Τμηματοποίηση υγιούς νεφρού στις εικόνες Dce-Mr χρησιμοποιώντας ένα συνελικτικό νευρωνικό δίκτυο και χαρακτηριστικά χρονικού σήματος

Artur Klepaczko1, Eli Eikefjord²και ο Arvid Lundervold^2,3,4

Αφηρημένη:Ο ποσοτικός προσδιορισμός της νεφρικής αιμάτωσης με βάση τη δυναμική απεικόνιση μαγνητικού συντονισμού με ενισχυμένη αντίθεση (DCE-MRI) απαιτεί τον προσδιορισμό των χρονικών διαδρομών της έντασης του σήματος στην περιοχή του νεφρικού παρεγχύματος. Έτσι, η επιλογή των voxels που αντιπροσωπεύουν τονεφρόπρέπει να επιτυγχάνεται με ιδιαίτερη προσοχή και αποτελεί έναν από τους σημαντικότερους τεχνικούς περιορισμούς που εμποδίζει την ευρύτερη χρήση αυτής της τεχνικής ως τυπικής κλινικής ρουτίνας. Η χειρωνακτική τμηματοποίηση των νεφρικών διαμερισμάτων —ακόμα κι αν εκτελείται από ειδικούς— είναι μια κοινή πηγή μειωμένης επαναληψιμότητας και αναπαραγωγιμότητας. Σε αυτή την εργασία, παρουσιάζουμε ένα πλαίσιο επεξεργασίας για την αυτόματηνεφρότμηματοποίηση σε εικόνες DCE-MR. Το πλαίσιο αποτελείται από δύο στάδια. Πρώτα,νεφρόοι μάσκες δημιουργούνται χρησιμοποιώντας ένα συνελικτικό νευρωνικό δίκτυο. Στη συνέχεια, τα voxels μάσκας ταξινομούνται σε μία από τις τρεις περιοχές - φλοιό, μυελό και λεκάνη - με βάση τις χρονικές πορείες έντασης σήματος DCE-MRI. Η προτεινόμενη προσέγγιση αξιολογήθηκε σε μια ομάδα 10 υγιών εθελοντών που υποβλήθηκαν σε εξέταση DCE-MRI. Η σάρωση μαγνητικής τομογραφίας επαναλήφθηκε σε συμβάντα δύο φορές μέσα σε διάστημα 10-ημέρας. Για την εργασία σημασιολογικής τμηματοποίησης, χρησιμοποιήσαμε μια κλασική αρχιτεκτονική U-Net, ενώ τα πειράματα για την ταξινόμηση voxel πραγματοποιήθηκαν χρησιμοποιώντας τρεις εναλλακτικούς αλγόριθμους - μηχανές υποστήριξης διανυσμάτων, λογιστική παλινδρόμηση και δέντρα ενίσχυσης ακραίων διαβαθμίσεων, μεταξύ των οποίων το SVM παρήγαγε τα πιο ακριβή αποτελέσματα. Τόσο τα βήματα τμηματοποίησης όσο και ταξινόμησης πραγματοποιήθηκαν με μια σειρά μοντέλων, το καθένα εκπαιδευμένο ξεχωριστά για ένα δεδομένο θέμα χρησιμοποιώντας τα δεδομένα μόνο από άλλους συμμετέχοντες. Ο μέσος όρος πέτυχε ακρίβεια του συνόλουνεφρόΗ κατάτμηση ήταν 94 τοις εκατό ως προς τον συντελεστή IoU. Ο φλοιός, ο μυελός και η λεκάνη κατατμήθηκαν με IoU που κυμαίνεται από 90 έως 93 τοις εκατό ανάλογα με τον ιστό και την πλευρά του σώματος. Τα αποτελέσματα επικυρώθηκαν επίσης συγκρίνοντας παραμέτρους διάχυσης που προέρχονται από εικόνα με μετρήσεις εδαφικής αλήθειας τουρυθμός σπειραματικής διήθησης(GFR). Η επαναληψιμότητα του υπολογισμού του GFR, όπως εκτιμήθηκε από τον συντελεστή διακύμανσης, προσδιορίστηκε στο επίπεδο 14,5 και 17,5 τοις εκατό για τον αριστερό και τον δεξιό νεφρό, αντίστοιχα και βελτιώθηκε σε σχέση με τη χειροκίνητη κατάτμηση. Η αναπαραγωγιμότητα, με τη σειρά του, αξιολογήθηκε με τη μέτρηση της συμφωνίας μεταξύ των τιμών GFR που προέρχονται από την εικόνα και των τιμών του GFR που βασίζονται σε ιοεξόλη. Οι εκτιμώμενες απόλυτες μέσες διαφορές ήταν ίσες με 9,4 και 12,9 mL/min/1,73 m2 για τις περιόδους σάρωσης 1 και 2 και την προτεινόμενη μέθοδο αυτοματοποιημένης τμηματοποίησης. Το αποτέλεσμα για τη συνεδρία 2 ήταν συγκρίσιμο με τη χειροκίνητη τμηματοποίηση, ενώ για την περίοδο 1 η αναπαραγωγιμότητα στον αυτόματο αγωγό ήταν ασθενέστερη.

Λέξεις-κλειδιά:Δυναμική μαγνητική τομογραφία με σκιαγραφικό. συνελικτικά νευρωνικά δίκτυα;νεφρόκατάτμηση; φαρμακοκινητική μοντελοποίηση; ποσοτικοποίηση αιμάτωσης; ρυθμός σπειραματικής διήθησης

Επικοινωνία: ali.ma@wecistanche.com

Κάντε κλικ στο Cistanche herba για νεφρική νόσο

1. Εισαγωγή

Η νεφρική λειτουργία αξιολογείται τακτικά με μέτρηση του επιπέδου κρεατινίνης ορού. Με βάση την αξία του, τορυθμός σπειραματικής διήθησης(GFR) μπορεί να εκτιμηθεί χρησιμοποιώντας π.χ. την εξίσωση Τροποποίηση της Διατροφής στη Νεφρική Νόσο [1]. Μια άλλη μέθοδος για τον προσδιορισμό της GFR, η οποία πρόσφατα έχει γίνει δημοφιλής στο κλινικό περιβάλλον, είναι η δοκιμή κάθαρσης πλάσματος ιοεξόλης. Μερικοί συγγραφείς υποστηρίζουν ότι αυτή η μέθοδος αντικαθιστά την τεχνική του χρυσού προτύπου που βασίζεται στην κάθαρση της ινουλίνης στα ούρα [2]. Όλες αυτές οι διαδικασίες, ωστόσο, επιτρέπουν τον ποσοτικό προσδιορισμό του GFR ταυτόχρονα και για τα δύονεφρά. Ως εκ τούτου, η δυναμική μαγνητική τομογραφία ενισχυμένης αντίθεσης (DCE-MRI) εμφανίζεται ως μια ελκυστική εναλλακτική λύση—επιτρέπει τη μη επεμβατική παρακολούθηση της απόδοσης του φιλτραρίσματος σε ένα μόνονεφρόενώ παρέχει χωρικά επιλυμένες πληροφορίες για ιστικές βλάβες όπως η εστιακή τμηματική σπειραματοσκλήρωση.

Κατ' αρχήν, η εξέταση DCE-MRI παράγει μια σειρά από Τ1-ζυγισμένους όγκους που αποκτώνται σε πολλαπλά διακριτά χρονικά βήματα της διαδικασίας σάρωσης. Η μέθοδος αποτελείται από την ενδοφλέβια χορήγηση βλωμού ενός σκιαγραφικού παράγοντα με βάση το γαδολίνιο (CA). Ενώ ο βλωμός CA διέρχεται από το κοιλιακό αρτηριακό δέντρο, την τριχοειδική κλίνη και τα σωληνοειδή συστήματα τουνεφράΑυξάνει αποτελεσματικά τον χρόνο χαλάρωσης Τ1 των ιστών που διεισδύουν, τροποποιώντας έτσι την αντίθεση στην εικόνα. Η χρονική δυναμική αυτής της αλλαγής της έντασης του σήματος εικόνας αντανακλά τις φυσιολογικές συνθήκες της νεφρικής λειτουργίας και αποτελεί τη βάση για τη φαρμακοκινητική (PK) μοντελοποίηση της νεφρικής αιμάτωσης.

Ορισμένα από τα προτεινόμενα μοντέλα PK επιχειρούν να περιγράψουν μαθηματικά τη διαδικασία αιμάτωσης σε διάφορα όργανα. Όσον αφορά τονεφρό, τα περισσότερα από τα μοντέλα υποθέτουν ότι το σήμα που μετράται σε ένα δεδομένο voxel ιστού είναι ένα άθροισμα συνεισφορών που προέρχονται από τουλάχιστον δύο διαμερίσματα—ενδοαγγειακούς (IV) και εξωκυτταρικούς εξωαγγειακούς χώρους (EEV) [3-6]. Επιπλέον, όπως σε κάθε μοντέλο PK, η παράδοση του ιχνηθέτη γαδολινίου μέσω μιας αρτηρίας τροφοδοσίας στο όργανο ενδιαφέροντος εγκλωβίζεται από τη λεγόμενη λειτουργία αρτηριακής εισαγωγής (AIF). Πρακτικά, ο AIF στην περίπτωση των μελετών νεφρών είναι η χρονική πορεία της συγκέντρωσης του σκιαγραφικού στην κοιλιακή αορτή [7]. Συγκεντρώνοντας τον AIF με έναν πυρήνα μετατόπισης και διασποράς λαμβάνεται κανείς συγκέντρωση ιχνηθέτη στο διαμέρισμα IV. Τελικά, η καμπύλη χρόνου της συγκέντρωσης στον χώρο EEV είναι ανάλογη με το ολοκλήρωμα της συγκέντρωσης στο διαμέρισμα IV, προαιρετικά διαμορφωμένη από έναν εκθετικό παράγοντα που αντιπροσωπεύει την εκροή από τα νεφρικά σωληνάρια. Ο συντελεστής αναλογικότητας, που συχνά δηλώνεται ως Ktrans, ελέγχει τον ρυθμό μεταφοράς CA από το διαμέρισμα IV στο διαμέρισμα EEV. Το Ktrans πολλαπλασιασμένο με τον όγκο του οργάνου οδηγεί άμεσα στον υπολογισμό του GFR.

Υπάρχουν πιο περίπλοκες, πολυδιαμερισματικές προσεγγίσεις (π.χ. [8]), αν και η πιθανή κλινική τους εφαρμογή είναι αμφισβητήσιμη. Η δυσκολία έγκειται στην ανάγκη να εξασφαλιστεί η σταθερότητα της βελτιστοποίησης τέτοιων παραμέτρων του μοντέλου, ενώ προσαρμόζονται οι καμπύλες του μοντέλου στα παρατηρούμενα δεδομένα. Επιπλέον, αυτά τα μοντέλα απαιτούν τμηματοποίηση τουνεφρόπαρέγχυμα στον φλοιό και τον μυελό. Αυτή η απαίτηση ισχύει, στην πραγματικότητα, και για μοντέλα δύο διαμερισμάτων. Το κλασικό μοντέλο που προτείνεται στο [3], το οποίο βασίζεται στο γενικό μοντέλο Rutland–Patlak [9,10], ισχύει μόνο για την περιοχή του φλοιού. Από την άλλη πλευρά, η εφαρμογή του μοντέλου διήθησης δύο διαμερισμάτων [5] σε ολόκληρο το νεφρό είναι αποδεκτή για τη φάση πρόσληψης. Εάν κάποιος θέλει να μετρήσει την αιμάτωση, η ανάλυση πρέπει και πάλι να περιοριστεί μόνο στον φλοιό. Σε κάθε περίπτωση, πρέπει να αποκλειστεί η περιοχή της λεκάνης που συλλέγει το σκιαγραφικό στην απεκκριτική φάση της εξέτασης. Επομένως, η αυτοματοποίηση της διαδικασίας της ανάλυσης δεδομένων DCE-MRI απαιτεί όχι μόνο την οριοθέτηση του νεφρού αλλά και την επισήμανση κάθε νεφρικού voxel ότι ανήκει είτε στην κατηγορία του φλοιού, του μυελού ή της πυέλου.

Το πρόβλημα τουνεφρόΗ κατάτμηση έχει αντιμετωπιστεί από πολλούς συγγραφείς. Συχνά, τα voxel ταξινομούνται με βάση τις χρονικές πορείες της έντασης τους. Για παράδειγμα, στο [11], ο αλγόριθμος k-means χρησιμοποιείται για την ομαδοποίηση των voxel σε συστάδες με βάση τις χρονικές πορείες της έντασης του σήματος. Αυτή η προσέγγιση αναπτύχθηκε περαιτέρω στο [12], όπου οι χρονικές πορείες έντασης σήματος προεπεξεργάστηκαν από τον διακριτό μετασχηματισμό κυματιδίων. Στο τέλος, θα πρέπει να χρησιμοποιηθεί κάποιο είδος ευρετικής βασισμένης στα χαρακτηριστικά των εγγενών συστάδων και στη σχέση τους για να προσδιοριστεί ποιο σύμπλεγμα αντιπροσωπεύει φλοιό, μυελό, λεκάνη και φόντο. Το εξ ολοκλήρου μη εποπτευόμενο συμπέρασμα πάσχει από θορυβώδη δεδομένα εισόδου που δεν μπορούν να ταξινομηθούν με σαφήνεια σε ανατομικά σημαντικές κατηγορίες. Είναι ιδιαίτερα εμφανές σε σχέση με τα voxels που βρίσκονται στα όρια μεταξύ του φλοιού και του μυελού. Αντιστοιχίζονται στην κλάση "άλλα μέρη" η οποία περιέχει voxel και έξω από τονεφρό.

