Здравословно сегментиране на бъбреците в изображенията на Dce-Mr с помощта на конволюционна невронна мрежа и характеристики на временния сигнал

Артур Клепачко1, Ели Ейкефиорд²и Арвид Лундерволд^2,3,4

Резюме:Количественото определяне на бъбречната перфузия въз основа на динамично магнитно-резонансно изобразяване с усилен контраст (DCE-MRI) изисква определяне на времевите курсове на интензитета на сигнала в областта на бъбречния паренхим. По този начин изборът на воксели, представляващибъбректрябва да се извършва със специално внимание и представлява едно от основните технически ограничения, което възпрепятства по-широкото използване на тази техника като стандартна клинична рутина. Ръчното сегментиране на бъбречните отделения – дори ако се извършва от експерти – е често срещан източник на намалена повторяемост и възпроизводимост. В този документ представяме рамка за обработка за автоматичнобъбрексегментиране в DCE-MR изображения. Рамката се състои от два етапа. първо,бъбрекмаските се генерират с помощта на конволюционна невронна мрежа. След това вокселите на маската се класифицират към една от трите области – кора, медула и таз – въз основа на времевите курсове на интензитета на сигнала на DCE-MRI. Предложеният подход беше оценен върху група от 10 здрави доброволци, които бяха подложени на DCE-MRI изследване. MRI сканирането се повтаря при двукратни събития в рамките на 10-дневен интервал. За задачата за семантично сегментиране използвахме класическа U-Net архитектура, докато експериментите върху класифицирането на воксели бяха извършени с помощта на три алтернативни алгоритъма – опорни векторни машини, логистична регресия и дървета с екстремен градиент, сред които SVM даде най-точните резултати. Стъпките както на сегментиране, така и на класификация бяха извършени от поредица от модели, всеки обучен отделно за даден субект, използвайки данните само от други участници. Средната стойност постигна точност на цялотобъбрексегментирането е 94 процента по отношение на IoU коефициента. Кората, медулата и таза бяха сегментирани с IoU, вариращи от 90 до 93 процента в зависимост от тъканта и страната на тялото. Резултатите също бяха валидирани чрез сравняване на получените от изображението перфузионни параметри с наземни измервания на истината наскорост на гломерулна филтрация(GFR). Повторяемостта на изчислението на GFR, оценена чрез коефициента на вариация, беше определена на ниво от 14,5 и 17,5 процента съответно за левия и десния бъбрек и се подобри спрямо ръчното сегментиране. Възпроизводимостта, от своя страна, беше оценена чрез измерване на съответствието между получените от изображението и базираните на йохексол стойности на GFR. Изчислените абсолютни средни разлики бяха равни на 9,4 и 12,9 mL/min/1,73 m2 за сесии на сканиране 1 и 2 и предложения метод за автоматизирано сегментиране. Резултатът за сесия 2 беше сравним с ръчното сегментиране, докато за сесия 1 възпроизводимостта в автоматичния конвейер беше по-слаба.

Ключови думи:ЯМР с динамичен контраст; конволюционни невронни мрежи;бъбрексегментиране; фармакокинетично моделиране; количествено определяне на перфузията; скорост на гломерулна филтрация

Контакт: ali.ma@wecistanche.com

Кликнете върху Cistanche herba за бъбречно заболяване

1. Въведение

Бъбречната функция се оценява рутинно чрез измерване на нивото на серумния креатинин. Въз основа на стойността си,скорост на гломерулна филтрация(GFR) може да се оцени, като се използва например уравнението за промяна на диетата при бъбречно заболяване [1]. Друг метод за определяне на GFR, който наскоро придоби популярност в клиничните условия, е тестът за плазмен клирънс на йохексол. Някои автори постулират, че този метод замества техниката на златния стандарт, базирана на клирънс на инулин в урината [2]. Всички тези процедури обаче позволяват количествено определяне на GFR едновременно и за дветебъбреци. Следователно, динамичното контрастно-усилено магнитно-резонансно изображение (DCE-MRI) се явява като привлекателна алтернатива - то позволява неинвазивен мониторинг на ефективността на филтриране в единбъбреккато същевременно предоставя информация с пространствено разделяне на тъканни лезии като фокална сегментна гломерулосклероза.

По принцип DCE-MRI изследването произвежда серия от T1-претеглени обеми, получени на множество отделни времеви стъпки от процедурата на сканиране. Методът се състои в интравенозно приложение на болус контрастно вещество (КА) на базата на гадолиний. Докато CA болусът преминава през коремното артериално дърво, капилярното легло и тубулните системи набъбрецитой ефективно увеличава времето за релаксация Т1 на проникналите тъкани, като по този начин променя контраста в изображението. Времевата динамика на тази промяна на интензитета на сигнала на изображението отразява физиологичните условия на бъбречната функция и съставлява основата за фармакокинетично (PK) моделиране на бъбречната перфузия.

Редица от предложените PK модели се опитват да опишат математически процеса на кръвообращение в различни органи. По отношение набъбрек, повечето от моделите приемат, че сигналът, измерен в даден тъканен воксел, е сбор от приноси, произхождащи от поне две отделения - интраваскуларно (IV) и извънклетъчно екстраваскуларно (EEV) пространства [3–6]. Освен това, както във всеки PK модел, доставянето на гадолиниевия индикатор през захранваща артерия към интересуващия ни орган се капсулира от така наречената артериална входна функция (AIF). На практика AIF в случай на бъбречни изследвания е времевият ход на концентрацията на контрастното вещество в коремната аорта [7]. Чрез навиване на AIF с изместващо и дисперсионно ядро ​​се получава концентрация на индикатор в IV отделението. В крайна сметка, времевата крива на концентрацията в EEV пространството е пропорционална на интеграла на концентрацията в IV отделение, по избор модулирана от експоненциален фактор, представляващ изтичането от бъбречните тубули. Коефициентът на пропорционалност, често означаван като Ktrans, контролира скоростта на трансфер на CA от IV към EEV отделение. Ktrans, умножен по обема на органа, директно води до изчисляването на GFR.

