Рамка за оценка на бъбречната функция с помощта на магнитен резонанс

Абстрактна цел: Нефролозиса прогнозирали емпиричнобъбречна функцияотбъбречна морфология. При диагностицирането на случай на бъбречна дисфункция с неизвестен ход, остро бъбречно увреждане и хронично бъбречно заболяване се диагностицират от кръвни изследвания и образно изследване, включително магнитен резонанс (MRI), и се определя политика за преглед/лечение. Предлага се рамка за оценка на бъбречната функция от водни изображения, получени с помощта на метода на Диксън, за да се предостави информация, която помага на клиницистите да достигнат до диагноза чрез точна оценкабъбречна функциявъз основа на ЯМР на бъбреците.

НАТИСНЕТЕ ТУК, ЗА ДА ВЗЕМЕТЕ НАТУРАЛЕН ОРГАНИЧЕН ЕКСТРАКТ ОТ ЦИСТАНША С 25% ЕХИНАКОЗИД И 9% АКТЕОЗИД ЗА БЪБРЕЧНАТА ФУНКЦИЯ

Приближаване:Предложената рамка се състои от четири стъпки. Първо, областта на бъбреците се екстрахира чрез MRI, използвайки метода на Dixon с U-net чрез дълбоко обучение. Второ, извлечената бъбречна област се регистрира с целевата маска. Трето, характеристиките на бъбреците се изчисляват въз основа на информацията за класификация на целевата маска, създадена от специалист. Четвърто, прогнознатаскорост на гломерулна филтрация(eGFR), представляващбъбречна функциясе оценява с помощта на регресионна поддържаща векторна машина от изчислените характеристики.

Резултати:За оценка на точността, ние експериментирахме, за да оценимeGFRкогато е извършен ЯМР иeGFRнаклон, който е годишната скорост на спад на eGFR. Когато точността беше оценена за 165 субекта, беше оценено, че eGFR има средна квадратична грешка (RMSE) от 11,99 и коефициент на корелация от 0.83. Освен това, наклонът на eGFR беше оценен като RMSE от 4,8 и коефициент на корелация от 0.5.

Изводи:Следователно, предложеният метод показва възможността за оценка на прогнозата на бъбречната функция въз основа на водни изображения, получени по метода на Dixon.

Ключови думи:количествена оценкаскорост на гломерулна филтрация; магнитен резонанс;бъбрек.

1. Въведение

Хронично бъбречно заболяване(CKD) се дефинира като трайно намаляване на оцененитескорост на гломерулна филтрация(eGFR) до<60 mL∕ min per 1.73 m2, the presence of abnormalities suggestive of renal injuries, such as proteinuria, or both.1,2 When CKD progresses, renal replacement therapy is required. Moreover, CKD is also important as an underlying condition related toартериосклерозаиимунодефицит, такаХБНможе да се разглежда като свързано с няколко основни причини за смърт.1,2 CKDе глобален медицински проблем, засягащ от 8% до 16% от населението по света.3 Поради голямото разнообразие от причини за ХБН, няма специфична терапевтична интервенция и е необходимо заболяването да се открие рано и да се контролират рисковите фактори за увреждане на бъбреците.

Когато нефролог лекува пациент сбъбречна дисфункцияс неизвестно клинично протичане, нефрологът често се позовава на резултатите от образната диагностика на бъбреците в допълнение към лабораторните данни и медицинската история. За тази цел са полезни бъбречна ултрасонография, абдомино-тазова рентгенова компютърна томография и бъбречно магнитно резонансно изображение (MRI). Нефрологът предвижда потенциалната бъбречна функция, предложена от морфологията, и отразява този потенциал в планирането на лечението. MRI има особено добра разделителна способност по отношение на контраста на меките тъкани и с използването на подходящи методи за изобразяване е възможно да се получи подробна информация за вътрешната структура на бъбрека, като например кортикомедуларната граница.4 Освен това, MRI може също предоставят данни за физиологичните аспекти на бъбреците. T2* стойността на оксигенацията на кръвтав зависимост от нивото(BOLD) методът е индекс на исхемия/хипоксия, която може да доведе до прогресиране на ХБН и е в значителна корелация със скоростта на влошаване на ХБН. свързано с бъбречна фиброза и значително корелира с патологичните находки от бъбречна биопсия.7 Както е описано по-горе, има големи очаквания по отношение на ЯМР като неинвазивен и многостранен метод за оценка на бъбреците, но ЯМР има един недостатък, тъй като няма наличен метод за цялостно количествено определяне на изображения.