Επομένως, μια στρατηγική που ακολουθείται συχνά συνίσταται στον διαχωρισμό ενός συνόλουνεφρόαπό άλλα μέρη μιας εικόνας. Οι οριοθετημένες περιοχές ενδιαφέροντος θα πρέπει να ταιριάζουν με ακρίβεια στα όρια των νεφρών για να απαλλαγούμε από όλα τα γειτονικά voxel. Ένα παράδειγμα τέτοιας λύσης είναι οι χάρτες περιοχής-κάτω από την καμπύλη (AUC), που χρησιμοποιούνται π.χ. στο [13]. Αυτά τα voxel στην ακολουθία DCE-MRI που διεισδύονται από τον παράγοντα ιχνηθέτη εμφανίζονται φωτεινά στους χάρτες AUC λόγω της μεγαλύτερης περιοχής κάτω από τις χρονικές πορείες έντασης σήματος. Είναι διδακτικό να σημειωθεί ότι αυτή η προσέγγιση απαιτεί είτε χειροκίνητη είτε αυτόματη μετεπεξεργασία προκειμένου να αφαιρεθούν οι εξωνεφρικές δομές, τα μεγάλα αιμοφόρα αγγεία και οι αγωγοί συλλογής ούρων.

Η στρατηγική τμηματοποίησης χονδρικής προς λεπτό εφαρμόστηκε επίσης στο [14], όπου εισήχθη η έννοια των Μέγιστα Σταθερών Χρονικών Όγκων (MSTV). Οι δυνατότητες του MSTV επιτρέπουν σε κάποιον να αναγνωρίζεινεφράμε την ανίχνευση χωρικά ομοιογενών και χρονικά σταθερών δομών. Η λεπτόκοκκη τμηματοποίηση επιτυγχάνεται με τη μείωση των χρονικών μαθημάτων των voxels σε διανύσματα των κύριων συστατικών, τα οποία στη συνέχεια διαχωρίζονται με k-means σε πολλαπλά συμπλέγματα. Τελικά, ωστόσο, οι λαμβανόμενες τμηματοποιήσεις πρέπει να βελτιωθούν επαναληπτικά προκειμένου να αφαιρεθούν τυχόν θόρυβοι που απομένουν. Ομοίως, στη μελέτη που περιγράφεται στο [15], το πρώτο στάδιο της διαδικασίας κατάτμησης αποτελείται από τον χαρακτηρισμό της δυναμικής ενίσχυσης του σήματος των κοιλιακών ιστών. Παρατηρείται ότι ο μυελός, σε αντίθεση με τον φλοιό, το ήπαρ ή τον σπλήνα, εμφανίζει μια σταθερή αύξηση στην ένταση του σήματος που εμφανίζεται αργότερα στην ακολουθία πρόσκτησης. Αφού εντοπιστούν τα voxel του μυελού, πραγματοποιείται διαστολή και ακολουθείται από τον αλγόριθμο GrubCut για τη δημιουργία νεφρικών μάσκες. Ο λεπτός συντονισμός επιτυγχάνεται με την ταξινόμηση των voxel με έναν προεκπαιδευμένο τυχαίο ταξινομητή δασών. Τα Voxel χαρακτηρίζονται από τις αντίστοιχες εντάσεις εικόνας τους σε επιλεγμένα χρονικά πλαίσια της δυναμικής ακολουθίας καθώς και από τη θέση τους εντός των ROI που κατασκευάστηκαν στο πρώτο στάδιο.

Αν και τόσο οι συνεισφορές που βασίζονται στο MSTV όσο και στο GrubCut φαίνεται να παράγουν ικανοποιητικά αποτελέσματα για πολλαπλά σύνολα δεδομένων, είναι μάλλον εννοιολογικά πολύπλοκοι αλγόριθμοι, που δεν είναι διαθέσιμοι είτε σε εμπορικό είτε σε λογισμικό ανοιχτού κώδικα. Ως εκ τούτου, δεν μπορούν να υιοθετηθούν εύκολα από την κλινική κοινότητα.

Από την άλλη πλευρά, οι πρόσφατες εξελίξεις στις αρχιτεκτονικές των συνελικτικών νευρωνικών δικτύων και η ευρεία διαθεσιμότητα των εφαρμογών λογισμικού τους καθιστούν τις μεθόδους βαθιάς μάθησης ιδιαίτερα ελκυστικές στην εφαρμογή στην κατάτμηση βιολογικών ιστών σε ιατρικές εικόνες. Η αποτελεσματικότητα των CNN σε ευέλικτα σενάρια ανάλυσης δεδομένων MRI συζητείται διεξοδικά στην ολοκληρωμένη ανασκόπηση του [16]. Πιο συγκεκριμένα, σε [17] διάφορες αρχιτεκτονικές δικτύου, π.χ., πλήρως συνελικτικό δίκτυο [18], το SegNet [19], το U-Net [20] και το DeepLabV3 plus [21], έχουν δοκιμαστεί για σημασιολογική κατάτμηση του καρκίνου του προστάτη στο Τ. 2-σταθμισμένη μαγνητική τομογραφία. Οι ανατομικές εικόνες MR αναλύθηκαν επίσης στο [22]. Οι συγγραφείς ανέπτυξαν μια προσαρμοσμένη αρχιτεκτονική CNN για αυτόματη περιγραφή της πολυκυστικήςνεφρά. Μια άλλη ενδιαφέρουσα προσέγγιση παρουσιάστηκε στο [23], όπου η βαθιά μάθηση χρησιμοποιήθηκε για την άμεση εξαγωγή συμπερασμάτων χαρτών αιμάτωσης του εγκεφάλου από μια ακολουθία DCE-MRI χωρίς να προσαρμόζεται ρητά ένα μοντέλο PK σε μετρούμενα σήματα.

Έχουν δημοσιευτεί αρκετές μελέτες σχετικά με την εφαρμογή των CNN στην τμηματοποίηση τωννεφράσε εικόνες αξονικής τομογραφίας [24,25]. Ωστόσο, η κατάτμηση που βασίζεται σε DL τουνεφρόστα σύνολα δεδομένων MRI με ενισχυμένη αντίθεση παραμένει ένα ανεξάντλητο θέμα. Ως εξαιρετικό παράδειγμα των δημοσιευμένων εργασιών που είναι ειδικά αφιερωμένες στις νεφρικές εξετάσεις DCE-MRI, μπορούμε να αναφέρουμε την εργασία των Haghighi et al. [26]. Κατασκεύασαν και εκπαίδευσαν έναν καταρράκτη δύο δικτύων CNN. Η είσοδος σε αυτή τη διαδοχική δομή είναι μια εικόνα 4D DCE-MR. Το πρώτο δίκτυο εντοπίζει χονδρικά τον αριστερό και τον δεξιό νεφρό στην εικόνα, ενώ το δεύτερο είναι υπεύθυνο για την ακριβή οριοθέτηση των νεφρικών ορίων. Ωστόσο, δεν πραγματοποιήθηκε περαιτέρω κατάτμηση στον φλοιό ή τον μυελό, καθώς μόνο ολόκληρο το νεφρικό παρέγχυμα χρησιμοποιήθηκε για τον υπολογισμό του GFR.

Υπό το φως των παραπάνω εκτιμήσεων, η προσέγγιση που παρουσιάζεται σε αυτό το έγγραφο είναι μια απάντηση στην ανάγκη για έναν αυτόματο αλγόριθμο που από τη μία πλευρά θα αναγνωρίζει με ακρίβεια τονεφράδιαμερίσματα εντός της εικόνας DCE-MR, ενώ από την άλλη πλευρά είναι σχετικά εύκολο να αναπαραχθεί από οποιαδήποτε ερευνητική ομάδα. Ως εκ τούτου, προτείνουμε:

1. χρησιμοποιήστε μια αρχιτεκτονική CNN για σημασιολογική κατάτμηση τουνεφρόπαρέγχυμα,

2. Περιγράψτε παρεγχυματικά voxel με συσσωματώματα χαρακτηριστικών που προέρχονται από τον μετασχηματισμό των κυματομορφών της έντασης του σήματος με την ανάλυση των κύριων συστατικών (PCA),

3. Διακρίνουν τις περιοχές του φλοιού, του μυελού και της λεκάνης μέσω της ταξινόμησης των εξαγόμενων φορέων χαρακτηριστικών PCA.

Λεπτομέρειες των χρησιμοποιούμενων αλγορίθμων παρουσιάζονται στην Ενότητα 2. Στην Ενότητα 3, αξιολογούμε τα αποτελέσματα τμηματοποίησης και πώς η σχεδιασμένη λύση επηρεάζει τη σταθερότητα των εκτιμώμενων παραμέτρων PK. Κατά την εκτέλεση αυτής της αξιολόγησης, υποθέτουμε επίσης ότι είναι δυνατή η κατασκευή ενός καθολικού υπολογιστικού σχήματος που είναι ικανό να παράγει σωστές τμηματοποιήσεις για νέα θέματα που βασίζονται αποκλειστικά σε ιστορικά δεδομένα. Πιστεύουμε ότι ένα τέτοιο σχήμα θα μπορούσε να διανεμηθεί ευρέως και να εφαρμοστεί σε κλινικές με ή ελάχιστη προσπάθεια προσαρμογής στα προσαρμοσμένα πρωτόκολλα απόκτησης εικόνας. Προκειμένου να επιτευχθεί αυτός ο στόχος, επικυρώσαμε την προτεινόμενη υπολογιστική διαδικασία με τρόπο αφήστε ένα υποκείμενο. Έχουμε δημιουργήσει μια σειρά από μηχανές τμηματοποίησης και ταξινόμησης, καθεμία από τις οποίες εκπαιδεύεται σε διαφορετική ομάδα ασθενών. Στη συνέχεια, ένας δεδομένος κινητήρας έχει δοκιμαστεί σε ένα θέμα που δεν φαίνεται κατά τη φάση της εκπαίδευσης. Η συζήτηση των ληφθέντων αποτελεσμάτων δίνεται στην Ενότητα 4.

2. Υλικά και μέθοδοι

2.1. Κύριος Δεδομένα

Τα πειράματα και οι αλγόριθμοι που παρουσιάζονται σε αυτό το άρθρο σχεδιάστηκαν χρησιμοποιώντας ένα σύνολο 20 ακολουθιών μέτρησης που ελήφθησαν από 10 υγιείς εθελοντές. Πραγματοποιήθηκαν εξετάσεις μαγνητικής τομογραφίας σε μονάδα 1,5 Τ (Siemens Magnetom Avanto, Erlangen, Γερμανία). Το πρωτόκολλο απόκτησης δεδομένων περιλάμβανε την απεικόνιση κάθε θέματος δύο φορές, με διαφορά 10 ημερών, χρησιμοποιώντας τη μέθοδο 3D spoiled gradient echo (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- ανάλυση επιπέδου=2.2 × 2,2 mm2, πάχος τομής=3 mm, πίνακας λήψης=192 × 192, αριθμός τομών=30). Το σκιαγραφικό μέσο (0,025 mmol/kg GdDOTA) χορηγήθηκε ενδοφλεβίως με ρυθμό ροής 3 mL/s. Κάθε ακολουθία μέτρησης αποτελούνταν από 74 πλαίσια που αποκτήθηκαν σε χρονικά διαστήματα 2,3 δευτερολέπτων.

Για να μειωθούν τα τεχνουργήματα κίνησης, το πρωτόκολλο απεικόνισης σχεδιάστηκε για τη λήψη εικόνων σε αναμονή. Πρώτον, οκτώ βασικοί όγκοι πριν από την αντίθεση αποκτήθηκαν κατά τη διάρκεια της περιόδου αναπνοής 18-. Στα 7 δευτερόλεπτα μετά την ένεση γαδολίνιου, οι συμμετέχοντες έλαβαν οδηγίες να κρατήσουν την αναπνοή τους για 26 δευτερόλεπτα για αιμάτωση χωρίς κίνηση, πρώτης διέλευσης. Στη συνέχεια, κατά τη φάση της διήθησης, οι περίοδοι κράτησης της αναπνοής μειώθηκαν στα 13 δευτερόλεπτα και παρεμβλήθηκαν με 26 δευτερόλεπτα ελεύθερης αναπνοής. Προκειμένου να διευκολυνθεί η αναπνοή, τα άτομα έλαβαν ρινικά οξυγόνο με ρυθμό ροής 1 L/min.

Το υπόλοιπονεφρό Η κίνηση διορθώθηκε στη μετα-επεξεργασία με την εκτέλεση καταχώρησης b-spline σε κάθε ακολουθία DCE-MRI. Για το σκοπό αυτό, χρησιμοποιήσαμε την υλοποίηση αλγορίθμου B-splines από τη βιβλιοθήκη λογισμικού Insight Toolkit (ITK) [27]. Σε κάθε ακολουθία, επιλέξαμε ένα πλαίσιο αναφοράς που αντιστοιχεί σε ένα μέσο της φάσης διάχυσης και στη συνέχεια το χρησιμοποιήσαμε ως σταθερό όγκο με τον οποίο κάθε άλλος (κινούμενος) όγκος αντιστοιχούσε. Η καταχώριση των γραμμών B πραγματοποιήθηκε πλήρως αυτόματα, δηλαδή, δεν επισημάνθηκαν κανένα επίσημο σημείο πάνω από ιστούς ενδιαφέροντος. Επιπλέον, η διαδικασία ξεκίνησε σε μια διαμόρφωση πολλαπλών σταδίων. Σε κάθε στάδιο, χρησιμοποιήθηκαν διάφορες ρυθμίσεις μεγέθους πλέγματος και ποσοστών υποδειγματοληψίας. Για λεπτομερή ερμηνεία αυτών των παραμέτρων, ο αναγνώστης παραπέμπεται στην τεκμηρίωση ITK. Εν ολίγοις, επέτρεψαν την εκτέλεση καταγραφής εικόνων σε διαφορετικές κλίμακες – ξεκινώντας από την αδρή αντιστοίχιση και στη συνέχεια βελτιστοποιώντας το αποτέλεσμα.

