Αυτόματη σημασιολογική κατάτμηση κύστεων νεφρού σε εικόνες MR ασθενών που επηρεάζονται από αυτοσωμική επικρατούσα πολυκυστική νόσο των νεφρών

Επικοινωνία: Audrey Hu Whatsapp/hp: 0086 13880143964 Email:audrey.hu@wecistanche.com

Timothy L. Kline^1,2· Marie E. Edwards²· Jeffrey Fetzer¹· Adriana V. Gregory²· Deema Anaam¹· Andrew J. Metzger²· Bradley J. Erickson¹

Αφηρημένη

ΣκοπόςΓια ασθενείς που επηρεάζονται από αυτοσωμικά επικρατούντα πολυκυστικάνεφρόνόσος(ADPKD), η επιτυχής διαφοροποίηση των κύστεων είναι χρήσιμη για την αυτόματη ταξινόμηση των φαινοτύπων των ασθενών, τη λήψη κλινικών αποφάσεων και την εξέλιξη της νόσου. Ο στόχος ήταν να αναπτυχθεί και να αξιολογηθεί μια πλήρως αυτοματοποιημένη μέθοδος σημασιολογικής κατάτμησης για τη διαφοροποίηση και ανάλυση των νεφρικών κύστεων σε ασθενείς με ADPKD.

Μέθοδοι Μια αυτοματοποιημένη προσέγγιση βαθιάς μάθησης που χρησιμοποιεί ένα συνελικτικό νευρωνικό δίκτυο εκπαιδεύτηκε, επικυρώθηκε και δοκιμάστηκε σε ένα σύνολο 60 σταθμισμένων εικόνων MR T2-. Χρησιμοποιήθηκε μια τριπλή προσέγγιση διασταυρούμενης επικύρωσης για την εκπαίδευση τριών μοντέλων σε διαφορετικά σύνολα εκπαίδευσης και επικύρωσης (n=40). Στη συνέχεια κατασκευάστηκε ένα μοντέλο συνόλου και δοκιμάστηκε στις θήκες συγκράτησης (n=20), με καθεμία από τις θήκες να συγκρίνεται με χειροκίνητες τμηματοποιήσεις που εκτελούνται από δύο αναγνώστες. Η συμφωνία τμηματοποίησης μεταξύ των αναγνωστών και της αυτοματοποιημένης μεθόδου αξιολογήθηκε.

ΑποτελέσματαΗ αυτοματοποιημένη προσέγγιση βρέθηκε ότι αποδίδει σε επίπεδο μεταβλητότητας μεταξύ παρατηρητών. Η αυτοματοποιημένη προσέγγιση είχε συντελεστή Dice (μέση ± τυπική απόκλιση) {{0}}.86 ± 0.10 έναντι Αναγνώστη-1 και {{10}}.84 ± {{2{0}}.11 έναντι αναγνώστη-2. Το ζάρι Interobserver ήταν 0.86 ± 0,08. Όσον αφορά τον συνολικό όγκο κύστης (TCV), η αυτοματοποιημένη προσέγγιση είχε μια ποσοστιαία διαφορά 3,9 ± 19,1 τοις εκατό έναντι του Reader-1 και 8,0 ± 24,1 τοις εκατό έναντι του Reader-2, ενώ η μεταβλητότητα μεταξύ των παρατηρητών ήταν − 2,0 ± 16,4 τοις εκατό .

Συμπέρασμα Αυτή η μελέτη ανέπτυξε και επικύρωσε μια πλήρως αυτοματοποιημένη προσέγγιση για την εκτέλεση σημασιολογικής τμηματοποίησηςνεφρόκύστεις σε εικόνες MR ασθενών που έχουν προσβληθεί από ADPKD. Αυτή η προσέγγιση θα είναι χρήσιμη για την εξερεύνηση πρόσθετων βιοδεικτών απεικόνισης του ADPKD και την αυτόματη ταξινόμηση φαινοτύπων.

Λέξεις-κλειδιάΑυτοσωμικό-κυρίαρχο πολυκυστικόνεφρόνόσος· Σημασιολογική κατάτμηση κύστης · Βαθιά μάθηση · Απεικόνιση μαγνητικού συντονισμού

Οφέλη από το Cistanche deserticola: προλαμβάνεινεφρόνόσος

Εισαγωγή

Αυτοσωμικό-κυρίαρχο πολυκυστικόνεφρόνόσος(ADPKD) είναι η πιο κοινή κληρονομική νεφρική νόσος, που επηρεάζει περίπου 12 εκατομμύρια ανθρώπους παγκοσμίως και είναι επί του παρόντος η τέταρτη κύρια αιτία νεφρικής ανεπάρκειας [1, 2]. Η παθολογία του είναι τέτοια που η συνεχής ανάπτυξη των κύστεων προκαλεί προοδευτική αύξηση στο σύνολονεφρότόμος (TKV). Ένας τυπικός ασθενής με ADPKD εμφανίζει προοδευτική μείωση της νεφρικής λειτουργίας και περίπου 70 τοις εκατό πρόοδο σε νεφρική νόσο τελικού σταδίου μεταξύ ηλικίας 40 και 70 ετών [3, 4].