Съществуват по-сложни, многокомпонентни подходи (напр. [8]), въпреки че потенциалното им клинично приложение е под въпрос. Трудността се състои в необходимостта да се гарантира стабилността на оптимизацията на такива параметри на модела, докато се напасват кривите на модела към наблюдаваните данни. Освен това тези модели изискват сегментиране набъбрекпаренхим в кората и медулата. Това изискване всъщност се прилага и за модели с две отделения. Класическият модел, предложен в [3], който се основава на общия модел на Rutland–Patlak [9,10], е приложим само за областта на кората. От друга страна, прилагането на модела на двукомпонентна филтрация [5] към целия бъбрек е приемливо за фазата на поемане. Ако някой иска да измери перфузията, анализът отново трябва да бъде ограничен само до кората. Във всеки случай трябва да се изключи областта на таза, която събира контраста в екскреторната фаза на изследването. Следователно, автоматизирането на процедурата за анализ на данни от DCE-MRI изисква не само очертаване на бъбрека, но и етикетиране на всеки бъбречен воксел като принадлежащ към кортикален, медуларен или тазов клас.

Проблемът набъбрексегментирането е разглеждано от много автори. Често вокселите се класифицират въз основа на техния интензитет във времето. Например в [11] алгоритъмът за k-средни стойности се използва за групиране на воксели в клъстери въз основа на техните времеви курсове на интензитета на сигнала. Този подход е доразвит в [12], където времевите курсове на интензитета на сигнала са предварително обработени от дискретната вълнова трансформация. В крайна сметка трябва да се използва някакъв вид евристика, базирана на двете присъщи характеристики на клъстерите и връзката между тях, за да се определи кой клъстер представлява кора, медула, таз и фон. Изцяло неконтролираният извод страда от шумни входни данни, които не могат да бъдат недвусмислено класифицирани в анатомично значими категории. Това е особено очевидно по отношение на вокселите, разположени на границите между кората и медулата. Те са присвоени на класа "други части", който съдържа воксели също извънбъбрек.

Следователно, често следвана стратегия се състои в това първо да се отдели едно цялобъбрекот други части на изображението. Очертаните региони на интерес трябва точно да пасват на границите на бъбреците, за да се отърват от всички съседни воксели. Пример за такова решение са картите на площта под кривата (AUC), използвани например в [13]. Тези воксели в последователността на DCE-MRI, които са проникнати от трасиращия агент, изглеждат ярки на AUC картите поради най-голямата площ под техните времеви курсове на интензитета на сигнала. Поучително е да се отбележи, че този подход изисква или ръчна, или автоматична последваща обработка, за да се премахнат екстраренални структури, големи кръвоносни съдове и канали за събиране на урина.

Стратегията за сегментиране от грубо към фино също беше приложена в [14], където беше въведена концепцията за максимално стабилни времеви обеми (MSTV). Функциите на MSTV позволяват разпознаванебъбрецичрез откриване на пространствено хомогенни и стабилни във времето структури. Фино зърнесто сегментиране се получава чрез намаляване на времевите курсове на воксели до вектори на основните компоненти, които след това се разделят чрез k-средни стойности на множество клъстери. В крайна сметка обаче получените сегменти трябва да бъдат итеративно прецизирани, за да се премахнат всички останали шумове. По същия начин, в изследването, описано в [15], първият етап от процедурата на сегментиране се състои от характеризиране на динамиката на усилване на сигнала на коремните тъкани. Наблюдава се, че медулата, за разлика от кората, черния дроб или далака, проявява стабилно нарастване на интензитета на сигнала, възникващо по-късно в последователността на придобиване. След като се идентифицират воксели на медулата, се извършва дилатация, последвана от алгоритъма GrubCut за създаване на бъбречни маски. Фината настройка се постига чрез класифициране на воксели с предварително обучен случаен горски класификатор. Вокселите се характеризират със съответните им интензитети на изображението в избрани времеви рамки на динамичната последователност, както и тяхното местоположение в рамките на ROI, конструирани в първия етап.

Въпреки че приносите, базирани на MSTV и GrubCut, изглежда дават задоволителни резултати за множество набори от данни, те са доста концептуално сложни алгоритми, недостъпни нито в търговски, нито в софтуер с отворен код. Като такива, те не могат лесно да бъдат приети от клиничната общност.

От друга страна, неотдавнашният напредък в архитектурите на конволюционните невронни мрежи и широката наличност на техните софтуерни реализации правят методите за задълбочено обучение особено привлекателни при приложение към сегментирането на биологични тъкани в медицински изображения. Ефективността на CNN в разнообразни сценарии на анализ на данни от ЯМР е подробно обсъдена в изчерпателния преглед на [16]. По-конкретно, в [17] различни мрежови архитектури, т.е. напълно конволюционна мрежа [18], SegNet [19], U-Net [20] и DeepLabV3 plus [21], са тествани за семантично сегментиране на рак на простатата в T 2-претеглен ЯМР. Анатомичните MR изображения също са анализирани в [22]. Авторите разработиха персонализирана CNN архитектура за автоматично очертаване на поликистозабъбреци. Друг интересен подход е представен в [23], където дълбокото обучение е използвано за директно извеждане на мозъчни перфузионни карти от DCE-MRI последователност без изрично монтиране на PK модел към измерените сигнали.

Има няколко публикувани проучвания за приложението на CNN за сегментиране набъбрецив образи от компютърна томография [24,25]. Въпреки това, управляваното от DL сегментиране набъбрекв наборите от данни за ЯМР с усилен контраст все още остава неизчерпана тема. Като изключителен пример за публикувани трудове, специално посветени на бъбречните DCE-MRI изследвания, може да се спомене статията на Haghighi et al. [26]. Те изградиха и обучиха каскада от две мрежи на CNN. Входът към тази каскадна структура е 4D DCE-MR изображение. Първата мрежа грубо локализира левия и десния бъбрек в изображението, докато втората е отговорна за точното очертаване на бъбречните граници. Въпреки това, не е извършено допълнително сегментиране в кората или медулата, тъй като само целият бъбречен паренхим е използван за изчисляване на GFR.

В светлината на горните съображения подходът, представен в тази статия, е отговор на необходимостта от автоматичен алгоритъм, който от една страна точно да разпознавабъбрециотделения в рамките на DCE-MR изображението, докато от друга страна е сравнително лесно да се възпроизведе от всеки изследователски екип. Затова предлагаме:

1. използвайте CNN архитектура за семантично сегментиране набъбрекпаренхим,

2. описват паренхимните воксели с агрегати от характеристики, получени от трансформацията на вълновите форми на интензитета на сигнала чрез анализа на главните компоненти (PCA),

3. разграничаване на областите на кората, медулата и таза чрез класифициране на извлечените вектори на характеристиките на PCA.