Традиционно медицинските изображения се измерват по метода на региона на интерес (ROI). При метода ROI се избира правоъгълна или кръгла област и средната стойност на интензитетите на сигнала в областта се използва като представителна стойност. Проблемите с този метод включват възможността произволните решения, взети от наблюдателя, да включват трудности при включването на информация за местоположението и факта, че само част от изображението може да бъде измерена. Pruijm et al.5 предложи метода на 12-слоеви концентрични обекти (TLCO) за анализ на бъбречната област чрез разделяне на тази област на 12 слоя. Методът TLCO е метод за обозначаване на вътрешната и външната страна на бъбречната област и анализ на цялата област въз основа на 12-те слоя. Външната (кора) и вътрешната (медуларна) област на бъбрека имат различни структури и функции, а методът TLCO отчита особената структура на бъбрека. Освен това се съобщава, че методът TLCO е по-стабилен от метода ROI, тъй като цялата бъбречна област е стратифицирана и анализирана просто чрез уточняване на външните и вътрешните области.8 Обаче изображенията, получени клинично, могат да бъдат атрофирани или деформирани, когато бъбрекът е увреден и може да показва индивидуални различия или да съдържа кисти. Поради това не винаги е възможно бъбреците да се разделят равномерно на множество слоеве, което води до нестабилни находки. Ето защо има желание за напълно автоматичен и стабилен метод за анализ на бъбреците.

Като изчерпателен метод за количествено определяне на бъбречни изображения, Kuo et al.9 предложиха метод за оценка на eGFR по време на изследването, използвайки дълбоко обучение и ултразвукови изображения. За разлика,компютърно подпомагана диагностика(CAD) са докладвани проучвания за ЯМР на бъбреците и проучвания върху трансплантирани бъбреци. Khalifa et al.10 предложиха рамка, която оценява отхвърлянето на трансплантирани бъбреци, като се използва методът за динамично контрастно-магнитен резонанс (DCE-MRI) с динамични серии. При този метод изображенията, получени чрез времеви серии DCE-MRI, се подравняват и бъбречната област се екстрахира, като се използва методът за ниво. След това подравняването се коригира и кортексът се изчислява и анализира въз основа на яркостта от екстрахираната бъбречна област. Shehata et al.11 предложиха метод за оценка на отхвърлянето на трансплантирани бъбреци с помощта на дълбоко обучение. Методът DCE-MRI изисква контрастно вещество и не може да се прилага вслучаи на ХБН. Освен това е трудно да се извлече кората въз основа на яркостта при увредени бъбреци.

В това проучване се опитахме да разрешим горните проблеми и да разработим цялостен метод за оценка на ЯМР на бъбреците, който може да се приложи като клиничен тест. Като се възползва от тясната връзка между бъбречната морфология и бъбречната функция, изображенията на водата, използвани в метода на Диксън за оценка на вътрешната структура на бъбрека, бяха използвани за оценка на целта, а правилният етикет беше eGFR, който е индекс на бъбречна функция. Техниките на Dixon разчитат на разликата в резонансната честота между мазнините и водата и следователно се получават изображения само с мазнини, само с вода, във фаза и извън фаза.12 В бъбреците, където богатите на вода паренхимът на органа е заобиколен от мазнини, Dixon или подобни потиснати от мазнини изображения ясно разграничават бъбречния паренхим от околната структура. Ние предлагаме метод за извличане на бъбречната област от изображения с магнитен резонанс с U-мрежа, превръщане на извлечената бъбречна област в нетвърдо тяло в целевата маска и след това анализиране на тази област въз основа наTLCOна целевата маска.

Фиг. 1 Предложена CAD система за оценка на наклона на скоростта на гломерулна филтрация от ЯМР с помощта на метода на Диксън.

2 Материал и методи

Предложената автоматизирана рамка е показана на Фиг. 1. Предложената рамка използва следните четири стъпки за обработка на ЯМР на метода на Диксън:

1. Сегментиране на бъбречната област от околните коремни структури чрез U-net.

2. Отстраняване на шум чрез триизмерно (3D) етикетиране. 3. Нетвърда регистрация на областта на бъбреците и целевата маска. 4. Изчисляване на TLCO. 5. Оценка на бъбречната функция (eGFR) чрез регресионна поддържаща векторна машина (SVM).

В тази статия предложеният метод е автоматичният метод TLCO (A-TLCO), който компенсира слабостите на докладвания по-рано метод TLCO и автоматизира процеса на измерване. Подробностите за метода са описани по-долу, за да се разграничи предложеният метод от конвенционалния ръчен метод TLCO.