Το TKV έχει αποδειχθεί σε πολλές μελέτες ότι είναι χρήσιμος προγνωστικός παράγοντας της εξέλιξης της ADPKD [5-7]. Ομοίως, η ικανότητα οριοθέτησης και μέτρησης του κυστικού φορτίου συμβάλλει περαιτέρω στη γνώση μας για την εξέλιξη της νόσου, τη δομή και τις γονοτυπικές διακυμάνσεις. Είναι καλά κατανοητό ότι η ανάπτυξη και η ανάπτυξη των κύστεων συσχετίζονται ισχυρά με την έκπτωση της νεφρικής λειτουργίας [6, 8]. Επιπλέον, έχει αποδειχθεί ότι υπάρχει άμεση συσχέτιση μεταξύ της ανάπτυξης TKV και της ανάπτυξης κύστεων. Ωστόσο, ο ρυθμός με τον οποίο αναπτύσσονται οι κύστεις και σχηματίζονται νέες κύστεις εξαρτάται από κάθε άτομο [9]. Επιπλέον, διαχρονικές μελέτες έχουν βρει ότι με την πάροδο του χρόνου, οι ασθενείς με ADPKD εμφανίζουν αύξηση του όγκου TKV και της κύστης και μείωση του συνολικού όγκου του παρεγχύματος υποδηλώνοντας ότι η μη κυστικήνεφρόιστόςαντικαθίσταται από περισσότερες κύστεις και κύστεις που συνεχώς διευρύνονται [10]. Είναι ενδιαφέρον ότι η ανάπτυξη κύστης και ο κυστικός δείκτης (αναλογία όγκου κύστης προς TKV) ποικίλλουν σημαντικά μεταξύ των γονότυπων PKD1 και PKD2, καθώς οι ασθενείς εντός του πληθυσμού PKD1 τείνουν να αναπτύσσουν κύστεις νωρίτερα [11, 12]. Η πρόσθετη ανάλυση του κυστικού φορτίου και της ανάπτυξης έχει τη δυνατότητα να ενημερώσει για τις τάσεις της νόσου και τις θεραπευτικές στρατηγικές.

Καθώς εμφανίζονται νέοι βιοδείκτες απεικόνισης, οι επιστήμονες αναζητούν γρήγορες και αποτελεσματικές μεθόδους για την απομόνωση του κυστικού και του μη κυστικούνεφρόπεριοχές για μια πιο εις βάθος, ποσοτική ανάλυση των ιδιοτήτων των ιστών [13, 14]. Στο παρελθόν, οι περιοχές της κύστης και των νεφρών είχαν τμηματοποιηθεί με το χέρι, κάτι που είναι εξαιρετικά εντάσεως εργασίας και υποκειμενικό [15]. Έχουν προταθεί διάφορες ημι-αυτόματες προσεγγίσεις τμηματοποίησης κύστεων χρησιμοποιώντας κατώφλι βάσει έντασης ως αρχικοποίηση [16, 17] καθώς και κλασικές τεχνικές μηχανικής μάθησης όπως η ομαδοποίηση k-means [18], οι μέθοδοι περιγράμματος [19] και η προηγούμενη πιθανότητα σχήματος χάρτες [20]. Ωστόσο, μια πλήρως αυτοματοποιημένη προσέγγιση βαθιάς μάθησης που χρησιμοποιεί νευρωνικά δίκτυα έχει τη δυνατότητα να απαλλάξει τον αναλυτή εικόνας από την κούραση της χειροκίνητης ανίχνευσης και να παρέχει αναπαραγώγιμους και ισχυρούς υπολογισμούς όγκου και τμηματοποιήσεις. Η βαθιά εκμάθηση είναι μοναδική για τις προαναφερθείσες μεθόδους τμηματοποίησης, καθώς το μοντέλο είναι σε θέση να "μαθαίνει" σημαντικά χαρακτηριστικά εικόνας από τις εισόδους δεδομένων που του επιτρέπουν να εκτελέσει την τελική εργασία τμηματοποίησης. Μέσω της εκπαίδευσης, το μοντέλο είναι σε θέση να ανιχνεύει μοτίβα, εντάσεις εικονοστοιχείων και πληροφορίες σχήματος που μπορεί να μην είναι εύκολα ανιχνεύσιμες στο ανθρώπινο μάτι.

Τα συνελικτικά νευρωνικά δίκτυα (CNN) που ξεκινούν με τη μείωση της χωρικής ανάλυσης ακολουθούμενη από την αποκατάσταση της ανάλυσης υπερέχουν στις εργασίες τμηματοποίησης ιατρικών εικόνων σε επίπεδο pixel/voxel λόγω της μοναδικής αρχιτεκτονικής τους. Εν ολίγοις, το πρώτο τμήμα συστολής είναι μια σειρά συνελικτικών επιπέδων μείωσης ανάλυσης που χρησιμοποιούνται για τη μείωση της πολυπλοκότητας της εικόνας και το δεύτερο τμήμα επέκτασης είναι ουσιαστικά μια κατοπτρική εικόνα της πρώτης διαδρομής που χρησιμοποιείται για να συνδυάσει χαρακτηριστικά και χωρικές πληροφορίες. Η αρχιτεκτονική U-Net [21] είναι ένα τέτοιο δίκτυο που έχει αξιοποιηθεί σημαντικά στην ανάλυση ιατρικής εικόνας για την επίλυση εργασιών κατάτμησης. Ένα ιδιαίτερο πλεονέκτημα αυτής της αρχιτεκτονικής είναι ότι δεν απαιτεί μεγάλο σετ εκπαίδευσης σε σύγκριση με άλλα δίκτυα και αποδίδει εξαιρετικά ακριβή αποτελέσματα τμηματοποίησης.