Подробности за използваните алгоритми са представени в Раздел 2. В Раздел 3 ние оценяваме резултатите от сегментирането и как проектираното решение влияе върху стабилността на оценените PK параметри. Докато извършваме тази оценка, ние също предполагаме, че е възможно да се изгради универсална изчислителна схема, която е способна да произвежда правилни сегментации за нови субекти, базирани единствено на исторически данни. Вярваме, че такава схема може да бъде широко разпространена и приложена в клиники с или малко никакви усилия за адаптиране към персонализирани протоколи за получаване на изображения. За да постигнем тази цел, ние валидирахме предложения изчислителен процес по начин без един субект. Създадохме поредица от машини за сегментиране и класификация, всяка от които е обучена върху различна група пациенти. След това даден двигател е тестван върху обект, невиждан по време на фазата на обучение. Дискусията на получените резултати е дадена в Раздел 4.

2. Материали и методи

2.1. Данни за ЯМР

Експериментите и алгоритмите, представени в тази статия, са проектирани с помощта на набор от 20 последователности от измервания, получени от 10 здрави доброволци. MRI изследванията бяха извършени на 1,5 T единица (Siemens Magnetom Avanto, Erlangen, Германия). Протоколът за събиране на данни включва изобразяване на всеки субект два пъти, с интервал от 10 дни, като се използва методът на ехото с 3D развален градиент с усилен контраст (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- равнинна разделителна способност=2.2 × 2,2 mm2, дебелина на среза=3 mm, матрица за придобиване=192 × 192, брой срезове=30). Контрастното средство (0.025 mmol/kg GdDOTA) се прилага интравенозно при скорост на потока 3 mL/s. Всяка последователност от измервания се състои от 74 кадъра, получени на интервали от 2,3 s.

За да се намалят артефактите при движение, протоколът за изображения е проектиран да получава изображения при задържане на дъха. Първо, осем базови обема преди контраста бяха получени по време на периода на задържане на дъха 18-. На 7 s след инжектирането на гадолиний, участниците бяха инструктирани да задържат дъха си за 26 s за перфузия без движение при първо преминаване. След това, по време на фазата на филтриране, периодите на задържане на дъха се съкращават до 13 s и се преплитат с 26 s свободно дишане. За да се улесни дишането, субектите получават назално кислород при скорост на потока от 1 L/min.

Останалотобъбрек движението беше коригирано при последваща обработка чрез изпълнение на b-сплайн регистрация на всяка DCE-MRI последователност. За тази цел използвахме имплементацията на алгоритъм B-splines от софтуерната библиотека Insight Toolkit (ITK) [27]. Във всяка последователност ние избрахме референтна рамка, съответстваща на средна точка на фазата на перфузия и след това я използвахме като фиксиран обем, към който беше съпоставен всеки друг (подвижен) обем. Регистрацията на B-сплайнове беше извършена напълно автоматично, т.е. не бяха маркирани опорни точки върху тъканите, представляващи интерес. Освен това процедурата беше стартирана в многоетапна конфигурация. Във всеки етап бяха използвани различни настройки на размера на мрежата и честотите на подпроби. За подробно тълкуване на тези параметри, читателят се насочва към документацията на ITK. Накратко, те позволиха извършването на регистрация на изображения в различни мащаби - започвайки от грубо съвпадение и след това прецизирайки резултата.

За необходимостта от проектиране и оценка на алгоритмите, всички томове бяха ръчно анотирани от рентгенолог с опит в MR урографията. Във всяка времева рамка, отляво и отдяснобъбрецибяха очертани. След това, в два кадъра, свързани с фазите на перфузия и екскреция, паренхимните воксели бяха присвоени на кората, медулата или таза.

Между прегледите доброволците са подложени на процедура за изчистване на йохексол. На субектите е приложена доза от 5 mL йохексол (300 mg I/mL; Omnipaque 300, GE Healthcare). След това бяха определени стойностите на GFR на земята, за да се даде възможност за валидиране на получени от изображения оценки на перфузия.

Участниците бяха инструктирани да отказват алкохол и богати на протеини ястия, да избягват прекомерно физическо натоварване, да бъдат нормално хидратирани поне 2 дни преди прегледа и да не пият кофеин в деня на прегледа. За да се осигурят сравними условия на изследване между сесиите на сканиране и теста за клирънс на йохексол, също така се препоръчва да се поддържа редовно време за хранене и диета. Всички доброволци дадоха своето писмено информирано съгласие за участие в проучването, което беше одобрено от Институционалния съвет за преглед на университетската болница Хаукеланд Берген, Норвегия.

2.2. Преглед на тръбопровода за сегментиране

Предложеният тръбопровод за сегментиране е визуализиран на Фигура 1. Първоначалното грубо сегментиране се осъществява от напълно конволюционна невронна мрежа на U-Net структурата. Тази стъпка беше извършена върху последващи двуизмерни напречни сечения на едно обемно изображение от DCE-MRI последователността. Това изображение съответства на рамката на най-високото усилване на сигнала в областта на кората, когато разделянето на бъбречния паренхим на кората и медулата е ясно видимо.

Приехме, че едно напречно сечение може да бъде разделено на лява и дясна страна, всяка с ширина 96- пиксела. От дадена страна е възможно да се локализира централно парче изображение с височина 96-пиксела, покриващо изцяло единбъбрек. По този начин гарантирахме, че ляво и дяснобъбрецисе сегментират и обработват отделно. Понастоящем нашият метод изисква това предположение да се запази по време на фазата на извикване на мрежовата операция. По време на обучението беше достатъчно изображението да съдържа поне част от бъбречния паренхим. Освен това размерът на пластира 96 × 96 беше коригиран към разделителната способност в равнината на данните от DCE-MRI, налични в това проучване, и трябва да бъде модифициран при различни конфигурации на придобиване.

Грубото сегментиране понякога може да изисква допълнително усъвършенстване, за да се отхвърлят малки екстраренални клъстери от фалшиво сегментирани пиксели. В нашия алгоритъм свързаните компоненти бяха идентифицирани и само най-големият беше предаден на следващия етап. Освен това имайте предвид, че въпреки че нашата стъпка на семантично сегментиране беше извършена в 2D, тя беше приложена към всички напречни сечения на даден обем. Следващите анализи бяха извършени вокселно, така че ефективно GFR беше изчислен от всички нефрони, разпределени в 3D ROI на кората.