2.1 Област на бъбреците

Сегментира се от околните коремни структури чрез U-net Водните изображения по метода на Диксън, използван в това изследване, имат ясна бъбречна област. В допълнение, този раздел описва груба екстракция на бъбречната област. Затова решихме да използваме U-net, за който е известно, че дава добри резултати за извличане на площи на медицински изображения.13 Използвани са коронални срезове на водни изображения на Dixon. Има три до шест нарязани изображения на обект, а размерът на изображението е 320 × 320. Използвахме 1201 изображения от 174 случая. Всички изображения са създадени от специалист като изображение на бъбречна сегментация. Фигура 2 показва U-мрежата, използвана за екстракция на бъбречна област. Мрежата прави разлика между три класа: бъбрек, бъбречни граници и друга тъкан. Съществува обаче небалансирано разпределение на пробите в класа на бъбречните граници в сравнение с другите класове тъкани. Използвахме претеглена загуба на кръстосана ентропия, за да компенсираме този дисбаланс и да постигнем по-точно обучение при обучение на мрежата. Използвахме softmax с претеглена загуба на кръстосана ентропия за мрежов изход и истинско сравнение на етикети.

Фиг. 2 Архитектурата на U-net, използвана за екстракция на бъбречна област в това проучване.

Фиг. 3 Резултати от екстракция на бъбречна област чрез U-net: (a) оригинал, (b) маска и (c) резултат.

Минимизирането на разходите за 50 епохи беше извършено с помощта на адаптивния оптимизатор за оценка на момента със скорост на обучение от 0,0001. Времето за обучение за тази мрежа беше ~1 час на работна станция с NVIDIA TITAN RTX GPU × 2. Общо 1201 изображения бяха разделени на 600 и 601 изображения и беше извършена класификация за извличане на бъбречната област. След това беше извършен експериментът за оценка на бъбречната функция за всички субекти. Фигура 3 показва резултатите от екстракцията, получени от U-net. Фигура 3(a) е входно изображение, а Фигура 3(b) е изображение на учител. Фигура 3(c) показва резултата от екстракцията. Може да се потвърди, че има малко фалшиви положителни резултати и че регионът близо до бъбречната област може да бъде извлечен.

2.2 Фалшиво откриване

Отстраняване чрез 3D маркиране Въпреки че бъбречната област, открита от U-net, беше много точна, възникна фалшиво откриване. Фалшивите положителни резултати се извличат за органи, различни от бъбреците, както е показано на Фиг. 4(b). Това може да се дължи на факта, че когато U-net се обучава с 64 × 64 пача, се губи пространствена информация, по-голяма от размера на пача. За да се подобри този проблем, се разглеждат методи, включващи откриване на местоположението на бъбрека чрез откриване на обект, като Faster R-CNN14 или YOLOv3,15, и прилагане на семантично сегментиране в тесен регион. Въпреки това, в това изследване границата на бъбрека от U-мрежата е добре дискриминирана и има малко фалшиви положителни резултати за други органи, така че няма нужда да се усложнява процесът. Затова решихме да извършим 3D етикетиране за всеки обект и да изключим области, различни от тези с голяма площ. Обработените резултати са показани на Фиг. 4. Фигури 4(a)–4(c) показват резултатите от екстракцията чрез U-net. Може да се потвърди, че фалшивите положителни резултати се появяват в области, различни от бъбречната област. Фигури 4(d)–4(f) показват резултатите от 3D етикетиране и изключване на области с 3D област от 2500 пиксела или по-малко. Тази процедура беше приложена към всичките 1201 изображения и беше потвърдено, че няма случаи на случайно увреждане на бъбречната област.

Фиг. 4 Площ на бъбрека, получена чрез U-net: (a) срез 1, (b) срез 2 и (c) срез 3. Резултат от елиминирането на зоната на шум чрез 3D етикетиране: (d) срез 1, (e) срез 2 и (f) срез 3.