Για την ανάγκη σχεδιασμού και αξιολόγησης αλγορίθμων, όλοι οι τόμοι σχολιάστηκαν χειροκίνητα από ακτινολόγο με εξειδίκευση στην ουρογραφία MR. Σε κάθε χρονικό πλαίσιο, αριστερά και δεξιάνεφράοριοθετήθηκαν. Στη συνέχεια, σε δύο πλαίσια που συνδέονται με τις φάσεις αιμάτωσης και απέκκρισης, τα παρεγχυματικά voxels εκχωρήθηκαν στον φλοιό, το μυελό ή τη λεκάνη.

Στο μεταξύ των εξετάσεων, οι εθελοντές υποβλήθηκαν σε διαδικασία εκκαθάρισης ιοεξόλης. Στα άτομα χορηγήθηκε δόση 5 mL ιοεξόλης (300 mg I/mL, Omnipaque 300, GE Healthcare). Στη συνέχεια, προσδιορίστηκαν οι βασικές τιμές GFR για να καταστεί δυνατή η επικύρωση των εκτιμήσεων αιμάτωσης που προέρχονται από εικόνα.

Οι συμμετέχοντες έλαβαν οδηγίες να αρνούνται το αλκοόλ και τα γεύματα με υψηλή περιεκτικότητα σε πρωτεΐνες, να αποφεύγουν την υπερβολική σωματική άσκηση, να είναι κανονικά ενυδατωμένοι τουλάχιστον 2 ημέρες πριν την εξέταση και να μην έχουν καφεΐνη την ημέρα της εξέτασης. Για τη διασφάλιση συγκρίσιμων συνθηκών εξέτασης μεταξύ των συνεδριών σάρωσης και του τεστ κάθαρσης ιοεξόλης, συνιστάται επίσης η διατήρηση τακτικών ωρών φαγητού και δίαιτας. Όλοι οι εθελοντές έδωσαν τη γραπτή ενημερωμένη συγκατάθεσή τους για συμμετοχή στη μελέτη, η οποία εγκρίθηκε από την Επιτροπή Θεσμικής Αναθεώρησης του Πανεπιστημιακού Νοσοκομείου Haukeland στο Μπέργκεν, Νορβηγία.

2.2. Επισκόπηση του αγωγού κατάτμησης

Ο προτεινόμενος αγωγός τμηματοποίησης απεικονίζεται στο Σχήμα 1. Η αρχική χονδροειδής τμηματοποίηση επιτυγχάνεται από ένα πλήρως συνελικτικό νευρωνικό δίκτυο της δομής U-Net. Αυτό το βήμα πραγματοποιήθηκε σε επόμενες δισδιάστατες διατομές μιας μοναδικής ογκομετρικής εικόνας από την ακολουθία DCE-MRI. Αυτή η εικόνα αντιστοιχεί στο πλαίσιο της υψηλότερης ενίσχυσης σήματος στην περιοχή του φλοιού, όταν η κατάτμηση του νεφρικού παρεγχύματος στον φλοιό και το μυελό είναι καθαρά ορατή.

Υποθέσαμε ότι μια μεμονωμένη διατομή μπορεί να χωριστεί σε αριστερή και δεξιά πλευρά, καθεμία από 96-πλάτος pixel. Σε μια δεδομένη πλευρά, είναι δυνατός ο κεντρικός εντοπισμός μιας ενημερωμένης έκδοσης κώδικα εικόνας ύψους 96-pixel που καλύπτει εξ ολοκλήρου ένανεφρό. Με αυτόν τον τρόπο εξασφαλίσαμε ότι δεξιά και αριστεράνεφράτμηματοποιούνται και υποβάλλονται σε επεξεργασία ξεχωριστά. Επί του παρόντος, η μέθοδός μας απαιτούσε να ισχύει αυτή η υπόθεση κατά τη φάση ανάκλησης της λειτουργίας του δικτύου. Κατά τη διάρκεια της προπόνησης, ήταν αρκετό εάν ένα έμπλαστρο εικόνας περιείχε τουλάχιστον μέρος του νεφρικού παρεγχύματος. Επιπλέον, το μέγεθος εμπλάστρου 96 × 96 προσαρμόστηκε στην ανάλυση εντός επιπέδου των δεδομένων DCE-MRI που είναι διαθέσιμα σε αυτήν τη μελέτη και θα πρέπει να τροποποιηθεί υπό διαφορετικές διαμορφώσεις λήψης.

Η αδρή τμηματοποίηση μπορεί μερικές φορές να απαιτεί πρόσθετη βελτίωση για την απόρριψη μικρών εξωνεφρικών συστάδων ψευδώς τμηματοποιημένων εικονοστοιχείων. Στον αλγόριθμό μας, τα συνδεδεμένα στοιχεία αναγνωρίστηκαν και μόνο το μεγαλύτερο πέρασε στο επόμενο στάδιο. Σημειώστε επίσης ότι, παρόλο που το βήμα σημασιολογικής τμηματοποίησης πραγματοποιήθηκε σε 2D, εφαρμόστηκε σε όλες τις διατομές ενός δεδομένου όγκου. Οι αναλύσεις που ακολούθησαν πραγματοποιήθηκαν κατά voxel, έτσι ώστε ο GFR υπολογίστηκε αποτελεσματικά από όλους τους νεφρώνες που είναι κατανεμημένοι στον ROI του τρισδιάστατου φλοιού.

Χάρη στην εγγραφή εικόνας στον τομέα χρόνου,νεφρόΟι μάσκες που δημιουργούνται για ένα πλαίσιο θα μπορούσαν να εφαρμοστούν σε όλα τα άλλα καρέ της δυναμικής σειράς. Έτσι, τα νεφρικά voxels συνταγογραφήθηκαν φορείς χαρακτηριστικών που αποτελούνταν από τιμές έντασης σήματος MRI που μετρήθηκαν σε επόμενα χρονικά σημεία. Για να λάβουμε πιο γενικά χαρακτηριστικά της δυναμικής του σήματος, εξάγαμε συγκεντρωτικά χαρακτηριστικά χρησιμοποιώντας μετασχηματισμό PCA. Τα 20 πιο κατατοπιστικά συσσωματώματα επιλέχθηκαν για να περιγράψουν κάθε νεφρικό voxel. Τελικά, ένας ταξινομητής που εκπαιδεύτηκε να διακρίνει μεταξύ των χρονικών χαρακτηριστικών των περιοχών του φλοιού, του μυελού και της λεκάνης όρισε ένα voxel σε μια κατάλληλη κατηγορία.

Το σκεπτικό πίσω από την προτεινόμενη προσέγγιση δύο σταδίων ήταν να διασφαλιστεί ότι η τελική αναγνώριση βασιζόταν σε σχολιασμούς βασικής αλήθειας με μέγιστη εμπιστοσύνη. Εάν ήταν ένα CNN για την κατάτμηση του φλοιού από το μυελό και τη λεκάνη, θα έπρεπε να δημιουργηθούν ακριβείς μάσκες στόχου και ο σχολιαστής θα έπρεπε να αποφασίσει πού βρίσκεται το πραγματικό όριο μεταξύ των διαφόρων ιστών. Σε πολλές περιπτώσεις, αυτό δεν ήταν ασήμαντο λόγω του εφέ μερικού όγκου. Ως εκ τούτου, μια τέτοια απόφαση, και κατά συνέπεια το εκπαιδευμένο μοντέλο δικτύου, θα μπορούσε να είναι προκατειλημμένη προς μια μοναδική εμπειρία παρατηρητή. Εναλλακτικά, αποφασίσαμε να εκπαιδεύσουμε έναν ταξινομητή χρησιμοποιώντας τα σήματα μόνο από ξεκάθαρες τοποθεσίες, όπως περιγράφεται παρακάτω. Αργότερα, κατά τη διάρκεια του συμπερασματικού περάσματος προς τα εμπρός, ήταν ευθύνη του αλγόριθμου να διακρίνει αντικειμενικά τα voxel που ανήκουν σε οποιεσδήποτε αμφισβητούμενες περιοχές.

Τέλος, όλες οι υπολογιστικές μονάδες της προτεινόμενης διαδικασίας - CNN και μοντέλο ταξινομητή, καθώς και η μήτρα μετασχηματισμού PCA - ελήφθησαν για μια ομάδα ασθενών ανεξάρτητων από το τρέχον επεξεργασμένο σύνολο δεδομένων. Στις επόμενες υποενότητες, παρέχουμε τις λεπτομέρειες υλοποίησης των επιμέρους ενοτήτων του αλγορίθμου.

2.3. Cnnfor Semantic Segmentation

Μεταξύ των διαθέσιμων παραλλαγών του U-Net, χρησιμοποιήσαμε την υλοποίηση που δημοσιεύτηκε στο [28]. Δεδομένου ότι διέφερε από την αρχιτεκτονική που περιγράφεται στην αρχική εργασία [20], πρώτα συνοψίζονται τα συγκεκριμένα χαρακτηριστικά αυτής της δομής, προσαρμοσμένα στις ανάγκες της μελέτης μας.

2.3.1. Αρχιτεκτονική Δικτύων

Το συνελικτικό νευρωνικό δίκτυο U-Net αναπτύχθηκε αρχικά για την κατάτμηση νευρωνικών δομών σε ηλεκτρονικές μικροσκοπικές στοίβες και αποδείχθηκε αποτελεσματικό σε πολλές άλλες βιοϊατρικές εφαρμογές. Όπως ειπώθηκε, η είσοδος στο μοντέλο μας ήταν μια εικόνα σε επίπεδο γκρι 2D — ένα έμπλαστρο διατομής ενός μόνο όγκου 3D DCE-MRI. Το μέγεθος της ενημέρωσης κώδικα προσαρμόστηκε στα 96 × 96 pixel (βλ. Εικόνα 2).

Το χαρακτηριστικό γνώρισμα του U-Net είναι ότι περιέχει δύο συμμετρικά μέρη - μια συσταλτική και μια διαδρομή επέκτασης. Ο στόχος της συσταλτικής διαδρομής είναι να κωδικοποιήσει τα μοτίβα έντασης των εικονοστοιχείων της εικόνας εκτελώντας συνέλιξη με μια σειρά 3 × 3 φίλτρων εκπαιδεύσιμων βαρών. Οι έξοδοι των φίλτρων ενεργοποιούν τα κύρια στοιχεία επεξεργασίας του δικτύου - τους νευρώνες που ονομάζονται ανορθωμένες γραμμικές μονάδες (ReLU). Επιτρέπουν τη μοντελοποίηση μη γραμμικών σχέσεων μεταξύ των χαρακτηριστικών της εικόνας και του χάρτη τμηματοποίησης εξόδου. Έτσι, το στάδιο κωδικοποίησης μπορεί να συγκριθεί με μια διαδικασία γνωστή στην ψηφιακή επεξεργασία εικόνας ως εξαγωγή χαρακτηριστικών. Ακολουθείται από τη λειτουργία max-pooling η οποία κάνει δειγματοληψία των χαρτών χαρακτηριστικών.

Η συστολή επαναλαμβάνεται τέσσερις φορές για να εξαχθούν οι περιγραφείς εικόνας σε διάφορα επίπεδα κλίμακας. Κάθε επίπεδο, στην πραγματικότητα, σχηματίζεται από ένα μπλοκ που αποτελείται από δύο συνελικτικά στρώματα, το καθένα ακολουθούμενο από ένα στρώμα κανονικοποίησης παρτίδας, το οποίο διατηρεί σταθερό μέσο όρο και τυπική απόκλιση των ενσωματώσεων εξόδου σε μια δεδομένη παρτίδα. Έτσι, η κανονικοποίηση παρτίδας διασφαλίζει ότι τα χαρακτηριστικά με δυναμική χαμηλής έντασης έχουν την ίδια σημασία με εκείνα των οποίων η εμβέλεια είναι μεγαλύτερη. Τα ζεύγη των επιπέδων συνέλιξης και κανονικοποίησης διαχωρίζονται από το επίπεδο εγκατάλειψης, το οποίο ορίζει τυχαία το 20 τοις εκατό των κόμβων εισόδου στο 0. Αυτός ο μηχανισμός, ενεργός μόνο κατά τη φάση εκπαίδευσης, αποτρέπει την υπερπροσαρμογή του δικτύου [29].

