Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: choroba nerek

Sortuj według:

Ogranicz wyniki do:

Czynnik FGF23 - nowy parametr rokowniczy w przewlekłej chorobie nerek?

Bobilewicz Dagna

Laboratorium Medyczne

2019

nr 1

10--13

Czynnik wzrostu fibroblastów FGF23 produkowany w osteoblastach i osteocytach jest określany jako istotny element w regulacji gospodarki wapniowo-fosforanowej, zwiększając wydalanie fosforanów i w nadmiarze prowadząc do hipofosfatemii. Działa również poprzez zahamowanie syntezy witaminy 1,25 (OH)2 D. Szczególna rola jest mu przypisywana w indukowaniu tak pośrednio, jak i przez bezpośredni wpływ na przerost lewej komory, niekorzystnych zmian w układzie sercowo-naczyniowym, będących przyczyną zwiększonej śmiertelności w przewlekłej niewydolności nerek, charakteryzującej się wzrostem stężenia FGF23. Brak jest jeszcze udokumentowanych klinicznych badań randomizowanych potwierdzających korzyści z obniżania stężenia FGF23 w PChN.

Fibroblast growth factor 23 (FGF23) produced in osteoblasts is described as a new element regulating calcium-phoshate metabolism. It increases phosphate urinary excretion and in excess causes hypophoshatemia. It also acts by inhibiting vitamin 1.25 (OH)2 D synthesis. It plays particular role in inducing cardiovascular changes indirectly as well as by a direct impact on left ventricular hypertrophy. These changes are responsible for increased mortality in chronic kidney disease, in which the serum level of FGF23 is elevated. However there are still no randomized clinical trials demonstrating better outcome associated with the therapeutic reduction of FGF23 in CKD.

Object detection based on deep learning for urine sediment examination

Liang Y., Tang Z., Yan M., Liu J.

Biocybernetics and Biomedical Engineering

2018

Vol. 38, no. 3

661--670

Urine sediment examination (USE) is an important topic in kidney disease analysis and it is often the prerequisite for subsequent diagnostic procedures. We propose DFPN(Feature Pyramid Network with DenseNet) method to overcome the problem of class confusion in the USE images that it is hard to be solved by baseline model which is the state-of-the-art object detection model FPN with RoIAlign pooling. We explored the importance of two parts of baseline model for the USE cell detection. First, adding attention module in the network head, and the class-specific attention module has improved mAP by 0.7 points with pretrained ImageNet model and 1.4 points with pre-trained COCO model. Next, we introduced DenseNet to the baseline model(DFPN) for cell detection in USE, so that the input of the network's head own multiple levels of semantic information, compared to the baseline model only has high-level semantic information. DFPN achieves top result with a mAP of 86.9% on USE test set after balancing between the classification loss and bounding-box regression loss, which improve 5.6 points compared to baseline model, and especially erythrocyte's AP is greatly improved from 65.4% to 93.8%, indicating class confusion has been basically resolved. And we also explore the impacts of training schedule and pretrained model. Our method is promising for the development of automated USE.