Σε αυτή τη μελέτη, χρησιμοποιούμε ένα σύνολο δεδομένων εικόνων MR του PKDνεφράμε ίχνη κύστης από δύο αναγνώστες που χρησιμεύουν ως βασική αλήθεια. Αναπτύσσεται μια αυτοματοποιημένη προσέγγιση (μια τροποποιημένη αρχιτεκτονική τύπου U-Net) και ένα μοντέλο συνόλου δημιουργείται και δοκιμάζεται σε ένα δοκιμαστικό σύνολο δεδομένων. Το μοντέλο βαθιάς νευρωνικού δικτύου που περιγράφεται σε αυτή τη μελέτη επιτρέπει τη σημασιολογική κατάτμηση τουνεφρόκύστεις για τον προσδιορισμό του ολικού όγκου κύστης (TCV) και μπορεί να αποδειχθούν χρήσιμες για περαιτέρω αξιολόγηση των φαινοτύπων της νόσου.

οφέλη cistanche tubolosa

Υλικά και μέθοδοι

Δεδομένα εικόνας MR

Αυτή η αναδρομική μελέτη έλαβε έγκριση από το θεσμικό συμβούλιο αναθεώρησης στη διεύθυνση https://github.com/TLKline/ AutoKidneyCyst. Από τη βάση δεδομένων εικόνων PKD αντλήθηκαν σαρώσεις μαγνητικής τομογραφίας 60 μοναδικών ασθενών με ADPKD διαφορετικών επιπέδων σοβαρότητας. Σε αυτήν την ανάλυση χρησιμοποιήθηκαν σαρώσεις Τ2-ζυγισμένου λίπους (N=42) και κορεσμένων μη λιπαρών (N=18). Οι εικόνες μαγνητικής τομογραφίας ήταν στεφανιαίες αλληλουχίες T2 γρήγορης περιστροφής μιας λήψης (SSFSE), που αποκτήθηκαν με σαρωτή GE, με μέγεθος μήτρας 256 × 256 xZ (με το Z αρκετά μεγάλο ώστε να καλύπτει όλη την έκταση των νεφρών εντός του απεικονιζόμενου όγκου). Τα μεγέθη voxel εικόνας ήταν της τάξεως του 1,5 mm σε επίπεδο με τυπικά πάχη τομών 3,0 mm.

Χειροκίνητες τμηματοποιήσεις

Οι ανιχνεύσεις νεφρών και κύστεων πραγματοποιήθηκαν χειροκίνητα από δύο αναλυτές εικόνων (https://github.com/TLKline/AutoK idneyCyst) με πολυετή εμπειρία στην εκτέλεση αυτών των ιχνηλατών. Το σύνολο εκπαίδευσης/επικύρωσης εντοπίστηκε από έναν αναγνώστη και το σύνολο δοκιμών εντοπίστηκε και από τους δύο προκειμένου να αξιολογηθεί η μεταβλητότητα μεταξύ των παρατηρητών. Το πρωτόκολλο ανάλυσης εικόνας αποκλείει τη νεφρική πύελο και τις αγγειακές δομές. Από τα ίχνη, το TKV και το TCV υπολογίστηκαν ως ο αριθμός των voxel πολλαπλασιασμένος με τον όγκο voxel. Κάθε αναλυτής ήταν τυφλός στα ίχνη του άλλου. Αυτά τα ίχνη εξήχθησαν ως αρχεία NIfTI.

Διαστρωμάτωση δεδομένων

Από τις τμηματοποιήσεις TKV που δημιουργήθηκαν για κάθε σάρωση, οι σαρώσεις ταξινομήθηκαν σε 40 περιπτώσεις εκπαίδευσης/επικύρωσης και 20 περιπτώσεις για το σετ δοκιμής αναμονής. Το σύνολο δεδομένων εκπαίδευσης/επικύρωσης είχε 28 περιπτώσεις κορεσμένων με λίπος και 12 κορεσμένων περιπτώσεων χωρίς λιπαρά (70 τοις εκατό κορεσμένων λιπαρών). Το σετ δοκιμής κράτησης είχε 14 θήκες κορεσμένων με λίπος και 6 κορεσμένες θήκες χωρίς λιπαρά (70 τοις εκατό κορεσμένα λιπαρά).

Προεπεξεργασία

Το μοντέλο εκπαιδεύτηκε ως προσέγγιση δύο καναλιών με το τμήμα εικόνας MR ως ένα κανάλι και την κατάτμηση νεφρού ως το άλλο. Σημειώστε ότι με αυτήν την προσέγγιση δύο καναλιών, το νευρωνικό δίκτυο μαθαίνει να εντοπίζει μόνο κύστεις εντός του νεφρού. Οι εικόνες επανακλιμακώθηκαν σε μέγεθος μήτρας 256 × 256 χρησιμοποιώντας ενδοκυβική παρεμβολή για τις εικόνες MR και παρεμβολή πλησιέστερου γείτονα για τις μάσκες κατάτμησης νεφρών και κύστεων. Η ένταση κάθε μαγνητικής τομογραφίας αρχικά κανονικοποιήθηκε ώστε όλοι να έχουν το ίδιο επίπεδο 95ης εκατοστιαίας θέσης και στη συνέχεια εφαρμόστηκε η τυπική βαθμιδωτή κανονικοποίηση (μηδέν μέσος όρος, τυπική απόκλιση μονάδας).