Η έξοδος του τελευταίου μπλοκ κάτω δειγματοληψίας, που αναφέρεται ως bottleneck, μεταβιβάζεται στη διαδρομή επέκτασης ή αποκωδικοποίησης. Κατασκευάζεται από τον ίδιο αριθμό επιπέδων ανοδικής δειγματοληψίας με το συσταλτικό τμήμα και το κύριο καθήκον του είναι να ανακτήσει την αρχική χωρική ανάλυση. Σε αυτή τη μελέτη, η ανοδική δειγματοληψία πραγματοποιήθηκε με μεταφερόμενη συνέλιξη. Κάθε μπλοκ αποκωδικοποίησης αποτελούνταν επίσης από δύο ζεύγη συνελικτικών και στρωμάτων κανονικοποίησης παρτίδας. Σε αντίθεση με τα μπλοκ κωδικοποίησης, ωστόσο, κανένας μηχανισμός εγκατάλειψης δεν εισήχθη ενδιάμεσα. Επιπλέον, οι χάρτες χαρακτηριστικών υψηλής ανάλυσης που εξήχθησαν στη διαδρομή προς τα κάτω δειγματοληψίας όχι μόνο τροφοδοτούσαν τα επόμενα στρώματα κωδικοποίησης αλλά επίσης συνενώθηκαν με τις εισόδους των στρωμάτων αποκωδικοποίησης στα αντίστοιχα επίπεδα της διαδρομής προς τα πάνω. Αυτές οι πρόσθετες συνδέσεις βοήθησαν τα μπλοκ αποκωδικοποίησης να αποκατασταθούννεφρόεντοπισμός τμημάτων με μεγαλύτερη ακρίβεια.

Όπως φαίνεται στο Σχήμα 2, τα μπλοκ κωδικοποίησης αποτελούνταν από έναν αυξανόμενο αριθμό συνελικτικών φίλτρων που πήγαιναν βαθύτερα στη συσταλτική διαδρομή. Ξεκινώντας από 64 φίλτρα στα δύο πρώτα συνελικτικά επίπεδα, ο αριθμός των χαρτών χαρακτηριστικών έφτασε τους 1024 στο σημείο συμφόρησης, διπλασιαζόμενος σε κάθε επίπεδο κάτω δειγματοληψίας. Αντίθετα, ο αριθμός των φίλτρων στη διαδρομή επέκτασης διαιρέθηκε με τον παράγοντα δύο σε κάθε ανοδικό βήμα. Ως αποτέλεσμα, ο τελικός χάρτης χαρακτηριστικών είχε και πάλι βάθος 64.

Η έξοδος του τελευταίου μπλοκ προς τα πάνω δειγματοληψίας συνδέθηκε σε ένα συνελικτικό στρώμα με φίλτρα μεγέθους 1 × 1-. Πραγματοποίησε συνέλιξη βάσει εικονοστοιχείων του πυρήνα του φίλτρου με ένα διάνυσμα χαρακτηριστικών στοιχείων 64-και στη συνέχεια υπέβαλε το αποτέλεσμα σε μια συνάρτηση ενεργοποίησης εξόδου. Στο σχέδιό μας, χρησιμοποιήθηκε μια σιγμοειδής ενεργοποίηση αφού η τελική απόφαση ήταν δυαδική - ένα εικονοστοιχείο ανήκε στο νεφρικό παρέγχυμα ή στο υπόβαθρο.

2.3.2. Εκπαίδευση

Τα βάρη δικτύου εκκινήθηκαν σε μια τυχαία κατάσταση με τη μέθοδο των He et al. [30]. Η διαδικασία εκπαίδευσης διεξήχθη σε μπαλώματα εικόνας που περικόπηκαν από τους τόμους DCE-MRI, καθένας από τους οποίους περιείχε έναν, αριστερό ή δεξιόνεφρόδιατομή. Όπως περιγράφηκε παραπάνω, 96 × 96-μπαλώματα εικόνας εικονοστοιχείων εξήχθησαν από όγκους της ακολουθίας DCE που αντιστοιχούν στη φάση αιμάτωσης, δηλαδή, χρονικά πλαίσια της μέγιστης αντίθεσης σήματος μεταξύ του φλοιού και του μυελού. Για να αυξήσουμε τον αριθμό των προπονητικών εικόνων, για κάθε μελέτη, στην πραγματικότητα επιλέξαμε τρία τέτοια χρονικά πλαίσια—το ένα με τη μέγιστη ενίσχυση του σήματος στην περιοχή του φλοιού, ένα προηγούμενο και ένα επόμενο χρονικό πλαίσιο. Σε κάθε τόμο εικόνας, ένα μόνονεφρόήταν ορατή σε 12 φέτες κατά μέσο όρο. Έδωσε περίπου 1440 επιθέματα εκπαίδευσης.

Αν και τα δίκτυα U-Net μπορούν συνήθως να αντιμετωπίσουν μικρά δείγματα εκπαίδευσης, αποφασίσαμε να διευρύνουμε περαιτέρω το σύνολο δεδομένων μέσω της αύξησης δεδομένων. Αυτό επιτεύχθηκε επιλέγοντας 10 διαφορετικές κάθετες θέσεις της ενημερωμένης έκδοσης εικόνας και αντικατοπτρίζοντάς την τυχαία στην οριζόντια κατεύθυνση. Κατά την επιλογή των θέσεων του επιθέματος, βεβαιωθήκαμε ότι αγκάλιαζε ένα αρκετά μεγάλο τμήμα του κέντρου εικόνας που περιέχει σημαντικά θραύσματα του νεφρικού παρεγχύματος (βλ. Εικόνα 3). Συνολικά, ο αριθμός των διαθέσιμων εικόνων για εκπαίδευση έφτασε τις 13.964. Το ένα τρίτο των εικόνων εκπαίδευσης διαχωρίστηκαν για λόγους επικύρωσης.

Εκπαιδεύσαμε 10 διαφορετικά μοντέλα CNN, ένα για κάθε ασθενή. Κατά τη δημιουργία ενός μοντέλου αφιερωμένου σε ένα δεδομένο θέμα, οι αντίστοιχες επιδιορθώσεις εικόνας (ανεξάρτητα από την περίοδο εξέτασης) αφαιρέθηκαν από τα σετ εκπαίδευσης και επικύρωσης και χρησιμοποιήθηκαν μόνο για δοκιμή. Τα βάρη του δικτύου ενημερώθηκαν χρησιμοποιώντας τον αλγόριθμο καθόδου στοχαστικής κλίσης με σταθερό ρυθμό εκμάθησης=0.01 και ορμή=0.99. Η συνάρτηση απώλειας που επιλέχθηκε για βελτιστοποίηση ήταν το κριτήριο δυαδικής διασταυρούμενης εντροπίας, που ορίστηκε ως

όπου N είναι ο αριθμός των voxel, Yi είναι η πραγματική ετικέτα voxel και p(Yi) είναι η πρόβλεψη δικτύου ότι το i-ο διάνυσμα ανήκει πράγματι στην κατηγορία Yi, με 0 < p(Yi) < 1. Επιπλέον , προκειμένου να παρακολουθείται η ποιότητα τουνεφρόκατάτμηση σε εποχές εκπαίδευσης, υπολογίσαμε τον συντελεστή Jaccard, ο οποίος στο εξής θα ορίζεται ως IoU (τομή-πάνω-ένωση)

όπου το K δηλώνει τον αριθμό των εικονοστοιχείων σε ένα επεξεργασμένο κομμάτι και το y είναι η προβλεπόμενη κατηγορία εικονοστοιχείων. Εδώ, οι κατηγορίες είχαν αξία Boolean και ένα pixel ονομάστηκε True εάν ανήκε στονεφρό, Λάθος αλλιώς. Στην περίπτωση κάθε θέματος, ο αλγόριθμος βελτιστοποίησης εκτελέστηκε για 50 εποχές. Το αποθηκευμένο μοντέλο αντιστοιχούσε στην εποχή με την ελάχιστη βαθμολογία στη συνάρτηση απώλειας που λήφθηκε για το σύνολο δεδομένων επικύρωσης.

2.4. Ταξινόμηση τωνΝεφρόVoxels

2.4.1. Εξαγωγή χαρακτηριστικών

Η διαφοροποίηση των voxels που αντιπροσωπεύουν συγκεκριμένα νεφρικά διαμερίσματα θα μπορούσε να βασίζεται σε ακατέργαστες χρονικές πορείες έντασης σήματος. Προτείνουμε, ωστόσο, να μετατρέψουμε κυματομορφές σήματος, δηλ. διανύσματα 74 χρονικών χαρακτηριστικών, στο χώρο μειωμένης διάστασης χρησιμοποιώντας ανάλυση κύριου συστατικού (PCA). Ο σκοπός αυτού του μετασχηματισμού δεν είναι μόνο να μειώσει την πολυπλοκότητα του προκύπτοντος μοντέλου ταξινόμησης αλλά και να εξαγάγει πιο γενικά χαρακτηριστικά τουνεφρόιστός, εκπρόσωπος για διάφορα θέματα. Επιπλέον, ακόμη και στην ίδια κλινική μονάδα, η απεικόνιση DCE μπορεί να πραγματοποιηθεί με μια ακολουθία που, αν και καλύπτει παρόμοιο χρονικό διάστημα, έχει διαφορετική χρονική ανάλυση. Ως εκ τούτου, ένα σύστημα λήψης αποφάσεων που δέχεται ένα ομοιόμορφο μοτίβο χαρακτηριστικών, χρησιμοποιώντας το αντικείμενο μετασχηματισμού PCA ως προσαρμογέα, μπορεί να εφαρμοστεί σε διανύσματα δεδομένων εισόδου μεταβλητού μήκους.

Υποθέσαμε ότι τα εξαγόμενα στοιχεία PCA θα πρέπει να εξηγούν τουλάχιστον το 90 τοις εκατό της αρχικής διακύμανσης του συνόλου δεδομένων. Για να εκπληρωθεί αυτή η απαίτηση για κάθε θέμα, έπρεπε να κατασκευαστούν τουλάχιστον 20 συγκεντρωτικά χαρακτηριστικά. Όπως παρατηρήσαμε, ένας μεγαλύτερος αριθμός στοιχείων δεν οδήγησε σε μεγαλύτερη ακρίβεια ταξινόμησης.

2.4.2. Ταξινόμηση διανυσμάτων χαρακτηριστικών

Η αντιστοίχιση των νεφρικών voxels στον φλοιό, το μυελό ή τη λεκάνη εκτελείται από ταξινομητή που έχει εκπαιδευτεί με εποπτευόμενο τρόπο. Στην προσέγγισή μας, τα ιστορικά δεδομένα χρησιμεύουν ως πρότυπα για την οικοδόμηση κατάλληλων κανόνων απόφασης, που αργότερα θα εφαρμοστούν σε νέες μελέτες. Δοκιμάσαμε τρεις αλγόριθμους ταξινόμησης για να βρούμε το καλύτερο σχήμα σε όλα τα θέματα. Οι μέθοδοι που εξετάστηκαν περιελάμβαναν λογιστική παλινδρόμηση, μηχανές υποστήριξης διανυσμάτων και δέντρα αποφάσεων XGBoost. Στη συνέχεια, υπενθυμίζουμε τα χαρακτηριστικά των αλγορίθμων που χρησιμοποιήθηκαν και περιγράφουμε τον τρόπο προετοιμασίας των δεδομένων εκπαίδευσης.

Σύνολα δεδομένων εκπαίδευσης και δοκιμής.Οι φορείς εκπαίδευσης αποκτήθηκαν από περιοχές ενδιαφέροντος που σημειώθηκαν χειροκίνητα στις αντίστοιχες παρεγχυματικές θέσεις. Οι σχολιασμοί έγιναν μόνο σε voxel των οποίων η συμμετοχή ήταν σαφής (βλ. Εικόνα 4a,b), επιτρέποντας έτσι σε έναν εκπαιδευμένο ταξινομητή να αποφασίσει για την κυρίαρχη κατηγορία ιστού στην περίπτωση voxel μερικώς γεμάτα με διάφορα διαμερίσματα. Ο αριθμός των διανυσμάτων εκπαίδευσης που συλλέχθηκαν από τις 20 διαθέσιμες εξετάσεις ξεπέρασε την τιμή των 60,000. Αυτό το σύνολο δεδομένων χωρίστηκε σε 10 πτυχές, καθεμία από τις οποίες περιείχε διανύσματα δεδομένων από όλα εκτός από ένα υποκείμενο, που αφέθηκαν χωριστά για σκοπούς δοκιμής. Σε μια δεδομένη πτυχή, η κατανομή της τάξης ήταν κατά προσέγγιση ως εξής: φλοιός-58 τοις εκατό, μυελός-31 τοις εκατό, λεκάνη-11 τοις εκατό. Προκειμένου να δοθεί στους ταξινομητές η ευκαιρία να μάθουν να διακρίνουν τις κατηγορίες με την ίδια ακρίβεια, σε κάθε πτυχή προπόνησης δειγματολήφθηκαν εκ νέου τα υποσύνολα που αντιπροσωπεύουν τον φλοιό και τον μυελό για να ταιριάζουν με το μέγεθος της κατηγορίας της λεκάνης. Κατά μέσο όρο, το σύνολο εκπαίδευσης μετά την επαναδειγματοληψία περιλάμβανε πάνω από 16,000 διανύσματα ανά πτυχή. Σε μια δεδομένη προπόνηση, συμπεριλήφθηκαν δεδομένα και από τις δύο εξεταστικές συνεδρίες. Από την άλλη πλευρά, οι πτυχές δοκιμής περιείχαν 600 έως 4800 φορείς ανάλογα με τον ασθενή και τη συνεδρία εξέτασης. Οι ταξινομητές αξιολογήθηκαν χρησιμοποιώντας τη βαθμολογία ισορροπημένης ακρίβειας που υπολογίστηκε στα σύνολα δοκιμών.