2.3 Нетвърда регистрация на областта на бъбреците и целевата маска

Ефективен метод за оценка на бъбречната функция е да се анализира структурата на бъбрека, като същевременно се разглежда бъбрекът анатомично.5,16 Въпреки това, изискват се време и усилия, за да може специалист да извлече ръчно бъбречната област. Освен това ръчните измервания ще доведат до различни резултати в зависимост от специалиста. Следователно, ние предлагаме метод, чрез който автоматично да се идентифицират позициите на кората и медулата на всички изображения чрез регистриране на всички бъбречни области, извлечени от U-net, към една целева маска. Методът на регистрация се извършва в две стъпки с помощта на функция MATLAB. Първата стъпка е базирана на яркост афинна трансформация. Методът за регистриране, базиран на яркостта, изчислява приликата между две изображения, повтаря афинната трансформация, така че приликата да е висока, и оценява геометричната трансформация (транслация/въртене/мащабиране/срязване) с най-висока прилика. Резултатите от обработката са показани на Фиг. 5. Фигура 5(a) е оригиналното изображение. Фигура 5 (b) показва резултатите от извличане на бъбречната област чрез U-net. Фигура 5(c) е целевата маска. Фигура 5(c) е бъбречната област на нормално бъбречно изображение, извлечено от специалист. Типичният пациент има два бъбрека. В това изследване ние анализираме бъбрека с по-голяма площ. На фиг. 5(b) левият бъбрек е по-голям. Като такъв левият бъбрек се извлича и регистрира с целевата маска. Фигура 5 (d) показва псевдоцветно изображение на целевата маска и първоначалната позиция на извлечения бъбрек. Псевдоцветното изображение показва целевата маска в зелено, извлечения бъбрек в магента и припокриващите се пиксели и на двата в бяло. Резултатът от афинната трансформация е показан на фиг. 5(e). След това формата се модифицира фино чрез регистриране с помощта на поле за изместване, базирано на яркостта.9,10 В тази статия регистрацията се извършва с помощта на полето за изместване, базирано на алгоритъма на демоните на Thirion.1,2 Резултатът от модификацията на изображението, показано в Фиг. 5(e), използвайки полето на изместване, е показано на Фиг. 5(f). Фината форма е модифицирана, за да се доближи до целевата маска. Фигура 5(g) показва окончателното регистриране на изображението.

Фиг. 5 Резултат от твърда трансформация: (a) оригинално изображение, (b) резултат от U-net, (c) целева маска, (d) начална позиция, (e) афинна трансформация, (f) поле на изместване и (g) ) резултат от регистрацията.

2.4 Изчисляване на TLCO

В това изследване методът TLCO се използва за анализ на бъбречната функция. Методът TLCO определя вътрешните (медуларната страна) и външните (кортикалната страна) граници на бъбречния паренхим и разделя бъбречната област на 12 слоя отвън навътре. Методът на наслояване не е обяснен в документа на TLCO.8 Следователно, в това проучване ние изчислихме TLCO, използвайки преобразуване на геодезично разстояние.17 Когато преобразуването на геодезичното разстояние въвежда двоично изображение на бъбречната област и семенно изображение, изображението за преобразуване на разстоянието е генерирани въз основа на началното изображение. Фигура 6(a) показва двоично изображение на бъбречната област, извлечено от специалист. Фигура 6(b) показва семенно изображение, направено от специалист. Фигура 6(c) показва псевдоцветно изображение на преобразуването на геодезично разстояние. Въпреки това, изображението, показано на Фиг. 6 (c), не е получено чрез разделяне на бъбречната област на 12 слоя. Следователно резултатът от преобразуването на геодезично разстояние беше нормализиран в 12 слоя. По-конкретно, броят на слоевете беше разделен на максималната стойност и след това умножен по 12. Нормализираното псевдоцветно изображение за преобразуване на геодезично разстояние е показано на Фиг. 6(d). Целевата маска е много важна, защото пряко влияе върху изчислението на метода TLCO. В това проучване решихме да използваме два вида изображения, изображение на нормален бъбрек, избрано от специалист, и изображение на бъбрек с най-голям регион. Тъй като методът TLCO разделя бъбрека на 12 слоя, изчислението с малък атрофирал бъбрек е трудно. Следователно изображение на бъбрек с малка площ не може да се използва като целева маска. Фигура 7 показва резултатите от прилагането на метода TLCO към MRI изображения на пациенти. Фигура 7(a) е нормално изображение, избрано от специалист. Фигура 7(b) показва резултатите от специализираната екстракция на бъбречната област от Фигура 7(a). Фигура 7(c) е псевдоцветно изображение, разделено на 12 слоя по метода TLCO. Фигура 7(d) е изображение на бъбрека с най-голяма площ. Фигура 7(e) показва резултата от специалиста, извличащ бъбречната област от Фигура 7(d). Фигура 7(d) е псевдоцветно изображение, разделено на 12 слоя по метода TLCO.

2.5 eGFR, използван за оценка

Бъбречна функция чрез RSVM В метода TLCO използвахме 12 измервания, по едно за всеки слой, за да оценим кортикомедуларния градиент на интензитета на MR сигнала въз основа на следните определения:

Поддържаща услуга на Wecistanche-най-големият износител на cistanche в Китай:

Имейл:wallence.suen@wecistanche.com

Whatsapp/телефон:+86 15292862950

Пазарувайте за повече подробности за спецификациите:

https://www.xjcistanche.com/cistanche-shop