Благодарение на регистрацията на изображения във времевата област,бъбрекмаските, генерирани за един кадър, могат да бъдат приложени към всички останали кадри от динамичната серия. По този начин, на бъбречните воксели бяха предписани характерни вектори, съставени от стойности на интензитета на MRI сигнала, измерени в следващите времеви точки. За да получим по-общи характеристики на динамиката на сигнала, ние извлякохме агрегати от характеристики, използвайки PCA трансформация. 20-те най-информативни агрегата бяха избрани, за да опишат всеки бъбречен воксел. В крайна сметка класификатор, обучен да прави разлика между времевите характеристики на кората, медулата и тазовите области, присвои воксел на подходяща категория.

Обосновката зад предложения двуетапен подход беше да се гарантира, че окончателното разпознаване се основава на максимално уверени анотации на основата на истината. Ако беше CNN да сегментира кортекса от медулата и таза, ще трябва да се създадат точни целеви маски и анотаторът ще трябва да вземе решение къде се намира действителната граница между различните тъкани. В много случаи това не е тривиално поради ефекта на частичния обем. Следователно, подобно решение и следователно обученият мрежов модел може да бъде предубеден към уникално изживяване на наблюдател. Като алтернатива решихме да обучим класификатор, използващ сигналите само от недвусмислени места, както е описано по-долу. По-късно, по време на предходния извод, алгоритъмът беше отговорен за обективното разграничаване на воксели, принадлежащи към всякакви спорни региони.

И накрая, всички изчислителни единици на предложената процедура - CNN и модел на класификатор, както и матрицата за трансформация на PCA - бяха получени за кохорта от пациенти, независими от обработения в момента набор от данни. В следващите подраздели предоставяме подробности за изпълнението на отделните модули на алгоритъма.

2.3. Cnn за семантична сегментация

Сред наличните варианти на U-Net използвахме изпълнението, публикувано на [28]. Тъй като се различаваше от архитектурата, описана в оригиналната статия [20], първо се обобщиха специфичните характеристики на тази структура, съобразени с нуждите на нашето изследване.

2.3.1. Мрежова архитектура

Конволюционната невронна мрежа U-Net първоначално е разработена за сегментиране на невронни структури в електронни микроскопични стекове и се оказа ефективна в множество други биомедицински приложения. Както беше казано, входът към нашия модел беше 2D изображение в сиво ниво — напречно сечение на единичен 3D DCE-MRI обем. Размерът на пластира беше коригиран на 96 × 96 пиксела (вижте Фигура 2).

Характерната черта на U-Net е, че съдържа две симетрични части - свиваща и разширяваща се пътека. Целта на свиващия път е да кодира модели на интензитет на пикселите на изображението чрез извършване на навиване със серия от 3 × 3 филтри с обучаеми тежести. Изходните данни на филтрите активират основните обработващи компоненти на мрежата – невроните, наречени ректифицирани линейни единици (ReLU). Те позволяват моделиране на нелинейни връзки между характеристиките на изображението и изходната сегментационна карта. По този начин етапът на кодиране може да се сравни с процес, известен в цифровата обработка на изображения като извличане на характеристики. Тя е последвана от операцията за максимално обединяване, която намалява картите на характеристиките.

Свиването се повтаря четири пъти, за да се извлекат дескриптори на изображението на различни нива на мащаба. Всяко ниво всъщност се формира от блок, съставен от два конволюционни слоя, всеки последван от слой за нормализиране на партида, който поддържа постоянно средно и стандартно отклонение на изходните вграждания в дадена партида. По този начин партидното нормализиране гарантира, че характеристиките с динамика с нисък интензитет имат еднаква важност като тези, чийто обхват е по-голям. Двойките слоеве за навиване и нормализиране са разделени от слоя за отпадане, който произволно задава 20 процента от входните възли на 0. Този механизъм, активен само по време на фазата на обучение, предотвратява пренастройването на мрежата [29].

Резултатът от последния блок за понижаване на семплиране, наричан "тясно място", се предава на пътя за разширяване или декодиране. Той е изграден от същия брой нива на семплиране нагоре като контрактивната част и основната му задача е да възстанови оригиналната пространствена разделителна способност. В това проучване повишаването на пробите беше реализирано чрез транспонирана конволюция. Всеки блок за декодиране също беше съставен от две двойки слоеве за конволюция и пакетна нормализация. За разлика от кодиращите блокове обаче между тях не е вмъкнат механизъм за отпадане. Нещо повече, картите на характеристиките с висока разделителна способност, извлечени в пътя на низходящо семплиране, не само подават следващите кодиращи слоеве, но също така са свързани към входовете на декодиращите слоеве на съответните нива на пътя на възходящо семплиране. Тези допълнителни връзки помогнаха на декодиращите блокове да се възстановятбъбрекпо-прецизно локализиране на сегменти.

Както може да се види на Фигура 2, кодиращите блокове се състоят от нарастващ брой конволюционни филтри, отиващи по-надолу в свиващия път. Започвайки от 64 филтъра в първите два конволюционни слоя, броят на картите на характеристиките достигна 1024 в тясното място, като се удвоява при всяко ниво на понижаване на пробите. Напротив, броят на филтрите в пътя на разширяване беше разделен на коефициента две на всяка възходяща стъпка. В резултат на това последната карта на характеристиките отново имаше дълбочина от 64.

Изходът от последния блок за вземане на проби беше свързан към конволюционен слой с филтри с размер 1 × 1-. Той извърши пикселна конволюция на ядрото на филтъра с 64-element feature vector и след това изпрати резултата на функция за активиране на изхода. В нашия дизайн беше използвано сигмоидно активиране, тъй като окончателното решение беше двоично - пикселът принадлежеше на бъбречния паренхим или фон.

2.3.2. обучение

Теглата на мрежата бяха инициирани до произволно състояние по метода на He et al. [30]. Процесът на обучение беше проведен върху изображения, изрязани от обемите на DCE-MRI, всеки от които съдържа един, ляв или десенбъбрекнапречно сечение. Както е описано по-горе, 96 × 96- пикселни образни петна бяха извлечени от обеми на DCE последователността, съответстващи на фазата на перфузия, т.е. времеви рамки на максималния контраст на сигнала между кората и медулата. За да увеличим броя на тренировъчните изображения, за всяко изследване ние всъщност избрахме три такива времеви рамки - тази с максимално усилване на сигнала в областта на кората, една предходна и една следваща времева рамка. Във всеки обем на изображението, единиченбъбрексе вижда средно на 12 резена. Той даде приблизително 1440 тренировъчни корекции.