Μοντέλο σημασιολογικής τμηματοποίησης

Η αρχιτεκτονική του δικτύου ήταν παρόμοια με τα προηγούμενα έργα μας [22, 23]. Τα μπλοκ συνέλιξης αποτελούνται από δισδιάστατες συνελίξεις, ακολουθούμενες από εγκατάλειψη (απόρριψη=0.1), κανονικοποίηση παρτίδας, 2D συνελίξεις και μέγιστο συνένωση (μέγεθος πισίνας=2 ×2). Τα επίπεδα υψηλότερης ανάλυσης έχουν μεγαλύτερους πυρήνες (από 7 × 7 έως 5 × 5 έως 3 × 3 σε μπλοκ κάτω από τη διαδρομή του κωδικοποιητή και αντίστροφα προς τα πάνω στη διαδρομή του αποκωδικοποιητή) προκειμένου να μάθουν μεγαλύτερους και πιο σύνθετους τύπους φίλτρων. Οι συνδέσεις παράλειψης υλοποιούνται ως πρόσθετα επίπεδα (Resnet-like [24]). Ο βελτιστοποιητής είναι ο Adam [25] με αρχικό ρυθμό μάθησης 1e-3 και αποσύνθεση 1e{-5. Η μέτρηση απώλειας είναι η μέτρηση ομοιότητας ζαριών. Το μοντέλο εκπαιδεύεται για 200 εποχές με μέγεθος παρτίδας=8 και το μοντέλο με το καλύτερο μέτρο επικύρωσης αποθηκεύεται κατά τη διάρκεια της εκπαιδευτικής διαδικασίας. Το μοντέλο υλοποιήθηκε στον Keras με το TensorFlow ως backend. Το μοντέλο εκπαιδεύτηκε σε GPU Nvidia Tesla P40 (μνήμη 24 GB). Η είσοδος στο μοντέλο είναι ένας πίνακας δύο καναλιών (256×256×2). Το πρώτο κανάλι είναι μια τομή εικόνας MR και το δεύτερο είναι η αντίστοιχη μάσκα νεφρού. Η έξοδος είναι η πρόβλεψη για την κατάτμηση της κύστης. Συνολικά, τρία μοντέλα εκπαιδεύτηκαν στις τρεις διαφορετικές πτυχές εκπαίδευσης/επικύρωσης και στη συνέχεια κατασκευάστηκε ένα μοντέλο συνόλου, πλειοψηφικής ψήφου, το οποίο εφαρμόστηκε στο σετ δοκιμής κράτησης. Ο κωδικός διατίθεται στη διεύθυνση:

Εκτίμηση

Όπως περιγράφεται στην ενότητα μοντέλου, το σύνολο εκπαίδευσης/επικύρωσης χωρίστηκε σε τρεις πτυχές προκειμένου να εκπαιδευτεί σε διαφορετικά υποσύνολα δεδομένων. Για κάθε πτυχή, δημιουργήθηκαν καμπύλες εκπαίδευσης και επικύρωσης κατά τη διαδικασία εκμάθησης και αποθηκεύτηκε το καλύτερο μοντέλο από κάθε πτυχή. Στη συνέχεια δημιουργήθηκε ένα μοντέλο πλειοψηφικού συνόλου και εφαρμόστηκε στο σύνολο δεδομένων δοκιμής διατήρησης. Η σύγκριση του όγκου της κύστης και του δείκτη κύστης πραγματοποιήθηκε με γραμμική παλινδρόμηση και ο κυστικός δείκτης αξιολογήθηκε επίσης με ανάλυση Bland–Altman προκειμένου να εκτιμηθεί η μεροληψία και η ακρίβεια των μετρήσεων. Επιπλέον, έγιναν οπτικές επικαλύψεις για την ποιοτική αξιολόγηση της αυτοματοποιημένης μεθόδου και δημιουργήθηκαν μετρήσεις ομοιότητας για ποσοτική αξιολόγηση. Σε κάθε περίπτωση, οι δύο τμηματοποιήσεις αναγνώστη συγκρίθηκαν προκειμένου να αξιολογηθεί η μεταβλητότητα μεταξύ των παρατηρητών και η αυτοματοποιημένη προσέγγιση συγκρίθηκε ξεχωριστά με κάθε αναγνώστη.

Οφέλη από την έρημο κιστανάκι: βελτίωση της νεφρικής λειτουργίας

Αποτελέσματα

Δεν υπήρχε σημαντική διαφορά μεταξύ των συνόλων δεδομένων εκπαίδευσης, επικύρωσης και δοκιμής όσον αφορά τη σοβαρότητα της νόσου (δηλαδή, TKV). Στο Σχ. 1 φαίνονται οι κατανομές όγκου που απεικονίζονται ως διαγράμματα πυκνότητας πυρήνα. Αυτά εμφανίζονται για τις τρεις πτυχές, καθώς και τη συνολική κατανομή μεταξύ εκπαίδευσης/επικύρωσης και του σετ δοκιμής. Αυτή η συνολική κατανομή είναι αντιπροσωπευτική του μεγάλου βαθμού μεταβλητότητας που παρατηρείται στον πληθυσμό ασθενών με ADPKD.

