesis investigates several methods of kidney tissue characterization, ranging from the macro whole-organ scale to the microstructural scale, using ultrasound imaging methods and machine learning. It presents an open detailed high quality data set for kidney segmentation, with a demonstration of how automatic morphological measurements can be obtained in clinical ultrasound settings using machine learning. This automated measurement is comparable to human experts. It contributes how physics-based data augmentation techniques can improve the robustness of such algorithms, showing that a time-gain compensation augmentation reduces algorithmic uncertainty. It then investigates the speckle properties of transplanted kidneys, showing such properties are patient- and machine-agnostic. This study also identifies the Nakagami distribution as the best model of speckle in the kidney. Subsequent work demonstrates that ultrasound images alone can be used to predict kidney decline in transplant recipients, with speckle parameters being amongst the most prognostic. Finally, quantitative ultra- sound parameters are measured in a murine study. The results show the versatility and accuracy of quantitative ultrasound to characterize the kidney, and enabling a non-invasive method for quantifying kidney disease.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».