Въпреки че U-Net мрежите обикновено могат да се справят с малки проби за обучение, ние решихме допълнително да разширим набора от данни чрез увеличаване на данните. Това беше постигнато чрез избиране на 10 различни вертикални позиции на пластира на изображението и чрез произволно отразяване в хоризонтална посока. Докато избирахме позициите на пластира, ние се уверихме, че той обхваща достатъчно голяма част от центъра на изображението, съдържащ значителни фрагменти от бъбречния паренхим (виж Фигура 3). Като цяло броят на изображенията, достъпни за обучение, достигна стойност от 13 964. Една трета от обучителните изображения бяха разделени за целите на валидирането.

Обучихме 10 различни модела на CNN, по един за всеки пациент. При изграждането на модел, посветен на даден предмет, съответните му изображения (независимо от изпитната сесия) бяха премахнати от наборите за обучение и валидиране и използвани само за тестване. Теглата на мрежата бяха актуализирани с помощта на алгоритъма за стохастичен градиент на спускане с постоянна скорост на обучение=0.01 и импулс=0.99. Функцията на загубите, избрана за оптимизиране, беше двоичният критерий за кръстосана ентропия, дефиниран като

където N е броят на воксели, Yi е истинският етикет на воксел и p(Yi) е прогнозата на мрежата, че i-тият вектор наистина принадлежи към клас Yi, с 0 < p(Yi) < 1. Освен това , за да се следи качеството набъбрексегментиране през тренировъчни епохи, ние изчислихме коефициента на Jaccard, по-нататък обозначен като IoU (пресичане над обединение)

където K обозначава броя на пикселите в обработен срез, а y е предвидената категория пиксели. Тук категориите са с булеви стойности и пикселът е означен като True, ако принадлежи набъбрек, False в противен случай. В случая на всеки субект алгоритъмът за оптимизация се изпълнява за 50 епохи. Запазеният модел съответства на епохата с минимален резултат на функцията на загуба, получена за набора от данни за валидиране.

2.4. Класификация наБъбрекВоксели

2.4.1. Извличане на функции

Разграничаването на воксели, представляващи конкретни бъбречни отделения, може да се основава на времеви курсове на интензитета на необработения сигнал. Предлагаме обаче да трансформираме сигнални вълнови форми, т.е. вектори от 74 времеви характеристики, в пространството с намалена размерност, използвайки анализ на главните компоненти (PCA). Целта на тази трансформация е не само да намали сложността на получения класификационен модел, но и да извлече по-общи характеристики набъбректъкан, представител за различни теми. Нещо повече, дори в едно и също клинично звено, DCE изобразяването може да се извърши в последователност, която, въпреки че покрива подобен времеви диапазон, има различна времева разделителна способност. Следователно, система за вземане на решения, която приема единен модел на характеристики, чрез използване на PCA трансформационен обект като адаптер, може да бъде приложена към вектори с входни данни с променлива дължина.

Предполагахме, че извлечените PCA компоненти трябва да обяснят най-малко 90 процента от първоначалната вариация на набора от данни. За да се изпълни това изискване за всеки предмет, трябваше да бъдат конструирани най-малко 20 характеристики. Както забелязахме, по-големият брой компоненти не доведе до по-висока точност на класификацията.

2.4.2. Класификация на векторите на характеристиките

Присвояването на бъбречни воксели към кората, медулата или таза се извършва от класификатор, обучен по контролиран начин. В нашия подход историческите данни служат като модели за изграждане на подходящи правила за вземане на решения, по-късно приложени към нови проучвания. Тествахме три класификационни алгоритъма, за да намерим най-добрата схема за всички предмети. Изследваните методи включват логистична регресия, поддържащи векторни машини и XGBoost дървета на решения. По-долу си припомняме характеристиките на използваните алгоритми и описваме как са подготвени данните за обучение.

Обучавайте и тествайте набори от данни.Обучителните вектори бяха получени от региони на интерес, ръчно анотирани в съответните паренхимни места. Анотациите бяха направени само във воксели, чието членство беше недвусмислено (вижте Фигура 4a, b), като по този начин позволи на обучен класификатор да вземе решение за доминиращата тъканна категория в случай на воксели, частично запълнени с различни отделения. Броят на векторите за обучение, събрани от 20-те налични прегледа, надхвърли стойността от 60, 000. Този набор от данни беше разделен на 10 гънки, всяка съдържаща вектори на данни от всички, с изключение на един субект, оставени отделно за целите на тестването. В дадена гънка разпределението на класовете беше приблизително както следва: кора - 58 процента, медула - 31 процента, таз - 11 процента. За да се даде шанс на класификаторите да се научат да разграничават категориите с еднаква точност, във всяка тренировъчна гънка подмножествата, представляващи кора и медула, бяха взети повторно, за да съответстват на размера на категорията на таза. Средно наборът за обучение след повторно вземане на проби обхваща над 16 000 вектора на сгъване. В дадено тренировъчно сгъване бяха включени данни от двете изпитни сесии. От друга страна, гънките за тестване съдържаха от 600 до 4800 вектора в зависимост от пациента и сесията за изследване. Класификаторите бяха оценени с помощта на резултата за балансирана точност, изчислен върху наборите от тестове.

Логистична регресия.Логистичният регресионен класификатор моделира вероятността вектор на характеристиките да принадлежи към една от двете категории. Алгоритъмът напасва линейна функция към данните за обучение и резултатът от регресионното уравнение за дадена точка от данни се предава на логистичната трансформация

където p(yi|xi) означава вероятността за клас yi дадена точка от данни xi с Yi e {{{0}}, 1}, докато тегловният вектор w заедно с пресечната точка w0 определят монтираната регресия линия.

Като такова, уравнение (3) се прилага за проблеми с двоична класификация. Следователно, в случай на три бъбречни области, или трябва да се изградят три класификатора едно срещу почивка, или е подходящ мултиномиален регресионен модел [31]. В нашите експерименти използваме последния вариант. Параметрите w на линейния модел се намират чрез минимизиране на функцията на разходите за логаритмични загуби с L2 регуляризиращ член:

където нашето изследване K=3 и pi,c е предвидената вероятност векторът да принадлежи към клас c. Горният проблем с оптимизацията беше решен с алгоритъма за спускане на стохастичен среден градиент (SAG) [32], внедрен в пакета Scikit-Learn [33]. Избрахме SAG поради препоръката му за големи набори от данни и поддръжка за L2 регуляризация.