Λογιστική παλινδρόμηση.Ο ταξινομητής λογιστικής παλινδρόμησης μοντελοποιεί την πιθανότητα ένα διάνυσμα χαρακτηριστικών να ανήκει σε μία από τις δύο κατηγορίες. Ο αλγόριθμος προσαρμόζει μια γραμμική συνάρτηση στα δεδομένα εκπαίδευσης και το αποτέλεσμα της εξίσωσης παλινδρόμησης για ένα δεδομένο σημείο δεδομένων υποβάλλεται στον λογιστικό μετασχηματισμό

όπου το p(yi|xi) υποδηλώνει την πιθανότητα μιας κλάσης yi που δίνεται σε ένα σημείο δεδομένων xi με Yi e {{{0}}, 1}, ενώ το διάνυσμα βάρους w μαζί με την τομή w0 καθορίζουν την προσαρμοσμένη παλινδρόμηση γραμμή.

Ως εκ τούτου, η εξίσωση (3) εφαρμόζεται σε προβλήματα δυαδικής ταξινόμησης. Επομένως, στην περίπτωση τριών νεφρικών περιοχών, πρέπει είτε να κατασκευαστούν τρεις ταξινομητές ενός έναντι της ανάπαυσης είτε να είναι κατάλληλο ένα πολυωνυμικό μοντέλο παλινδρόμησης [31]. Στα πειράματά μας, χρησιμοποιούμε την τελευταία παραλλαγή. Οι παράμετροι w του γραμμικού μοντέλου βρίσκονται ελαχιστοποιώντας τη συνάρτηση κόστους log-loss με όρο τακτοποίησης L2:

όπου η μελέτη μας K=3 και pi,c είναι η προβλεπόμενη πιθανότητα ότι το διάνυσμα ανήκει στην κατηγορία c. Το παραπάνω πρόβλημα βελτιστοποίησης επιλύθηκε με τον αλγόριθμο καθόδου Stochastic Average Gradient (SAG) [32] που υλοποιήθηκε στο πακέτο Scikit-Learn [33]. Επιλέξαμε το SAG λόγω της σύστασής του για μεγάλα σύνολα δεδομένων και την υποστήριξη για τακτοποίηση L2.

Υποστήριξη διανυσματικά μηχανήματα. Οι μηχανές διανυσμάτων υποστήριξης (SVM) αποτελούν μια κατηγορία αλγορίθμων που κατασκευάζουν ένα υπερεπίπεδο μέγιστου περιθωρίου που διακρίνει διαφορετικές κατηγορίες [34]. Η απόφαση για την ένταξη στην κατηγορία ενός διανύσματος x καθορίζεται από το πρόσημο της εξίσωσης υπερεπίπεδου

όπου δηλώνω τον δείκτη ενός παραδείγματος εκπαίδευσης, το xi είναι ένα αντίστοιχο διάνυσμα χαρακτηριστικών και το Yi είναι η πραγματική ετικέτα κλάσης του. Κατά την προσαρμογή αυτού του μοντέλου σε δεδομένα εκπαίδευσης, επιλύεται ένα περιορισμένο πρόβλημα τετραγωνικής βελτιστοποίησης. Ως αποτέλεσμα, βρίσκεται ένα σύνολο μη μηδενικών πολλαπλασιαστών Langrage ai, οι οποίοι μαζί με τα αντίστοιχα διανύσματα υποστήριξης xi και την παράμετρο μετατόπισης b καθορίζουν τη θέση και τον προσανατολισμό του ορίου που αναζητήθηκε.

Ένα γινόμενο με κουκκίδες στο (5) μπορεί να αντικατασταθεί από μια συνάρτηση πυρήνα για να επιτρέψει την εφαρμογή του SVM σε μη γραμμικά προβλήματα. Το τέχνασμα του πυρήνα μετατρέπει σιωπηρά τα διανύσματα χαρακτηριστικών σε ένα χώρο υψηλότερης διάστασης, στον οποίο καθίσταται δυνατός ο προσδιορισμός του διαχωριστικού υπερεπίπεδου. Το σχήμα 4γ δείχνει την κατανομή του υποσυνόλου διανυσμάτων εκπαίδευσης για έναν από τους συμμετέχοντες. Αυτή η οπτικοποίηση λήφθηκε μετατρέποντας τα δεδομένα από το χώρο των 20 συναθροίσεων χαρακτηριστικών PCA σε έναν χώρο τριών διαστάσεων χρησιμοποιώντας τη μέθοδο t-κατανεμημένης στοχαστικής ενσωμάτωσης γειτόνων (TSNE) [35]. Μπορεί να φανεί, ότι αν και ο γραμμικός διαχωρισμός των κατηγοριών φλοιού, μυελού και λεκάνης είναι εύλογος, το διαχωριστικό όριο μπορεί να μοντελοποιηθεί καλύτερα από κάποια μη γραμμική συνάρτηση. Στα πειράματά μας, τα καλύτερα αποτελέσματα εξασφαλίστηκαν από τον πυρήνα της συνάρτησης ακτινικής βάσης

όπου |.|δηλώνει τον κανόνα é2-. Δεδομένου ότι στα πραγματικά σύνολα δεδομένων, ο τέλειος διαχωρισμός των κλάσεων είναι σπάνιος, το κριτήριο βελτιστοποίησης επιτρέπει -μέσω μιας πρόσθετης παραμέτρου μεθόδου που συνήθως ορίζεται με το γράμμα C- επιτρέπει σε έναν ορισμένο αριθμό σημείων δεδομένων να παραβιάζουν το όριο απόφασης. Οι παράμετροι και C συμβάλλουν αντιστρόφως στην πολυπλοκότητα του μοντέλου SVM. Επομένως, συντονίσαμε τις τιμές τους χρησιμοποιώντας τον εξαντλητικό αλγόριθμο αναζήτησης πλέγματος σε ένα πείραμα διασταυρούμενης επικύρωσης πενταπλάσιου. Τα καλύτερα αποτελέσματα αναφέρθηκαν για=0.05 και

C = 1.

XGBoost δέντρα αποφάσεων.Η έννοια της ενίσχυσης ακραίας κλίσης (XGBoost) εισήχθη από τους Chen και Guestrin [36] για να διευκολυνθεί η εκπαίδευση ενός συνόλου δέντρων ταξινόμησης και παλινδρόμησης (CART). Σε αντίθεση με τα κλασικά τυχαία δάση, ο αλγόριθμος εκμάθησης επισημοποιεί τον μηχανισμό τακτοποίησης και τη χρήση ευέλικτων συναρτήσεων απώλειας αντικειμενικού υλικού. Χάρη σε αυτά τα πλεονεκτήματα, πρόσφατα αποδείχθηκε αποτελεσματικό σε πολλά προβλήματα μηχανικής εκμάθησης που περιλαμβάνουν μεγάλα σύνολα δεδομένων υψηλών διαστάσεων.

Η κατασκευή ενός συνόλου XGBoost βασίζεται στη στρατηγική της λεγόμενης προσθετικής εκπαίδευσης. Σε κάθε βήμα t, ένα νέο δέντρο προστίθεται στο μοντέλο που ελαχιστοποιεί τη συνολική συνάρτηση απώλειας

όπου t ü 1) είναι η ετικέτα κλάσης που έχει προβλεφθεί από το σύνολο που έχει κατασκευαστεί μέχρι τώρα, το l μετρά το σφάλμα μεταξύ της προβλεπόμενης και της αληθινής ετικέτας Yi, ενώ το ft αντιστοιχεί σε μια δομή δέντρου από φύλλα T, τα οποία εκχωρούν σε κάθε διάνυσμα δεδομένων μια βαθμολογία wq (xi), με το q να είναι μια συνάρτηση που εκχωρεί το σημείο δεδομένων xi σε ένα δεδομένο φύλλο δέντρου. Τόσο το T όσο και τα βάρη wj ορίζουν τον όρο τακτοποίησης

όπου και οι παράμετροι λ ελέγχουν την επίδραση του μεγέθους του δέντρου και αφήνουν βαθμολογίες στην τιμή της ποινής. Στη διαμόρφωση που χρησιμοποιήθηκε στη μελέτη μας, και το λ ορίστηκε σε {{0}}.1 και 0,9, αντίστοιχα. Επιπλέον, ο αριθμός των δέντρων στο σύνολο ήταν ίσος με 10 και το μέγιστο επιτρεπόμενο βάθος ενός δέντρου ήταν 4. Τελικά, χρησιμοποιήσαμε τη συνάρτηση soft-max ως αντικειμενικό κριτήριο l.

2.5. Φαρμακοκινητική Μοντελοποίηση

Εκτός από την απευθείας αξιολόγηση των αποτελεσμάτων τμηματοποίησης με τη χρήση του συντελεστή IoU, συγκρίναμε επίσης τιμές GFR που προέρχονται από εικόνα με τις μετρήσεις βασισμένες στην ιοεξόλη της βασικής αλήθειας. Για τον προσδιορισμό του GFR, χρησιμοποιήσαμε τονεφρό-ειδικό μοντέλο φιλτραρίσματος δύο διαμερισμάτων (2CFM) [5]. Αυτό το μοντέλο PK αποσυνέθεσε τον νεφρικό ιστό στον ενδαγγειακό (IV) και τον εξωκυτταρικό εξωαγγειακό χώρο (EEV) και υπέθεσε ότι δεν υπήρχε σωληναριακή εκροή εντός της περιόδου μοντελοποίησης. Παρόλο που το μοντέλο θα μπορούσε να χρησιμοποιηθεί για την εκτίμηση της νεφρικής αιμάτωσης είτε στο φλοιό είτε σε ολόκληρο το νεφρικό παρέγχυμα, μόνο η προηγούμενη περιοχή έπρεπε να ληφθεί υπόψη κατά τον υπολογισμό του GFR.

Ανεξάρτητα από την εξεταζόμενη νεφρική περιοχή, για να προσαρμοστεί το μοντέλο σε ένα μετρούμενο σήμα S(t), μια αντίστοιχη μέση χρονική πορεία έντασης εικόνας πρέπει να μετατραπεί στην κυματομορφή συγκέντρωσης Ctissue(t). Το πετύχαμε χρησιμοποιώντας τον μετασχηματισμό που περιγράφεται στο [37] προσαρμοσμένος στην ακολουθία ηχούς βαθμίδωσης. Από την άλλη πλευρά, ο ιστός C (t) που περιγράφεται από το μοντέλο 2CFM διέπεται από την εξίσωση

όπου C υποδηλώνει τη συνάρτηση αρτηριακής εισόδου, VP —κλάσμα όγκου πλάσματος και συγκέντρωση C—CA στο πλάσμα αίματος. Ο πρώτος όρος στο (9) αντιπροσωπεύει τη συγκέντρωση CA στο χώρο EEV, ενώ ο δεύτερος όρος καλύπτει τη συγκέντρωση στον IV χώρο που λαμβάνεται με τη συνέλιξη της αρτηριακής λειτουργίας εισόδου με τη συνάρτηση αγγειακής απόκρισης παλμών (VIRF), που ορίζεται ως

Ως εκ τούτου, το VIRF μοντελοποιεί την καθυστέρηση και τη διασπορά του AIF σε σχέση με τη ροή CA μέσω της τριχοειδούς κλίνης. Οι μεταβλητές Tg—η σταθερά χρόνου διασποράς και X—το διάστημα καθυστέρησης, μαζί με το κλάσμα όγκου VP και τη σταθερά μεταφοράς Ktrans σχηματίζουν το πλήρες σύνολο των παραμέτρων του μοντέλου 2CFM. Η εκτίμησή τους πραγματοποιείται συνήθως με τη διαδικασία προσαρμογής καμπύλης μη γραμμικών ελαχίστων τετραγώνων (NLLS). Η μέθοδος Trust Region-Reflective [38], που χρησιμοποιείται σε αυτή τη μελέτη, είναι ένας από τους πιθανούς βελτιστοποιητές που χρησιμοποιούνται για την αριθμητική επίλυση του προβλήματος NLLS. Σε αντίθεση με τις μεθόδους down-simplex, επιτρέπει τον καθορισμό περιορισμών στις τιμές των παραμέτρων και έτσι διασφαλίζει ότι οι τελικές εκτιμήσεις εμπίπτουν στο φυσιολογικό εύρος. Οι περιορισμοί που θεωρούνται στη μελέτη μας παρατίθενται στον Πίνακα 1.

Υλοποιήσαμε τον αλγόριθμο για τη βελτιστοποίηση του μοντέλου 2CFM στο προσαρμοσμένο λογισμικό γραμμένο σε Python, διαθέσιμο για λήψη στο [39]. Ο αλγόριθμος ξεκίνησε για κάθε ασθενή χρησιμοποιώντας τις περιοχές του φλοιού είτε που λαμβάνονται αυτόματα από την προαναφερθείσα σωλήνωση τμηματοποίησης είτε σχολιάζονται χειροκίνητα. Σε κάθε περίπτωση, ο ΟΕΕ προσδιορίστηκε αυτόματα χρησιμοποιώντας τη μέθοδό μας που δημοσιεύθηκε νωρίτερα στο [40].