Η αυτοματοποιημένη μέθοδος είχε παρόμοια προπόνηση απόδοσης στις τρεις διαφορετικές πτυχές. Το Σχήμα 2 δείχνει τις καμπύλες εκμάθησης για τις τρεις διαφορετικές πτυχές, συμπεριλαμβανομένων των τιμών εκπαίδευσης και επικύρωσης Dice κατά τη διάρκεια της εκπαίδευσης του μοντέλου. Τα βάρη των μοντέλων ενημερώνονται στο σετ εκπαίδευσης και αξιολογούνται στο τέλος κάθε εποχής στο ξεχωριστό σετ επικύρωσης. Το μοντέλο με την καλύτερη απόδοση επικύρωσης αποθηκεύεται κατά τη διαδικασία εκπαίδευσης και χρησιμοποιείται για την ανάπτυξη του τελικού μοντέλου συνόλου.

Η αυτοματοποιημένη προσέγγιση ήταν εξαιρετική στην ακριβή τμηματοποίηση των κύστεων. Εμφανίζεται στα Σχ. Τα 3 και 4 είναι οι συγκρίσεις γραμμικής παλινδρόμησης για τη μεταβλητότητα μεταξύ των παρατηρητών, η αυτοματοποιημένη μέθοδος έναντι του αναγνώστη-1 και η αυτοματοποιημένη μέθοδος έναντι του αναγνώστη-2 για τον όγκο κύστης (Εικ. 3), καθώς και ο δείκτης κύστης (Εικ. 4). Επιπλέον, η αυτοματοποιημένη μέθοδος εκτελέστηκε σε παρόμοιο επίπεδο με αυτό των ανθρώπινων αναγνωστών. Στο Σχήμα 5 φαίνονται οι συγκρίσεις Bland–Altman για τον κυστικό δείκτη. Σημειώστε ότι οι ασθενείς περιλαμβάνουν ένα ευρύ φάσμα βαρύτητας ασθενειών, από περιπτώσεις με πολύ λίγες κύστεις, έως περιπτώσεις που θα ολοκληρώσουν σχεδόν την αντικατάσταση του νεφρικού παρεγχύματος από κύστεις. Ο κυστικός δείκτης κυμαινόταν από ~ 0 έως > 90 τοις εκατό .

Οπτικά υπήρξε μια εξαιρετική συμφωνία μεταξύ της αυτοματοποιημένης προσέγγισης τμηματοποίησης και των μη αυτόματων αναγνωστών. Το σχήμα 6 δείχνει τις οπτικές συγκρίσεις για μία από τις καλύτερες περιπτώσεις (πάνω σειρά, ζάρια=0.98), τη χειρότερη περίπτωση (μεσαία σειρά, ζάρια=0.50) και μια μέση περίπτωση (κάτω σειρά , Ζάρια=0.86).

Γενικά, η αυτοματοποιημένη προσέγγιση δεν μπορούσε να διακριθεί από τη μεταβλητότητα που παρατηρήθηκε από δύο διαφορετικούς αναγνώστες που εκτελούσαν τις ανιχνεύσεις. Στον Πίνακα 1 φαίνονται τα στατιστικά στοιχεία ομοιότητας που συγκρίνουν τη μεταβλητότητα του ενδοπαρατηρητή με αυτή που προκύπτει μεταξύ της αυτοματοποιημένης προσέγγισης και του Αναγνώστη-1, καθώς και της αυτοματοποιημένης προσέγγισης και του Αναγνώστη-2.

εκχύλισμα cistanche tubolosa: ακτεοσίδη

Συζήτηση

Η βαθιά μάθηση στον τομέα της τεχνητής νοημοσύνης έχει προσφέρει στους επιστήμονες αμέτρητα εργαλεία για την αποτελεσματική και διεξοδική αξιολόγηση των δεδομένων, ιδιαίτερα στην ανάλυση ιατρικών εικόνων. Ο αλγόριθμος που αναπτύχθηκε σε αυτή τη μελέτη τμηματοποίησε με ακρίβεια τις νεφρικές κύστεις από τον ιστό των νεφρών χωρίς παρέμβαση του χρήστη. Πριν από αυτό το μοντέλο, οι προσεγγίσεις για την οριοθέτηση κυστικών δομών από ιστό οργάνου εφάρμοζαν ημι-αυτόματες τεχνικές κατωφλίου με βάση την ένταση [16, 17, 20]. Ένας περιορισμός των προσεγγίσεων που βασίζονται στην ένταση είναι ότι, σε αντίθεση με το CT, οι τιμές των εικονοστοιχείων MR μπορεί να διαφέρουν δραστικά μεταξύ των προσκτήσεων, ακόμη και μεταξύ των τμημάτων σε μία απόκτηση, απαιτώντας εκτεταμένες τεχνικές προεπεξεργασίας για την κατάλληλη κανονικοποίηση των δεδομένων [26]. Επιπλέον, αυτή η τεχνική του κατωφλίου με βάση την ένταση θα χάσει εντελώς σύνθετες κύστεις που έχουν χαμηλότερη ένταση σήματος [16].