Поддържащи векторни машини. Машините за поддържащи вектори (SVM) съставляват клас алгоритми, които конструират хиперравнина с максимален марж, разграничаваща различни категории [34]. Решението относно членството в категория на вектор x се определя от знака на уравнението на хиперравнината

където аз обозначавам индекса на пример за обучение, xi е съответен вектор на характеристиките и Yi е неговият истински етикет на класа. При монтирането на този модел към данните за обучение се решава проблем с ограничена квадратична оптимизация. В резултат на това се намира набор от ненулеви множители на Ланграж ai, които заедно със съответните им опорни вектори xi и параметъра за изместване b определят местоположението и ориентацията на търсената граница.

Точковият продукт в (5) може да бъде заменен от функция на ядрото, за да позволи прилагането на SVM към нелинейни проблеми. Трикът на ядрото имплицитно трансформира векторите на характеристиките в пространство с по-високо измерение, в което става възможно да се определи разделителната хиперравнина. Фигура 4в показва разпределението на подгрупата на обучителните вектори за един от участниците. Тази визуализация е получена чрез трансформиране на данните от пространството на агрегатите от 20 PCA функции в пространство от три измерения, използвайки метода на t-разпределено стохастично съседно вграждане (TSNE) [35]. Може да се види, че въпреки че линейното разделяне на класовете кора, медула и таз е правдоподобно, разделителната граница може да бъде по-добре моделирана от някаква нелинейна функция. В нашите експерименти най-добрите резултати бяха осигурени от ядрото на радиалната базисна функция

където |.|обозначава é2-нормата. Тъй като в реалните набори от данни перфектното разделяне на класовете е рядко, критерият за оптимизация позволява - чрез допълнителен параметър на метода, обикновено обозначен с буквата C - позволява на определен брой точки от данни да нарушат границата на решението. Параметрите и C допринасят обратно за сложността на SVM модела. Следователно, ние настроихме техните стойности, използвайки изчерпателния алгоритъм за търсене в мрежата в петкратен експеримент за кръстосано валидиране. Най-добри резултати са отчетени за=0.05 и

C = 1.

XGBoost дървета на решенията.Концепцията за екстремно усилване на градиента (XGBoost) беше въведена от Chen и Guestrin [36], за да се улесни обучението на ансамбъл от класификационни и регресионни дървета (CART). За разлика от класическите произволни гори, алгоритъмът за обучение формализира механизма за регулиране и използването на многостранни обективни функции на загуба. Благодарение на тези предимства, той наскоро се оказа ефективен при множество проблеми с машинното обучение, включващи големи набори от данни с висока размерност.

Изграждането на ансамбъл XGBoost се основава на стратегията на така нареченото допълнително обучение. На всяка стъпка t към модела се добавя ново дърво, което минимизира общата функция на загубата

където t ü 1) е етикетът на класа, предвиден от ансамбъла, конструиран досега, l измерва грешката между прогнозирания и истинския етикет Yi, докато ft съответства на дървовидна структура от T листа, която присвоява на всеки с вектор от данни резултат wq (xi), като q е функция, която разпределя точка от данни xi на даден лист на дърво. Както T, така и теглата wj определят члена на регуляризацията

където и λ параметрите контролират влиянието на размера на дървото и оставят резултати върху наказателната стойност. В конфигурацията, използвана в нашето изследване, и λ бяха зададени съответно на {{0}}.1 и 0.9. Освен това броят на дърветата в ансамбъла беше равен на 10, а максималната разрешена дълбочина на едно дърво беше 4. В крайна сметка използвахме функцията soft-max като обективен критерий l.

2.5. Фармакокинетично моделиране

Освен оценката на резултатите от сегментирането директно с използването на IoU коефициента, ние също сравнихме получените от изображението стойности на GFR с наземните измервания, базирани на йохексол. За целите на определянето на GFR използвахмебъбрек-специфичен двукамерен филтрационен модел (2CFM) [5]. Този PK модел разгражда бъбречната тъкан в интраваскуларното (IV) и екстрацелуларното екстраваскуларно (EEV) пространства и не допуска тубуларен отток в рамките на периода на моделиране. Въпреки че моделът може да се използва за оценка на бъбречната перфузия или в кората, или в целия бъбречен паренхим, само предишният регион трябваше да се вземе предвид при изчисляване на GFR.

Независимо от разглежданата бъбречна област, за да се напасне моделът към измерен сигнал S(t), съответният среден интензитет на изображението трябва да бъде преобразуван във формата на вълната на концентрацията Ctissue(t). Постигнахме го с помощта на трансформацията, описана в [37], коригирана към градиентната ехо последователност. От друга страна, C тъкан (t), описана от модела 2CFM, се управлява от уравнението

където С означава функцията на артериалния вход, VP — обемна фракция на плазмата и С — концентрация на СА в кръвната плазма. Първият член в (9) представлява концентрацията на CA в EEV пространството, докато вторият член обхваща концентрацията в IV пространството, получена чрез конволюция на артериалната входна функция с функцията на съдовия импулсен отговор (VIRF), дефинирана като

Като такъв, VIRF моделира забавянето и дисперсията на AIF спрямо потока CA през капилярното легло. Променливите Tg—времевата константа на дисперсията и X—интервалът на забавяне, заедно с обемната фракция VP и константата на пренос Ktrans формират пълния набор от параметри на модела 2CFM. Тяхната оценка обикновено се извършва в процедурата за напасване на кривата на нелинейните най-малки квадрати (NLLS). Методът Trust Region-Reflective [38], използван в това изследване, е един от възможните оптимизатори, използвани за числено решаване на проблема с NLLS. За разлика от методите надолу-симплекс, той позволява да се задават ограничения върху стойностите на параметрите и по този начин да се гарантира, че крайните оценки попадат във физиологичния диапазон. Ограниченията, предполагаеми в нашето проучване, са изброени в таблица 1.

Ние внедрихме алгоритъма за оптимизация на модела 2CFM в персонализирания софтуер, написан на Python, достъпен за изтегляне от [39]. Алгоритъмът беше стартиран за всеки пациент, използвайки регионите на кората, или получени автоматично от гореописания тръбопровод за сегментиране, или анотирани ръчно. Във всеки случай AIF се определя автоматично с помощта на нашия метод, публикуван по-рано в [40].