2.6. Στατιστική ανάλυση

Ένας από τους στόχους της αυτοματοποίησης της διαδικασίας τμηματοποίησης εικόνων DCE-MR είναι η εξασφάλιση σταθερών και επαναλαμβανόμενων εκτιμήσεων διάχυσης. Ως εκ τούτου, πραγματοποιήσαμε το Student's t-test για τα σχετικά (επαναλαμβανόμενα) δείγματα για να επαληθεύσουμε τη μηδενική υπόθεση των ίσων μέσων GFR που υπολογίζονται σε δύο γεγονότα εξέτασης. Επιπλέον, υπολογίσαμε τον συντελεστή επαναληψιμότητας που ορίζεται ως [41]

όπου σdiff είναι η τυπική απόκλιση των διαφορών μεταξύ των GFR που γίνονται στο ίδιο θέμα και ╱pooldens το μέσο όρο όλων των μετρήσεων. Η ποσότητα ′2σdiff που αναφέρεται επίσης ως τυπική απόκλιση απλής μέτρησης (σsm), είναι μια εκτίμηση της τυπικής απόκλισης των διαφορών σε ζεύγη δυνητικά πολλών διαδοχικών μετρήσεων [42]. Εκτός από την αξιολόγηση επαναληψιμότητας, η αναπαραγωγιμότητα της εκτίμησης GFR βάσει εικόνας αξιολογήθηκε χρησιμοποιώντας διαγράμματα Bland-Altman. Τελικά, τα αποτελέσματα της ανάλυσης που επιτεύχθηκε για τα αυτόματα νεφρικά τμήματα συγκρίθηκαν με χειροκίνητους σχολιασμούς.

Το Cistanche μπορεί να ανακουφίσεινεφράαποτελεσματικά

3. Αποτελέσματα

Το σχήμα 5 δείχνει παραδείγματα εξόδων του δικτύου σημασιολογικής τμηματοποίησης για δύο από τα συμμετέχοντα θέματα μαζί με τις μάσκες σχολιασμού βασικής αλήθειας. Οι αντίστοιχες διεργασίες εκπαίδευσης απεικονίζονται στο Σχήμα 6, το οποίο απεικονίζει την εξέλιξη των μετρήσεων απώλειας και αξιολόγησης τόσο για τα σύνολα εκπαίδευσης όσο και για την επικύρωση. Κάποιος μπορεί να παρατηρήσει ότι μετά από μερικές πρώτες εποχές, οι καμπύλες IoU για τα σετ εκπαίδευσης και επικύρωσης βρίσκονταν κοντά η μία στην άλλη και το δίκτυο δεν εισήλθε στην κατάσταση υπερπροσαρμογής. Ταυτόχρονα, υπήρξε μια μονότονη μείωση της συνάρτησης απώλειας, η οποία απέδειξε ότι το δίκτυο απέκτησε τη δυνατότητα γενίκευσης. Οι συντελεστές ομοιότητας IoU μεταξύ των χειροκίνητων σχολιασμών και των αυτόματα ευρισκομένωννεφρόπεριοχές που ελήφθησαν μετά την αφαίρεση των εξωνεφρικών νησίδων που αποσυνδέθηκαν με τα κύρια τμήματα, συλλέγονται στον Πίνακα 2. Ο μέσος όρος IoU για όλα τα θέματα και τις μελέτες=0.94 και φάνηκε πλευρικά αδιάφορος.

Στο επόμενο στάδιο, τα παρεγχυματικά voxel ταξινομήθηκαν σε ξεχωριστά νεφρικά διαμερίσματα. Μια σύγκριση των τριών ελεγμένων ταξινομητών παρουσιάζεται στον Πίνακα 3. Αξιολογεί κάθε μέθοδο σε σχέση με τρεις μετρήσεις—ισορροπημένη ακρίβεια, ανάκληση και ακρίβεια. Τα δύο τελευταία προσδιορίστηκαν για κάθε νεφρική κατηγορία ξεχωριστά. Η μετρική ισορροπημένης ακρίβειας λήφθηκε ως ο μέσος όρος των πραγματικών θετικών ποσοστών που ελήφθησαν για συγκεκριμένες κατηγορίες. Όλες οι παρουσιαζόμενες βαθμολογίες ήταν μέσες τιμές για 20 υποκείμενα δοκιμής. Οι τρεις δοκιμασμένοι ταξινομητές πέτυχαν παρόμοια απόδοση όσον αφορά τα πραγματικά θετικά ποσοστά (περίπου 95 τοις εκατό). Συνολικά, ωστόσο, ήταν το SVM που επέδειξε την καλύτερη ισορροπημένη ακρίβεια (96 τοις εκατό ) και επίσης απέκτησε μεγαλύτερη ικανότητα από τις άλλες μεθόδους για την αποφυγή ψευδώς θετικών ανιχνεύσεων. Ήταν ιδιαίτερα εμφανές

για την περιοχή της λεκάνης, όπου η ακρίβεια=92 τοις εκατό έναντι 89 τοις εκατό προσφέρεται από την λογιστική παλινδρόμηση και τους ταξινομητές XGBoost.

Τα υψηλά ποσοστά ακρίβειας ταξινόμησης μεταφράζονται σε εξίσου καλά αποτελέσματα τμηματοποίησης (Πίνακας 2), τα οποία αξιολογήθηκαν και πάλι χρησιμοποιώντας τον συντελεστή Jaccard. Αυτή τη φορά, ωστόσο, υπολογίστηκε ως το άθροισμα των IoUs που προσδιορίστηκε για κάθε περιοχή ξεχωριστά και στη συνέχεια σταθμίστηκε με βάση την υποστήριξή της, δηλαδή, τον αριθμό των voxels βασικής αλήθειας που αντιπροσωπεύουν μια δεδομένη κλάση. Προκειμένου να καταστεί δυνατή η σύγκριση με τα άλλα έργα, υπολογίσαμε εκ νέου τους συντελεστές Jaccard που προέκυψαν σε συντελεστές Dice (F1-score) με τον τύπο.

Χρησιμοποιώντας τον αλγόριθμό μας, πετύχαμε τον μέσο συντελεστή Jaccard για την κλάση φλοιού στα αριστεράνεφρόίσο με 93,2 τοις εκατό. Στην περίπτωση των άλλων περιοχών, το IoU ισοδυναμούσε με περίπου 91 τοις εκατό, εκτός από την κατηγορία της λεκάνης στα αριστεράνεφρό όπου έπεσε στο 90,1 τοις εκατό . Η ποιότητα της λεπτής τμηματοποίησης μπορεί να επιβεβαιωθεί οπτικά με την ανάλυση παραδειγμάτων τουνεφρό αποσύνθεση σε περιοχές που φαίνονται στο Σχήμα 7. Προκειμένου να καταστεί δυνατή η αξιολόγηση σε ένα ευρύτερο πλαίσιο, πραγματοποιήσαμε επίσης τμηματοποίηση με δύο εναλλακτικές μεθόδους που προτείνονται στη βιβλιογραφία. Η πρώτη συνίσταται στην εξαγωγή χαρακτηριστικών σήματος DCE χρησιμοποιώντας το διακριτικό μετασχηματισμό κυματιδίων (DWT) με το κυματίδιο Daubechies-4, όπως υποτίθεται π.χ. στο [12]. Στη συνέχεια ταξινομήσαμε τα διανύσματα συντελεστών DWT με τη βοήθεια του αλγορίθμου SVM. Στη δεύτερη συγκριτική μέθοδο, τα διανύσματα χαρακτηριστικών PCA ομαδοποιήθηκαν χρησιμοποιώντας έναν αλγόριθμο k-means (με k=3), όπως περιγράφεται στο [14]. Αυτή η δεύτερη προσέγγιση απέτυχε να διακρίνει σωστά μεταξύ του φλοιού και του μυελού. Η πλειονότητα των voxels που αντιπροσωπεύουν και τις δύο περιοχές αγκαλιάζονταν σε ένα κοινό σύμπλεγμα και μόνο η λεκάνη αναγνωρίστηκε ως αυτόνομο τμήμα του παρεγχύματος στις περισσότερες από τις διατομές. Σε αντίθεση με τα αποτελέσματα που προκύπτουν από την ομαδοποίηση, οι περιοχές που παράγονται με εποπτευόμενο τρόπο με χρήση της περιγραφής των voxel που βασίζεται σε DWT είναι πιο ακριβείς. Ωστόσο, ο αριθμός των ψευδών αναγνωρίσεων είναι προφανώς υψηλότερος από ό,τι στην περίπτωση των φορέων χαρακτηριστικών PCA. Η ληφθείσα βαθμολογία ισορροπημένης ακρίβειας για τον ταξινομητή SVM ήταν μόνο 78 τοις εκατό σε αυτήν την περίπτωση. Δείτε τις δύο τελευταίες σειρές του Πίνακα 3 για την ποσοτική σύγκριση αυτών των εναλλακτικών σχημάτων διαμερισμάτων με το Xgboost, τη γραμμική παλινδρόμηση και το καλύτερο στον αλγόριθμο SVM/PCA της μελέτης μας.

Τα αποτελέσματα του σταδίου κατάτμησης χρησιμοποιήθηκαν για τον προσδιορισμό των μέσων σημάτων στον νεφρικό φλοιό. Αυτό το σήμα στη συνέχεια προσαρμόστηκε στο φαρμακοκινητικό μοντέλο 2CFM. Το σχήμα 8 παρουσιάζει τον τρόπο με τον οποίονεφρόρυθμούς σπειραματικής διήθησης(SK-GFR) που λαμβάνονται με αυτόν τον τρόπο αντιστοιχούν στις σχετικές βαθμολογίες που προκύπτουν με τη χρήση των χειροκίνητων σχολιασμών. Οι μέσες τιμές SK-GFR σε όλα τα θέματα και τις μελέτες, όπως ελήφθησαν μετά από αυτόματη και χειροκίνητη τμηματοποίηση είναι παρόμοιες (56 έναντι 55 mL/min/1,73 m2) και η παρατηρούμενη διαφορά είναι στατιστικά ασήμαντη (Τ-στατιστική=0.75, p-value=0.46). Επιπλέον, η γραμμική προσαρμογή μεταξύ των δύο τύπων μετρήσεων αποδεικνύει την καλή αντιστοιχία τους με τα r2=0.13 και 0.49 για τις συνεδρίες εξέτασης MR 1 και 2, αντίστοιχα.

Τα διαγράμματα Bland–Altman που φαίνονται στο Σχήμα 9 μας επιτρέπουν να αξιολογήσουμε τη συμφωνία των συνολικών GFR με τους ρυθμούς βασισμένους στην ιοεξόλη της αληθούς βάσης. Πριν από την εφαρμογή της μεθόδου Bland-Altman, η κανονική κατανομή των μετρήσεων επιβεβαιώθηκε χρησιμοποιώντας τη δοκιμή Shapiro-Wilk. Οι λαμβανόμενες τιμές p δίνονται στις σχετικές μαρτυρίες της γραφικής παράστασης. Η μέση διαφορά για τη συνεδρία εξέτασης MR 1 ως προς τις απόλυτες τιμές ήταν μικρότερη για τις χειροκίνητες τμηματοποιήσεις ( ü0,8 έναντι ü7,4 mL/min/1,73 m2). Στην περίπτωση της συνόδου 2, οι τιμές του ╱d ήταν συνεπείς μεταξύ των μεθόδων τμηματοποίησης, αν και η συμφωνία με τη μέθοδο αναφοράς ήταν ασθενέστερη. Ο προτεινόμενος αλγόριθμος, ωστόσο, φάνηκε να έχει ελαφρώς καλύτερη απόδοση ( ü 12,9 έναντι ü 14,1 mL/min/1,73 m2). Με βάση τα ληφθέντα αποτελέσματα, δεν ήταν δυνατό να αποφασιστεί ποια προσέγγιση τμηματοποίησης εξασφάλιζε στενότερα όρια συμφωνίας. Στην περίπτωση της συνεδρίας 1, η σύγκριση ευνόησε τη μη αυτόματη τμηματοποίηση (π=31.3 έναντι 35,5 mL/min/1,73 m2). Ωστόσο, τα στενότερα όρια συμφωνίας και διαστήματα εμπιστοσύνης σε όλα τα πειράματα ελήφθησαν για τη συνεδρία 2 και την αυτόματη επισήμανση (π=25.1 mL/min/1,73 m2). Και οι δύο προσεγγίσεις τμηματοποίησης οδήγησαν σε επαναλαμβανόμενα αποτελέσματα (βλ. Πίνακα 4) με τον συντελεστή διακύμανσης ίσο με 30,2 τοις εκατό στη χειρότερη περίπτωση (χειροκίνητη τμηματοποίηση, αριστεράνεφρό). Προφανώς, η αυτόματη κατάτμηση εξασφάλιζε καλύτερη σταθερότητα με συντελεστές διακύμανσης δύο φορές χαμηλότερους από ό,τι στην περίπτωση των χειροκίνητων αντίστοιχων. Οι τιμές p που λήφθηκαν στις δοκιμές t του Student για τα σχετικά δείγματα ήταν όλες πάνω από το επίπεδο εμπιστοσύνης a=0.05 δείχνοντας ανεπαρκή στοιχεία έναντι της μηδενικής υπόθεσης ότι δεν υπάρχει σημαντική διαφορά μεταξύ των παρατηρούμενων μέσων μετρήσεων SK-GFR. Ωστόσο, η τιμή p που υπολογίστηκε για τον αριστερό νεφρό και τη χειροκίνητη κατάτμηση ήταν σχετικά μικρή. Περαιτέρω διερεύνηση, που ενδεχομένως περιλαμβάνει μεγαλύτερο δείγμα, είναι απαραίτητη για να επιβεβαιωθεί ή να απορριφθεί η επαναληψιμότητα των μετρήσεων σε αυτήν την περίπτωση.