Το μοντέλο που παρουσιάστηκε σε αυτή τη μελέτη πέτυχε μια μέση βαθμολογία Dice 85 τοις εκατό για την κατάτμηση κύστεων, αυτό το αποτέλεσμα είναι συγκρίσιμο με τις άλλες τεχνικές αιχμής που εφαρμόζονται για την κατάτμηση οργάνων. Στο ADPKD, όλες οι αυτοματοποιημένες προσεγγίσεις που χρησιμοποιούν βαθιά μάθηση που αναφέρονται στη βιβλιογραφία έχουν επικεντρωθεί στην εργασία τμηματοποίησης οργάνων, κυρίως για την κατάτμηση των νεφρών. Ορισμένες από αυτές τις προσεγγίσεις περιλαμβάνουν ένα προσαρμοσμένο δίκτυο VGG-16 που υλοποιείται από τους Sharma et. al [27] για την τμηματοποίηση των νεφρών σε εικόνες CT. Η μέση βαθμολογία Dice από αυτήν τη μελέτη ήταν 86 τοις εκατό . Keshwani et. al, [28] που χρησιμοποίησαν παρόμοια αξονική τομογραφία για την πρόβλεψη τμηματοποίησης των νεφρών, εφαρμόστηκε ένα τρισδιάστατο συνελικτικό νευρωνικό δίκτυο πολλαπλών εργασιών επιτυγχάνοντας μέση βαθμολογία Dice 95 τοις εκατό . Οι Mu et al. [29], από την άλλη πλευρά, χρησιμοποίησε εικόνες MR για να δημιουργήσει αυτόματα τμηματοποίηση των νεφρών χρησιμοποιώντας ένα μοντέλο V-Net και η αναφερόμενη βαθμολογία Dice ήταν 95 τοις εκατό.

Η αυτοματοποιημένη προσέγγιση συγκρίθηκε πολύ στενά με τις μη αυτόματες ανιχνεύσεις σε όλες τις μετρήσεις. Όσον αφορά τις γραμμικές παλινδρομήσεις, η αυτοματοποιημένη προσέγγιση συγκρίθηκε πολύ στενά και με τους δύο αναγνώστες. Επιπλέον, ο κυστικός δείκτης είχε παρόμοια προκατάληψη και ακρίβεια με τους ανθρώπινους αναγνώστες. Η καλύτερη ακρίβεια οφείλεται πιθανώς στο γεγονός ότι η αυτοματοποιημένη προσέγγιση θα είναι πιο συνεπής από έναν ανθρώπινο αναγνώστη. Διαπιστώθηκε ότι η μεγαλύτερη διαφορά παρατηρήθηκε στην απόσταση Hausdorf, η οποία μπορεί να είναι το αποτέλεσμα ορισμένων δευτερευόντων ψευδών θετικών στοιχείων που θα μπορούσαν πιθανώς να αντιμετωπιστούν με απλή μετα-επεξεργασία (π.χ. πολλαπλασιασμός της παραγωγής της μάσκας κατάτμησης κύστης του μοντέλου με τη μάσκα νεφρού ). Επιπλέον, η οπτική συμφωνία ήταν απίστευτα ισχυρή. Η χειρότερη περίπτωση, όσον αφορά τις μετρήσεις ομοιότητας, ήταν η πολύ ήπια εμφάνιση της νόσου. Σε αυτή την περίπτωση, ένας ανθρώπινος αναγνώστης θα μπορούσε να παρέχει γρήγορα μια αξιολόγηση ποιότητας για να οριστικοποιήσει την κατάτμηση της κύστης. Γενικά, η προσέγγιση τμηματοποιεί με ακρίβεια κύστεις μεγάλου εύρους μεγεθών. Σε αυτή τη μελέτη, οι κύστεις μετρήθηκαν σε ~ 3-5 mm. Αυτό περιορίζεται από την ανακατασκευασμένη ανάλυση εικόνας, η οποία στο επίπεδο είναι της τάξης του ~ 1,5 mm. Επιπλέον, η μεγαλύτερη κύστη είχε διάμετρο 118 mm.

Η δυνατότητα αυτόματης αξιολόγησης της κυστικής επιβάρυνσης ανοίγει την πόρτα σε αναδρομικές μελέτες που εφαρμόζουν την τεχνική που παρουσιάζεται εδώ. Προηγούμενες μελέτες έχουν εφαρμόσει πιο βασικές προσεγγίσεις για την αξιολόγηση της κυστικής επιβάρυνσης και έχουν δείξει την πολλά υποσχόμενη πληροφοριακή αξία αυτών των παραμέτρων που προέρχονται από την εικόνα. Προηγούμενες βραχυπρόθεσμες μελέτες έχουν δείξει ότι η τολβαπτάνη μείωσε τον όγκο της κύστης σε ασθενείς που έλαβαν θεραπεία με ADPKD όταν ο όγκος της κύστης μετρήθηκε σε μια μικρή ομάδα [30]. Θα πρέπει να ολοκληρωθεί περαιτέρω ανάλυση για να αξιολογηθεί εάν αυτές οι επιδράσεις συνεχίζονται κατά τη μακροχρόνια χορήγηση του φαρμάκου. Η αυτοματοποιημένη μέθοδος που παρουσιάζεται σε αυτή τη μελέτη θα επιτρέψει τη γρήγορη και εύκολη ανάλυση ενός μεγαλύτερου συνόλου δεδομένων. Η παρακολούθηση της ανάπτυξης της κύστης μπορεί επίσης να ενημερώσει για συγκεκριμένους γονότυπους. Μια μελέτη διαπίστωσε ότι οι ασθενείς με PKD1 έχουν μεγαλύτερο αριθμό κύστεων από τους ασθενείς με PKD2. Πιο συγκεκριμένα, οι ασθενείς με PKD1 εξελίσσονται ταχύτερα επειδή αναπτύσσονται περισσότερες κύστεις νωρίς, όχι επειδή αναπτύσσονται πιο γρήγορα [11].