2.6. Статистически анализ

Една от целите на автоматизирането на процеса на сегментиране на DCE-MR изображения е да се осигурят стабилни и повтарящи се оценки на перфузията. Следователно, ние проведохме t-теста на Стюдънт за свързаните (повтарящи се) проби, за да проверим нулевата хипотеза за равни средни стойности на GFR, оценени при две събития на изследване. Освен това изчислихме коефициента на повторяемост, дефиниран като [41]

където σdiff е стандартното отклонение на разликите между GFR, направени при един и същи субект, а ╱poold означава средната стойност на всички измервания. Количеството ′2σdiff, наричано също стандартно отклонение на единично измерване (σsm), е оценка на стандартното отклонение на разликите в двойки от потенциално много последователни измервания [42]. В допълнение към оценката на повторяемостта, възпроизводимостта на базираната на изображение оценка на GFR беше оценена с помощта на диаграми на Bland-Altman. В крайна сметка резултатите от анализа, постигнати за автоматично намерените бъбречни сегменти, бяха сравнени с ръчни анотации.

Cistanche може да облекчибъбрециефективно

3. Резултати

Фигура 5 показва примерни изходи на мрежата за семантично сегментиране за двама от участващите субекти заедно с маските за анотации на основната истина. Съответните процеси на обучение са визуализирани на Фигура 6, която показва развитието на показателите за загуба и оценка както за наборите за обучение, така и за валидиране. Човек може да забележи, че след първите няколко епохи кривите на IoU за наборите за обучение и валидиране лежаха близо една до друга и мрежата не влезе в състояние на пренастройване. Едновременно с това имаше монотонно намаляване на функцията на загубата, което доказа, че мрежата е придобила способност за обобщение. IoU коефициентите на сходство между ръчните пояснения и автоматично намеренитебъбрекрегионите, получени след отстраняване на извънбъбречните острови, несвързани с главните сегменти, са събрани в таблица 2. Средната IoU за всички субекти и проучвания=0.94 и изглежда странично безразлична.

В следващия етап паренхимните воксели бяха класифицирани в отделни бъбречни отделения. Сравнение на трите тествани класификатора е представено в таблица 3. Той оценява всеки метод по отношение на три показателя – балансирана точност, припомняне и прецизност. Последните две бяха определени за всяка бъбречна категория поотделно. Показателят за балансирана точност беше получен като средната стойност на истинските положителни проценти, получени за определени класове. Всички представени резултати са средни стойности за 20 тествани субекта. Трите тествани класификатора постигнаха подобна производителност по отношение на истинските положителни нива (приблизително 95 процента). Като цяло обаче SVM показа най-добре балансирана точност (96 процента) и също така спечели по-голяма от другите методи способност за избягване на фалшиво положителни откривания. Беше особено очевидно

за областта на таза, където точността е=92 процента срещу 89 процента, предложена от логистична регресия и класификатори XGBoost.

Високите нива на точност на класификацията се превърнаха в еднакво добри резултати от сегментирането (Таблица 2), които отново бяха оценени с помощта на коефициента на Jaccard. Този път обаче той беше изчислен като сумата от IoU, определени за всеки регион поотделно и след това претеглени от неговата поддръжка, т.е. броят на вокселите на земната истина, представляващи даден клас. За да позволим сравнение с другите произведения, ние преизчислихме получените проценти на Jaccard към коефициентите на Dice (F1-резултат) с формулата.

Използвайки нашия алгоритъм, постигнахме средния коефициент на Жакард за класа на кората влявобъбрекравно на 93,2 процента. В случая на другите региони, IoU се равнява на приблизително 91 процента, с изключение на класа на таза влявобъбрек където спадна до 90,1 процента. Качеството на финото сегментиране може да бъде визуално потвърдено чрез анализиране на примери забъбрек разлагане на региони, показано на Фигура 7. За да позволим оценката в по-широк контекст, ние също извършихме сегментиране с два алтернативни метода, предложени в литературата. Първият се състои в извличане на характеристиките на DCE сигнала с помощта на дискретна вълнова трансформация (DWT) с вълновата вълна на Daubechies-4, както е постулирано например в [12]. След това класифицирахме векторите на DWT коефициента с помощта на SVM алгоритъма. Във втория сравняван метод векторите на характеристиките на PCA бяха групирани с помощта на алгоритъм за k-средни стойности (с k=3), както е описано в [14]. Този втори подход не успя да разграничи правилно кортекса и медулата. По-голямата част от воксели, представляващи и двата региона, бяха обхванати в общ клъстер и само тазът беше разпознат като автономна част от паренхима на повечето от напречните сечения. За разлика от резултатите, получени чрез групиране, регионите, произведени по контролиран начин, използвайки DWT-базирано описание на воксели, са по-точни. Въпреки това, броят на фалшивите разпознавания е очевидно по-висок, отколкото в случая на вектори на характеристики на PCA. Полученият резултат за балансирана точност за SVM класификатора беше само 78 процента в този случай. Вижте последните два реда на Таблица 3 за количествено сравнение на тези алтернативни схеми за разделяне с Xgboost, линейна регресия и най-добрия в нашето изследване SVM/PCA алгоритъм.

Резултатите от етапа на сегментиране бяха използвани за определяне на средните сигнали в бъбречната кора. След това този сигнал беше монтиран към фармакокинетичния модел 2CFM. Фигура 8 представя как едно-бъбрекскорости на гломерулна филтрация(SK-GFR), получени по този начин, съответстват на съответните резултати, получени с помощта на ръчните анотации. Средните стойности на SK-GFR за всички субекти и проучвания, получени след автоматично и ръчно сегментиране, са сходни (56 срещу 55 mL/min/1,73 m2) и наблюдаваната разлика е статистически незначима (T-статистика=0.75, p-стойност=0.46). В допълнение, линейното съответствие между двата типа измервания доказва доброто им съответствие с r2=0.13 и 0.49 за сесии за MR изследване съответно 1 и 2.

