Background US is clinically established for breast imaging, but its diagnostic performance depends on operator experience. Computer-assisted (real-time) image analysis may help in overcoming this limitation. Purpose To develop precise real-time-capable US-based breast tumor categorization by combining classic radiomics and autoencoder-based features from automatically localized lesions. Materials and Methods A total of 1619 B-mode US images of breast tumors were retrospectively analyzed between April 2018 and January 2024. nnU-Net was trained for lesion segmentation. Features were extracted from tumor segments, bounding boxes, and whole images using either classic radiomics, autoencoder, or both. Feature selection was performed to generate radiomics signatures, which were used to train machine learning algorithms for tumor categorization. Models were evaluated using the area under the receiver operating characteristic curve (AUC), sensitivity, and specificity and were statistically compared with histopathologically or follow-up-confirmed diagnosis. Results The model was developed on 1191 (mean age, 61 years ± 14 [SD]) female patients and externally validated on 50 (mean age, 55 years ± 15]). The development data set was divided into two parts: testing and training lesion segmentation (419 and 179 examinations) and lesion categorization (503 and 90 examinations). nnU-Net demonstrated precision and reproducibility in lesion segmentation in test set of data set 1 (median Dice score [DS]: 0.90 [IQR, 0.84-0.93];

Abstract Chronic kidney disease (CKD) affects 850 million people worldwide and is associated with significant cardiovascular morbidity and mortality. Routine laboratory tests do not reflect early stages of microcirculatory changes and vascular rarefaction that characterise kidney fibrosis, the common endpoint of CKD. Imaging techniques that detect CKD in early stages could promote timely treatment with new drugs like SGLT2 inhibitors, thus, decreasing CKD progression and the cardiovascular disease burden. Ultrasound is the most used imaging modality in CKD, as it is non-invasive and radiation free. Initially, ultrasound imaging was applied to assess kidney macro-morphology and to rule out ureteral obstruction. The development of higher frequency probes allowed for more detailed imaging of kidney parenchyma, and advances in Doppler ultrasound provided insights into segmental arterial flow patterns including resistive indices as an indirect measure of microcirculatory impedance, elevated values of which correlated with progressive organ failure and fibrosis. Today, low-flow detection methods and matrix probes better resolve organ parenchyma and smaller vascular beds, and contrast-enhanced ultrasound allows perfusion measurement. Particularly, super-resolution ultrasound imaging, a technology currently being in clinical translation, can characterise the microcirculation morphologically and functionally in unrivalled detail. This is accompanied by rapid developments in radiomics and machine learning supporting ultrasound image acquisition and processing, as well as lesion detection and characterisation. This perspective article introduces emerging ultrasound methods for the diagnosis of CKD and discusses how the promising technical and analytical advancements can improve disease management after successful translation to clinical application.