Ένας περιορισμός αυτής της μελέτης είναι ότι αξιολόγησε μια σχετικά μικρή κοόρτη (n=60). Ωστόσο, η δημιουργία τμημάτων κύστης χρυσού προτύπου χρειάστηκε έως και 8 ώρες ανάλογα με τη σοβαρότητα της νόσου. Λόγω αυτού του περιορισμού, αναπτύξαμε αυτή τη συγκεκριμένη κοόρτη για να καλύψει την πλήρη έκταση των φαινοτυπικών εκδηλώσεων της νόσου, από νεφρούς που αποτελούνται από λίγες κύστεις (κυστικός δείκτης=0.5 τοις εκατό ) έως νεφροί με νεφρικό παρέγχυμα σχεδόν εξ ολοκλήρου αντικαθιστώμενο από κύστεις (κυστικός δείκτης=90 τοις εκατό ). Η καθιέρωση μιας μεθόδου για την αξιολόγηση της κυστικής επιβάρυνσης σε όλη την έκταση των φαινοτύπων της νόσου θα καταστήσει αυτή την προσέγγιση εξαιρετικά γενική. Ένας άλλος περιορισμός είναι ότι δεν ανιχνεύουμε μικροσκοπικές κύστεις κάτω από την ανάλυση απεικόνισης. Ωστόσο, αυτές οι μικροκύστεις συμβάλλουν σε σχετικά μικρή ποσότητα στον συνολικό όγκο της κύστης [31]

Μελλοντικές μελέτες μπορούν να αξιολογήσουν μεγαλύτερες κοόρτες και μπορούν να διερευνηθούν αυτοματοποιημένες μέθοδοι για την τμηματοποίηση και τη διαφοροποίηση μεμονωμένων κύστεων. Αυτό θα διευκολύνει την αυτόματη καταμέτρηση του αριθμού των κύστεων και την αξιολόγηση της κατανομής του μεγέθους της κύστης. Αυτό μπορεί επίσης να επιτρέψει την αυτόματη ταξινόμηση των τυπικών ασθενών από τους άτυπους, γεγονός που ενημερώνει για τον κίνδυνο εξέλιξης και την πιθανότητα να ωφεληθούν από τις φαρμακευτικές θεραπείες. Τα περισσότερα από τα κριτήρια που διαχωρίζουν τις άτυπες από τις τυπικές περιπτώσεις βασίζονται στον δείκτη, τον αριθμό και το μέγεθος της κύστης. Για παράδειγμα, ένας ασθενής θεωρείται άτυπος εάν λιγότερες ή ίσες με 5 κύστεις αντιπροσωπεύουν μεγαλύτερο ή ίσο με 50 τοις εκατό TKV και υπάρχει η ήπια αντικατάσταση του νεφρικού ιστού από κύστεις [32]. Ένα εργαλείο που το υπολογίζει αυτόματα θα επέτρεπε εξαιρετικά γρήγορες και αντικειμενικές ταξινομήσεις κατά τη διάρκεια της κρίσιμης φάσης εγγραφής στη μελέτη.

Η δομή και η σύνθεση της κύστης θεωρούνται επίσης εξαιρετικά κατατοπιστικές κατά την αξιολόγηση της ADPKD. Μόλις οι κυστικές περιοχές οριοθετηθούν από το νεφρικό παρέγχυμα, μπορεί να πραγματοποιηθεί περαιτέρω ανάλυση με βάση την ένταση και/ή την υφή για να προσδιοριστεί το ποσοστό ή η κατανομή των σύνθετων κύστεων. Τυπικά, αυτές οι πολύπλοκες κύστεις χαρακτηρίζονται από «πιο σκοτεινές» εντάσεις στην απεικόνιση με βαρύτητα Τ2-MR. Φαινομενικά, ο υγιής ιστός του παρεγχύματος μπορεί να αναλυθεί με παρόμοιο τρόπο αφού απομονωθεί από μεγαλύτερες κύστεις. Μια άλλη προσέγγιση θα είναι η ενσωμάτωση πολλαπλών λήψεων εικόνων (π.χ. συνδυασμός εικόνων Τ1- και Τ2-ζυγισμένης μαγνητικής τομογραφίας) προκειμένου όχι μόνο να βοηθηθεί η κατάτμηση των κύστεων αλλά και να βοηθηθεί στην ταξινόμησή τους. Η επέκταση σε άλλες μεθόδους απεικόνισης (π.χ. αξονική τομογραφία) και όργανα (π.χ. ήπαρ) θα είναι επίσης σημαντική για την παροχή ολοκληρωμένου χαρακτηρισμού του φαινοτύπου PKD και την πραγματοποίηση μελετών μεγάλης κλίμακας όπου μικτά δεδομένα απεικόνισης (π.χ. υπερηχογράφημα, αξονική τομογραφία και/ ή μαγνητική τομογραφία) είναι διαθέσιμες για διαφορετικούς ασθενείς και υπάρχουν εξωνεφρικές εκδηλώσεις (π.χ. PLD).

συμπεράσματα

Έχουμε αναπτύξει μια πλήρως αυτοματοποιημένη μέθοδο για τη σημασιολογική κατάτμηση των νεφρικών κύστεων από εικόνες μαγνητικής τομογραφίας ασθενών που έχουν προσβληθεί από ADPKD. Η μέθοδος αποδίδει στο ίδιο επίπεδο με τους ανθρώπους αναγνώστες και θα είναι χρήσιμη σε μελλοντικές αναδρομικές και προοπτικές μελέτες για την αξιολόγηση των φαινοτύπων των ασθενών και της συνολικής κυστικής επιβάρυνσης.