4. Συζήτηση

Ο πρωταρχικός στόχος αυτής της μελέτης ήταν ο σχεδιασμός μιας αποτελεσματικής μεθόδου γιανεφρότμηματοποίηση σε εικόνες DCE-MR. Συνδυάσαμε τις έννοιες που προτάθηκαν εν μέρει σε προηγούμενα δημοσιευμένα έργα σε ένα ενιαίο υπολογιστικό πλαίσιο. Περιλαμβάνει χονδρική σημασιολογική κατάτμηση του νεφρικού παρεγχύματος, μετασχηματισμό PCA των χρονοδιαδρομών σήματος MR για τη δημιουργία αριθμητικής αναπαράστασης voxels και στη συνέχεια επιτρέπει την ταξινόμηση τους για την παραγωγή λεπτής τμηματοποίησης του νεφρικού ιστού σε φλοιό, μυελό και λεκάνη. Η προτεινόμενη προσέγγιση οδηγεί σε ακριβή αποτελέσματα, επιτρέποντας την αναγνώριση των νεφρών σε ποσοστό 94 τοις εκατό ως προς τον συντελεστή Jaccard. Η τμηματοποίηση συγκεκριμένων νεφρικών διαμερισμάτων μπορεί να επιτευχθεί με IoU μεταξύ 90 τοις εκατό και 93 τοις εκατό (96-95 τοις εκατό του συντελεστή Dice), ανάλογα με τον τύπο ιστού.

Όταν γίνεται αναφορά σε άλλα δημοσιευμένα αποτελέσματα, οι αναλογίες που προκύπτουν είναι είτε σε καλή συμφωνία είτε ελαφρώς χαμηλότερες. Στο [14], το Dice σκοράρει για τους υγιείςνεφρόΗ κατάτμηση αναφέρθηκε στο επίπεδο του 99 τοις εκατό (φλοιός), 98 τοις εκατό (μυελός) και 96 τοις εκατό (λεκάνη). Ωστόσο, φάνηκε επίσης για τα προσομοιωμένα δεδομένα ότι ο θόρυβος της εικόνας μπορεί να υποβαθμίσει σημαντικά την ακρίβεια στο 82-85 τοις εκατό. Δεδομένου ότι τα πρωτόκολλα απεικόνισης που χρησιμοποιήθηκαν σε αυτά και στη μελέτη μας διέφεραν τόσο ως προς τη χωρική όσο και τη χρονική ανάλυση, οι παρατηρούμενες αποκλίσεις στο εύρος του 1-2 τοις εκατό μπορεί να αποδοθούν σε διάφορα επίπεδα θορύβου στις μελέτες μας. Συγκρίσιμες συνθήκες σάρωσης χρησιμοποιήθηκαν σε μια ομάδα παιδιατρικών ασθενών στο [15]. Η μέση βαθμολογία F1-που παρατηρήθηκε σε αυτό ήταν ίση με 93 τοις εκατό για το σύνολονεφρό, και 86 τοις εκατό για τον νεφρικό φλοιό. Στο [12] η τμηματοποίηση που βασίζεται σε ομαδοποίηση αξιολογήθηκε χρησιμοποιώντας βαθμολογίες ακρίβειας. Τα μέσα αποτελέσματα που ελήφθησαν ήταν: 88 τοις εκατό — φλοιός, 91 τοις εκατό — μυελός και 98 τοις εκατό — λεκάνη. Αυτές οι τιμές μπορούν συλλογικά να αναφέρονται ως η βαθμολογία ισορροπημένης ακρίβειας που λαμβάνει υπόψη το μέγεθος ενός δεδομένου τμήματος. Έτσι, το μοντέλο SVM μας φαίνεται να ξεπερνά την προσέγγιση που βασίζεται στην ομαδοποίηση, προσφέροντας ακρίβεια ταξινόμησης, καθώς και ποσοστά ανάκλησης στο επίπεδο του 96 τοις εκατό ακόμη και για τη μεγαλύτερη περιοχή του φλοιού.

Τελικά, το δίκτυο του CNN αφιερώθηκε στην αναγνώριση του συνόλουνεφρόπου περιγράφεται στο [26] έδειξε χαμηλότερη απόδοση από το σχέδιο U-Net, επιτυγχάνοντας F1-score=91,4 τοις εκατό για τα κανονικά υποκείμενα δοκιμής.

Οι παρατηρούμενες διαφορές στα αποτελέσματα τμηματοποίησης θα πρέπει επίσης να εξεταστούν υπό το πρίσμα της διαμόρφωσης εκπαίδευσης-ανάκλησης αλγορίθμου. Σε αντίθεση με ορισμένες εναλλακτικές προσεγγίσεις [11,14], η στρατηγική μας είναι ανεξάρτητη από τον ασθενή. Μόλις κατασκευαστούν τα μοντέλα σημασιολογικής τμηματοποίησης και ταξινόμησης, εφαρμόζονται σε νέες μελέτες, που δεν συναντώνται στο εκπαιδευτικό σύνολο. Ως εκ τούτου, τα ειδικά για τον ασθενή χαρακτηριστικά δεν μπορούν να καθοδηγήσουν τον μηχανισμό αναγνώρισης και μπορεί να μην ταιριάζουν στο εκπαιδευμένο μοντέλο, μειώνοντας το συνολικό ποσοστό ακρίβειας. Επιπλέον, όπως συζητήθηκε παραπάνω, λόγω της επίδρασης μερικού όγκου που παραμένει στα όρια μεταξύ φλοιού, μυελού και λεκάνης, παραμένει κάποια δόση αβεβαιότητας σχετικά με τις χειροκίνητες τμηματοποιήσεις αναφοράς που πρέπει να ληφθούν υπόψη κατά την ανάλυση των αναφερόμενων μετρήσεων. Παρόλο που ο ταξινομητής SVM εκπαιδεύτηκε σε προσεκτικά επιλεγμένα, διακριτικά για τον ιστό σήματα εδάφους αλήθειας, τα δεδομένα επικύρωσης, τα οποία πρέπει να περιλαμβάνουν όλα τα νεφρικά voxels, μπορεί να εξακολουθούν να υποφέρουν από υποκειμενισμό των σχολιασμών του παρατηρητή.

Εκτός από την παρατηρούμενη ισχύ για την παραγωγή ακριβών αποτελεσμάτων κατάτμησης, η στρατηγική μας διαθέτει ένα πλεονεκτικό χαρακτηριστικό. Εφόσον χρησιμοποιούμε έναν εποπτευόμενο ταξινομητή για να εκχωρήσουμε voxels εικόνας στα κατάλληλανεφρόπεριφέρειες, δεν υπάρχει ανάγκη για ξεχωριστό βήμα επισήμανσης. Στην περίπτωση της ομαδοποίησης, είναι απαραίτητο να παρέχεται κάποια ευρετική για την ερμηνεία της πραγματικής κατηγορίας κάθε συστάδας, εάν πρόκειται να διασφαλιστεί η αυτοματοποίηση της όλης διαδικασίας.

Όπως φαίνεται στο Σχήμα 10, υπάρχουν κυρίως δύο πηγές ασυμφωνίας μεταξύ των αυτόματων και των χειροκίνητων σχολιασμών. Πρώτον, το όριο μεταξύ του φλοιού και των μυελικών πυραμίδων είναι ασαφές και τα αντίστοιχα voxels είναι εν μέρει γεμάτα και με τα δύο είδη

του νεφρικού ιστού. Ενώ η αυτόματη μέθοδος τείνει να περιλαμβάνει τέτοια voxels στην κατηγορία του φλοιού, συχνά ορίστηκαν ως μυελός από τον ειδικό. Από την άλλη πλευρά, ακόμη και η χειροκίνητη τμηματοποίηση δεν είναι συνεπής από αυτή την άποψη, γεγονός που αποδεικνύει τη δυσκολία στην αυθαίρετη απόφαση σχετικά με την κατηγορία των voxels όπου το φαινόμενο μερικού όγκου είναι κυρίαρχο. Δεύτερον, μπορούν να παρατηρηθούν ψευδείς ανιχνεύσεις π.χ. στις εξωτερικές άκρες του φλοιού. Αυτά τα εφέ μπορεί να αποδοθούν στην εσφαλμένη καταχώριση εικόνων στον τομέα του χρόνου. Η εφαρμοσμένη μέθοδος εγγραφής b-spline δεν βελτιστοποιήθηκε για τις ανάγκες αυτής της μελέτης και παραμένει το θέμα της μελλοντικής μας έρευνας.

Τα πειράματα που διεξήχθησαν έδειξαν επίσης ότι ο προτεινόμενος αλγόριθμος τμηματοποίησης βελτιώνει την επαναληψιμότητα της εκτίμησης SK-GFR βάσει εικόνας. Οι υπολογισμένοι συντελεστές διακύμανσης ανήλθαν σε 14,5 τοις εκατό και 17,5 τοις εκατό για τα αριστερά και τα δεξιάνεφρά, αντίστοιχα. Στην περίπτωση των μη αυτόματων σχολιασμών, λάβαμε CoV=30,2 τοις εκατό και 29,4 τοις εκατό . Αυτά τα αποτελέσματα πρέπει να αξιολογηθούν σε σχέση με τη φυσική διακύμανση του GFR που προκαλείται από ανεξάρτητους παράγοντες, όπως η διατροφή και η ώρα της ημέρας. Αναμένεται ότι το επίπεδο κρεατινίνης ορού, το οποίο συσχετίζεται καλά με το GFR, μπορεί να επιτύχει βαθμό διακύμανσης έως και 10 τοις εκατό [43]. Ως εκ τούτου, ο CoV περίπου. Το 15 τοις εκατό υποδηλώνει καλή επαναληψιμότητα της διαδικασίας που χρησιμοποιεί αυτοματοποιημένηνεφρόκατάτμηση. Επιπλέον, οι μετρήσεις επαναληψιμότητας που προέκυψαν εμπίπτουν στο εύρος τιμών που παρουσιάζεται αλλού, π.χ. σε [44] CoV=32 τοις εκατό και 27 τοις εκατό , ενώ στο [13], CoV=17.5 τοις εκατό και 15,4 τοις εκατό για το αριστερό και το δεξίνεφρά, αντίστοιχα. Στην τελευταία μελέτη, ωστόσο, ο CoV υπολογίστηκε μόνο με βάση τον λόγο σsm και τον μέσο όρο όλων των μετρήσεων, χωρίς τον πρόσθετο συντελεστή ′2. Εάν αντανακλάται αυτός ο συντελεστής διόρθωσης, τα αναφερόμενα CoV γίνονται 24,7 τοις εκατό και 21,8 τοις εκατό, τα οποία είναι αρκετά κοντά στα ευρήματά μας.

Μπορούν να τεθούν τρεις περιορισμοί της μελέτης μας. Πρώτον, η υποτιθέμενη κατάτμηση σε διορθώσεις εικόνας μπορεί να ωθήσει το δίκτυο σημασιολογικής τμηματοποίησης να μάθεινεφρόθέσεις μόνο κοντά σε ένα από τα άκρα του μπαλώματος. Ως εκ τούτου, σε περαιτέρω ανάπτυξη των μοντέλων μας, θα μελετηθεί πώς λειτουργεί ο αλγόριθμος εάν το οπτικό πεδίο απόκτησης έχει διαμορφωθεί διαφορετικά. Δεύτερον, ο αλγόριθμος τμηματοποίησης σχεδιάστηκε χρησιμοποιώντας μόνο υγιή άτομα. Μπορεί να έχει ιδιαίτερα σημαντικές συνέπειες στην περίπτωση της λεπτής κατάτμησης του νεφρικού παρεγχύματος. Η προσαρμογή του μοντέλου ταξινόμησης στους νεφρούς που πάσχουν μπορεί να απαιτεί επέκταση του αριθμού των κατηγοριών σε περισσότερες από τρεις κατηγορίες (φλοιός, μυελός και λεκάνη) προκειμένου να αντικατοπτρίζονται διάφορα χρονικά χαρακτηριστικά των βλαβών του νεφρικού ιστού. Τρίτον, για να υπολογίσουμε το GFR, προσαρμόσαμε το μοντέλο 2CFM στο μέσο σήμα DCE που εκτιμάται στον τμηματοποιημένο φλοιό. Λόγω του φαινομένου μερικού όγκου, τόσο η χειροκίνητη όσο και η αυτόματη κατάτμηση μπορεί να ταξινομήσει ορισμένα voxels ως μυελώδη, αν και περιέχουν νεφρικά σπειράματα. Η παράβλεψη τέτοιων voxel μπορεί να είναι ένας από τους λόγους για τις παρατηρούμενες αποκλίσεις μεταξύ των μετρήσεων GFR που προέρχονται από την εικόνα και των μετρήσεων GFR που βασίζονται σε ιοεξόλη. Προκειμένου να ξεπεραστεί αυτό το πρόβλημα, ορισμένοι συγγραφείς [5] προτείνουν τη χρήση ROI ολόκληρου του νεφρού για να διασφαλιστεί ότι όλα τα voxel που συμβάλλουν στη νεφρική διήθηση περιλαμβάνονται στη διαδικασία προσαρμογής του μοντέλου PK. Βρήκαμε, ωστόσο, ότι αυτή η προσέγγιση οδηγεί σε μια αξιοσημείωτη υπερεκτίμηση του GFR για τα σύνολα δεδομένων που είναι διαθέσιμα στη μελέτη μας. Ως εκ τούτου, στο μέλλον, σκοπεύουμε να εφαρμόσουμε τεχνικές υπερ-ανάλυσης βασισμένες σε βαθιά μάθηση και να προσπαθήσουμε να επιτύχουμε ακριβέστερους σχολιασμούς των φλοιωδών voxels.

Επιπλέον, θα πρέπει να αξιοποιηθεί μια πλήρως τρισδιάστατη προσέγγιση στη σημασιολογική κατάτμηση. Αναμένεται ότι ένα νευρωνικό δίκτυο ικανό να επεξεργάζεται ολόκληρους όγκους MR θα παράγει πιο ακριβήνεφρόσχολιασμοί χάρη σε πρόσθετες πληροφορίες βάθους. Ωστόσο, το πρόβλημα σε αυτή τη μελέτη έπρεπε να περιοριστεί σε δύο διαστάσεις λόγω του σχετικά μικρού αριθμού μελετών που είναι διαθέσιμες για εκπαίδευση. Η αποσύνθεση των ογκομετρικών εικόνων σε 2D διατομές επέτρεψε να αυξήσει σημαντικά το σύνολο δεδομένων εκπαίδευσης.

Τελικά, όπως περιγράφηκε προηγουμένως, η προτεινόμενη προσέγγιση επικυρώθηκε με τον τρόπο άδειας ενός υποκειμένου. Δημιουργήθηκαν αποτελεσματικά, 10 ανεξάρτητα μοντέλα νευρωνικών δικτύων και ταξινομητών. Ένα εύλογο ερώτημα είναι πώς αυτά τα μοντέλα θα μπορούσαν να εφαρμοστούν σε νέα υποκείμενα εκτός του δείγματος που είναι διαθέσιμο σε αυτή τη μελέτη. Μια επιλογή θα ήταν η δημιουργία ενός συνόλου και η εισαγωγή ενός μηχανισμού ψηφοφορίας. Εναλλακτικά, θα μπορούσε να εκπαιδευτεί ένα νέο σχήμα τμηματοποίησης (που περιλαμβάνει τόσο χονδρόκοκκα όσο και λεπτόκοκκα βήματα) με βάση ολόκληρο το 10-το δείγμα του θέματος. Η απόδοσή του όσον αφορά τα νέα σύνολα δεδομένων θα πρέπει να είναι συγκρίσιμη με τα αποτελέσματα που παρουσιάζονται παραπάνω.

το κιστάνι μπορεί να ανακουφίσεινεφρόπόνος, κάντε κλικ εδώ για να μάθετε περισσότερα

5. Συμπεράσματα

Συμπερασματικά, σε αυτή την εργασία παρουσιάσαμε ένα υπολογιστικό πλαίσιο για την υποστήριξη της ποσοτικής αξιολόγησηςνεφρόαιμάτωση παρέχοντας έναν αυτοματοποιημένο τρόπο κατάτμησης των νεφρικών διαμερισμάτων. Τα ληφθέντα αποτελέσματα ακρίβειας αποδεικνύουν την αξιόπιστη λειτουργία της σχεδιασμένης μεθόδου. Επιπλέον, στα πειράματά μας, εναλλακτικές προσεγγίσεις για τη διάκριση των τμημάτων του φλοιού, του μυελού και της λεκάνης, με βάση τους μετασχηματισμούς κυματιδίων και τους αλγόριθμους ομαδοποίησης αποδίδουν λιγότερο αποτελεσματικά. Η επαναληψιμότητα της μέτρησης SK-GFR με βάση τα αυτόματα εντοπισμένα τμήματα βελτιώνεται σε σύγκριση με τα αποτελέσματα της χειροκίνητης επεξεργασίας και επίσης παραμένει σε καλή συμφωνία με άλλα δημοσιευμένα αποτελέσματα. Η σχεδιασμένη μέθοδος τμηματοποίησης επιτρέπει αυξημένο αντικειμενισμό των παραμέτρων αιμάτωσης που προέρχονται από την εικόνα και επίσης δυνητικά ταχύτερη διάγνωση νεφρικών δυσλειτουργιών. Αυτά τα ευρήματα φέρνουν πιο κοντά την κλινική εφαρμογή της απεικόνισης DCE-MR ως μέθοδο ρουτίνας σενεφρόδιαγνωστικά. Τέλος, προκειμένου να διευκολυνθεί αυτή η μετάβαση από την έρευνα στον τομέα της εφαρμογής, διαθέτουμε το πλαίσιο λογισμικού μας για φαρμακοκινητική μοντελοποίηση στο [39]. Το αποθετήριο περιλαμβάνει επίσης τα σενάρια για εξαγωγή και ταξινόμηση χαρακτηριστικών βάσει σήματος DCE.

Συνεισφορές συγγραφέα:Conceptualization, AK; μεθοδολογία, ΑΚ και ΕΕ· λογισμικό, AK; επικύρωση, AK; επίσημη ανάλυση, ΑΚ; έρευνα, AK; πόρους, EE και AL· επιμέλεια δεδομένων, EE; γραφή — προετοιμασία πρωτότυπου σχεδίου, AK; συγγραφή-αναθεώρηση και επεξεργασία, AL και EE. οπτικοποίηση, ΑΚ; εποπτεία, AL; διαχείριση έργου, AK Όλοι οι συγγραφείς έχουν διαβάσει και έχουν συμφωνήσει με τη δημοσιευμένη έκδοση του χειρογράφου.

Χρηματοδότηση:Αυτή η έρευνα δεν έλαβε εξωτερική χρηματοδότηση.

Δήλωση του Συμβουλίου Θεσμικής Αναθεώρησης:Η μελέτη διεξήχθη σύμφωνα με τη Διακήρυξη του Ελσίνκι και το πρωτόκολλο εγκρίθηκε από τις Περιφερειακές Επιτροπές Δεοντολογίας της Ιατρικής Έρευνας - Δυτική Νορβηγία (REC West 2012/1869).

Δήλωση ενημερωμένης συναίνεσης:Όλα τα υποκείμενα έδωσαν την ενημερωμένη συγκατάθεσή τους για συμπερίληψη πριν συμμετάσχουν στη μελέτη.

Δήλωση διαθεσιμότητας δεδομένων:Οι εικόνες DCE-MR που χρησιμοποιούνται σε αυτή τη μελέτη δεν είναι διαθέσιμες επειδή η γραπτή συγκατάθεση που υπέγραψαν οι συμμετέχοντες δεν κάλυπτε τη συμφωνία για τη δημόσια διάδοση των δεδομένων που αποκτήθηκαν.

Σύγκρουση συμφερόντων:Οι συγγραφείς δηλώνουν ότι δεν υπάρχει σύγκρουση συμφερόντων.

βιβλιογραφικές αναφορές

1. Zabell, JR; Larson, G.; Koffel, J.; Li, D.; Anderson, JK; Βάρος, CJ Χρήση της Εξίσωσης Τροποποίησης της Διατροφής στην Εξίσωση Νεφρικής Νόσου για Εκτίμηση Ρυθμός σπειραματικής διήθησηςστην Ουρολογική βιβλιογραφία. J. Endourol. 2016, 30, 930–933.

2. Delaney, Ρ.; Ebert, Ν.; Melsom, Τ.; Gaspari, F.; Mariat, C.; Cavalier, Ε.; Björk, J.; Christensson, Α.; Nyman, U.; Porrini, Ε.; et al. Κάθαρση πλάσματος ιοεξόλης για μέτρησηρυθμός σπειραματικής διήθησηςστην κλινική πρακτική και την έρευνα: Μια ανασκόπηση. Μέρος 1: Πώς να μετρήσετερυθμός σπειραματικής διήθησηςμε ιοεξόλη; Clin.ΝεφρόJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Ρυθμός σπειραματικής διήθησης: Αξιολόγηση με δυναμική μαγνητική τομογραφία με ενισχυμένη αντίθεση και μοντέλο φλοιώδους διαμερίσματος στο κουνέλινεφρό. J. Magn. Reson. Imaging 2004, 20, 843–849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO MRI-μέτρηση αιμάτωσης και σπειραματικής διήθησης στον άνθρωπονεφρόμε χωριστό μοντέλο διαμερίσματος. Ερευνήστε. Radiol. 2008, 43, 40–48.

5. Tofts, Ρ.; Cutajar, Μ.; Mendichovszky, Ι.; Peters, Α.; Gordon, I. Ακριβής μέτρηση της νεφρικής διήθησης και των αγγειακών παραμέτρων χρησιμοποιώντας ένα μοντέλο δύο διαμερισμάτων για δυναμική μαγνητική τομογραφία με σκιαγραφικό τουνεφρόδίνει ρεαλιστικές κανονικές τιμές. Ευρώ. Radiol. 2012, 22, 1320–1330.

6. Chen, Β.; Zhang, Υ.; Τραγούδι, Χ.; Wang, X.; Zhang, J.; Fang, J. Ποσοτική εκτίμηση της νεφρικής λειτουργίας με δυναμική μαγνητική τομογραφία ενισχυμένης αντίθεσης χρησιμοποιώντας ένα τροποποιημένο μοντέλο δύο διαμερισμάτων. PLoS ONE 2014, 9, e105087.

7. Cutajar, Μ.; Mendichovszky, Ι.; Tofts, Ρ.; Gordon, I. Η σημασία της επιλογής AIF ROI στη ρενογραφία DCE-MRI: Αναπαραγωγιμότητα και μεταβλητότητα της νεφρικής αιμάτωσης και διήθησης. Ευρώ. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, Η.; Bokacheva, L.; Huang, AJ; Oesingmann, Ν.; Chen, Q.; Kaur, Μ.; Prince, Κ.; Τραγούδι, Τ.; Kramer, EL; et al. Μετρήσεις νεφρικής λειτουργίας από νεφρογραφία MR και απλοποιημένο πολυδιαμερισματικό μοντέλο. Είμαι. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS; Blasberg, RG Graphical Evaluation of Blood-to-Brain Transfer Constants from Multiple-Time Uptake Data. Γενικεύσεις. J. Cereb. Blood Flow Metab. 1985, 5, 584–590.

10. Hackstein, Ν.; Heckrodt, J.; Rau, WS Measurement of single-νεφρόΡυθμός σπειραματικής διήθησης χρησιμοποιώντας μια ενισχυμένη με αντίθεση δυναμική αλληλουχία διαβάθμισης-ηχούς και την τεχνική γραφικής παράστασης Rutland-Patlak. J. Magn. Reson. Imaging 2003, 18, 714–725.

11. Zöllner, F.; Sance, R.; Rogelj, Ρ.; Ledesma-Carbayo, Μ.; Rørvik, J.; Santos, Α.; Lundervold, A. Assessment of 3D DCE-MRI of theνεφράχρησιμοποιώντας μη άκαμπτη καταχώρηση εικόνας και τμηματοποίηση μαθημάτων χρόνου voxel. Υπολογιστής. Med. Γράφημα απεικόνισης. 2009, 33, 171–181.

12. Li, S.; Zöllner, F.; Merrem, Α.; Peng, Υ.; Roervik, J.; Lundervold, Α.; Schad, L. Τμηματοποίηση των νεφρικών διαμερισμάτων με βάση κυματίδια σε DCE-MRI του ανθρώπουνεφρό: Αρχικά αποτελέσματα σε ασθενείς και υγιείς εθελοντές. Υπολογιστής. Med. Γράφημα απεικόνισης. 2012, 36, 108–118.

13. Eikefjord, Ε.; Andersen, Ε.; Hodneland, Ε.; Hanson, Ε.; Sourbron, S.; Svarstad, Ε.; Lundervold, Α.; Rørvik, J. Δυναμική μέτρηση μαγνητικής τομογραφίας με ενισχυμένη αντίθεση της νεφρικής λειτουργίας σε υγιείς συμμετέχοντες. Acta Radiol. 2017, 58, 748–757.

14. Yang, Χ.; Le Minh, Η.; Cheng, KTT; Sung, KH; Liu, W. Τμηματοποίηση νεφρικού διαμερίσματος σε εικόνες DCE-MRI. Med. Εικόνα Αναλ. 2016, 32, 269–280.

15. Yoruk, U.; Hargreaves, BA; Vasanawala, SS Αυτόματη νεφρική κατάτμηση για ουρογραφία MR χρησιμοποιώντας 3D-GrabCut και τυχαία δάση. Magn. Reson. Med. 2018, 79, 1696–1707.

16. Lundervold, AS; Lundervold, A. Μια επισκόπηση της βαθιάς μάθησης στην ιατρική απεικόνιση με επίκεντρο τη μαγνητική τομογραφία. Ζ. Für Med. Phys. 2019, 29, 102–127.

17. Khan, Ζ.; Yahya, Ν.; Alsaih, Κ.; Ali, SSA; Meriaudeau, F. Evaluation of Deep Neural Networks for Semantic Segmentation of Prostate in T2W MRI. Sensors 2020, 20, 3183.

18. Shelhamer, Ε.; Long, J.; Darrell, T. Fully Convolutional Networks for Semantic Segmentation. IEEE Trans. Μοτίβο Anal. Mach. Intell. 2017, 39, 640–651.

19. Badrinarayanan, V.; Kendall, Α.; Cipolla, R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. IEEE Trans. Μοτίβο Anal. Mach. Intell. 2017, 39, 2481–2495.

20. Ronneberger, Ο.; Fischer, Ρ.; Brox, T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention, Μόναχο, Γερμανία, 5–9 Οκτωβρίου 2015; σελ. 234–241.