βιβλιογραφικές αναφορές

1. PA Gabow, "Αυτοσωματική επικρατούσα πολυκυστική νόσος νεφρού", N Engl J Med, τομ. 329, αρ. 5, σελ. 332-42, 29 Ιουλίου 1993,

2. PC Harris and VE Torres, "Polycystic کلیه disease," Annu Rev Med, τομ. 60, σελ. 321-37, 2009

3. AB Chapman et al., "Autosomal-dominant polycystic کلیه disease (ADPKD): Executive summary from a Kidney Disease: Improving Global Outcomes (KDIGO) Controversies Conference," Kidney Int, τομ. 88, αρ.

4. EM Spithoven et al., "Nephrol Dial Transplant για αυτοσωμική επικρατούσα πολυκυστική νεφρική νόσο (ADPKD) στην Ευρώπη: επικράτηση και επιβίωση--μια ανάλυση δεδομένων από το μητρώο ERA-EDTA", Nephrol Dial Transplant, τομ. 29 Suppl 4, σελ. iv15-25, Σεπ 2014,

5. RD Perrone et al., "Total Kidney Volume Is a Prognostic Biomarker of Renal Function Decline and Progression to End-Stage Renal Disease in Patients With Autosomal Dominant Polycystic Kidney Disease", Kidney Int Rep, τομ. 2, αρ. 3, σελ. 442-450, Μάιος 2017, DOI:

6. AB Chapman et al., "Kidney volume and functional outcomes in autosomal dominant polycystic nief disease", Clin J Am Soc Nephrol, τομ. 7, αρ. 3, σελ. 479-86, Μάρτιος 2012

7. JJ Grantham, AB Chapman, και VE Torres, "Volume progression in autosomal dominant polycystic νεφρική νόσο: ο κύριος παράγοντας που καθορίζει τα κλινικά αποτελέσματα," Clin J Am

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2nd, and 1505-11, Aug 2000. [Διαδικτυακός]. Διαθέσιμο: https://www.ncbi.nlm.

11. PC Harris et al., "Ο αριθμός κύστης αλλά όχι ο ρυθμός της κυστικής ανάπτυξης σχετίζεται με το μεταλλαγμένο γονίδιο στην αυτοσωμική κυρίαρχη πολυκυστική νόσο των νεφρών", J Am Soc Nephrol, τομ. 17, αρ. 11, σελ. 3013-9, Νοέμβριος 2006, https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Μηχανισμοί προόδου στην αυτοσωμική επικρατούσα πολυκυστική νόσο των νεφρών", Kidney Int Suppl, τομ. 63, σελ. S93-7, Δεκ 1997. [Διαδικτυακός]. Διαθέσιμο: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. TL Kline et al., "Τα χαρακτηριστικά της υφής εικόνας προβλέπουν την πτώση της νεφρικής λειτουργίας σε ασθενείς με αυτοσωμική επικρατούσα πολυκυστική νόσο των νεφρών", Kidney Int, τομ. 92, αρ. 5, σελ. 1206-1216, Νοέμβριος 2017, https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline et αϊ., "Quantitative MRI νεφρών σε νεφρική νόσο", Abdom Radiol (NY), τομ. 43, αρ. 3, σελ. 629-638, Μάρτιος 2018

15. KT Bae, PK Comment και J. Lee, "Ογκομετρική μέτρηση νεφρικών κύστεων και παρεγχύματος με χρήση MRI: φάντασμα και ασθενείς με πολυκυστική νόσο των νεφρών", J Comput Assist Tomogr, τομ. 24, αρ. 4, σελ. 614-9, Ιούλιος-Αύγουστος 2000

16. KT Bae et al., "Νέα μεθοδολογία για την αξιολόγηση νεφρικών κύστεων στην πολυκυστική νεφρική νόσο", Am J Nephrol, τομ. 39, αρ. 3, σελ. 210- 7, 2014

17. AB Chapman et al., "Renal structure in early autosomal-dominant polycystic کلیه disease (ADPKD): The Consortium for Radiologic Imaging Studies of Polycystic Kidney Disease (CRISP) cohort," Kidney Int, τομ. 64, αρ. 3, σελ. 1035-45, Σεπ 2003,

18. K. Bae et al., "Τμηματοποίηση μεμονωμένων νεφρικών κύστεων από εικόνες MR σε ασθενείς με αυτοσωμική επικρατούσα πολυκυστική νόσο των νεφρών", Clin J Am Soc Nephrol, τομ. 8, αρ. 7, σελ. 1089-97, Ιούλιος 2013, DOI: https://doi.org/10.2215/CJN.10561012.

19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres, and BJ Erickson, "Semiautomated Segmentation of Polycystic Kidneys in T2-Weighted MR Images," AJR Am J Roentgenol, vol. 207, αρ. 3, σελ. 605-13, Σεπ 2016, https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim et al., "Αυτοματοποιημένη κατάτμηση του ήπατος και των κύστεων του ήπατος από εικόνες φραγμένης κοιλιακής μαγνητικής τομογραφίας σε ασθενείς με αυτοσωματική επικρατούσα πολυκυστική νόσο των νεφρών", Phys Med Biol, τομ. 61, αρ. 22, σελ. 7864-7880, Νοέμβριος 21 2016, DOI:

Οφέλη για την υγεία από το cistanche: βελτίωση της λειτουργίας των νεφρών