Графиките на Бланд-Алтман, показани на Фигура 9, ни позволяват да оценим съответствието на общите GFR с нивата на йохексол, базирани на основната истина. Преди прилагането на метода на Bland-Altman, нормалното разпределение на измерванията беше потвърдено с помощта на теста на Shapiro-Wilk. Получените p-стойности са дадени в съответните легенди на графиката. Средната разлика за сесия на MR изследване 1 по отношение на абсолютни стойности е по-малка за ръчни сегментации ( ü0.8 срещу ü7.4 mL/min/1.73 m2). В случая на сесия 2, стойностите на ╱d бяха последователни между методите за сегментиране, въпреки че съгласието с референтния метод беше по-слабо. Предложеният алгоритъм обаче изглежда се представя малко по-добре ( ü 12,9 спрямо ü 14,1 mL/min/1,73 m2). Въз основа на получените резултати не може да се реши кой сегментационен подход осигурява по-тесни граници на съгласие. В случая на сесия 1, сравнението е в полза на ръчното сегментиране (π=31.3 срещу 35,5 mL/min/1,73 m2). Въпреки това, най-тесните граници на съгласие и доверителни интервали във всички експерименти са получени за сесия 2 и автоматично маркиране (π=25.1 mL/min/1.73 m2). И двата подхода за сегментиране доведоха до повтарящи се резултати (вижте таблица 4) с коефициент на вариация, равен на 30,2 процента в най-лошия случай (ръчно сегментиране, влявобъбрек). Очевидно автоматичното сегментиране гарантира по-добра стабилност с два пъти по-ниски коефициенти на вариация, отколкото в случая на ръчни аналогове. P-стойностите, получени в t-тестовете на Стюдънт за свързаните проби, всички бяха над ниво на достоверност a=0.05, което показва недостатъчно доказателство срещу нулевата хипотеза за липса на значима разлика между наблюдаваните средни стойности на SK-GFR измервания. Въпреки това, p-стойността, изчислена за левия бъбрек и ръчната сегментация, е сравнително малка. По-нататъшно изследване, потенциално включващо по-голяма проба, е необходимо, за да се потвърди или отхвърли повторяемостта на измерванията в този случай.

4. Обсъждане

Основната цел на това проучване беше да се създаде ефикасен метод забъбрексегментиране в DCE-MR изображения. Комбинирахме концепциите, частично предложени в предишни публикувани произведения, в единна изчислителна рамка. Той включва груба семантична сегментация на бъбречния паренхим, PCA трансформация на времевите курсове на MR сигнала, за да създаде числено представяне на воксели и след това да даде възможност за тяхната класификация, за да произведе фина сегментация на бъбречната тъкан в кора, медула и таз. Предложеният подход води до точни резултати, позволявайки разпознаване на бъбреците със скорост от 94 процента по отношение на коефициента на Жакард. Сегментирането на определени бъбречни отделения може да се постигне с IoU между 90 процента и 93 процента (96–95 процента от коефициента на Dice), в зависимост от типа тъкан.

При позоваване на други публикувани резултати, получените съотношения са или в добро съответствие, или малко по-ниски. В [14] оценката на зарове за здравибъбрексегментацията е докладвана на ниво от 99 процента (кортекс), 98 процента (медула) и 96 процента (таз). Въпреки това, също така беше показано за симулирани данни, че шумът в изображението може значително да влоши точността до 82–85 процента. Тъй като протоколите за изображения, използвани там и в нашето проучване, се различават както по отношение на пространствената, така и на времевата разделителна способност, наблюдаваните несъответствия в диапазона от 1–2 процента могат да се дължат на различни нива на шум в нашите проучвания. Сравними условия на сканиране са използвани в една група педиатрични пациенти в [15]. Средният F1-резултат, наблюдаван там, е равен на 93 процента за цялотобъбреки 86 процента за бъбречната кора. В [12] базираното на клъстериране сегментиране беше оценено с помощта на резултати за точност. Средните получени резултати са: 88 процента — кортекс, 91 процента — медула и 98 процента — таз. Тези стойности могат да се наричат ​​общо балансиран резултат за точност, който отчита размера на даден сегмент. По този начин изглежда, че нашият SVM модел превъзхожда базирания на клъстери подход, предлагащ точност на класификацията, както и нива на припомняне на ниво от 96 процента дори за най-голямата област на кората.

В крайна сметка мрежата на CNN се посвети на признаването на цялотобъбрекописано в [26] показа по-ниска производителност от нашия U-Net дизайн, постигайки F1-резултат=91.4 процента за нормалните субекти на теста.

Наблюдаваните разлики в резултатите от сегментирането също трябва да се разглеждат в светлината на конфигурацията за обучение-извикване на алгоритъма. За разлика от някои алтернативни подходи [11,14], нашата стратегия е независима от пациента. След като моделите за семантична сегментация и класификация са изградени, те се прилагат към нови изследвания, които не се срещат в набора за обучение. Следователно, специфичните за пациента характеристики не могат да ръководят механизма за разпознаване и може да не отговарят на обучения модел, намалявайки общия процент на точност. Освен това, както беше обсъдено по-горе, поради ефекта на частичен обем, продължаващ на границите между кортекса, медулата и таза, остава известна доза несигурност по отношение на сегментациите на референтния наръчник, които трябва да бъдат взети под внимание при анализиране на докладваните показатели. Въпреки че SVM класификаторът е обучен върху внимателно подбрани, отличителни за тъканите сигнали за истина на земята, данните за валидиране, които трябва да обхващат всички бъбречни воксели, все още могат да страдат от субективизъм на анотациите на наблюдателя.

Освен наблюдаваната сила за получаване на точни резултати от сегментирането, нашата стратегия притежава една изгодна характеристика. Тъй като използваме контролиран класификатор, за да присвоим воксели на изображението на подходящибъбрекрегиони, няма нужда от отделна стъпка за етикетиране. В случай на клъстериране е необходимо да се осигури някаква евристика за интерпретиране на действителната категория на всеки клъстер, ако трябва да се осигури автоматизация на цялата процедура.

Както е показано на Фигура 10, има главно два източника на несъответствие между автоматичните и ръчните анотации. Първо, границата между кората и медуларните пирамиди е двусмислена и съответните воксели са частично запълнени и с двата вида

на бъбречната тъкан. Докато автоматичният метод има тенденция да включва такива воксели в класа на кората, те често са били определяни като медула от експерта. От друга страна, дори ръчното сегментиране не е последователно в това отношение, което доказва трудността при произволно вземане на решение за класа воксели, където ефектът на частичния обем е доминиращ. Второ, могат да се наблюдават фалшиви откривания, например по външните кортикални ръбове. Тези ефекти могат да бъдат приписани на неправилното регистриране на изображения във времевата област. Приложеният метод за регистрация на b-spline не е оптимизиран за нуждите на това проучване и остава тема на нашето бъдещо разследване.

Проведените експерименти също показаха, че предложеният алгоритъм за сегментиране подобрява повторяемостта на оценката на SK-GFR на базата на изображение. Изчислените коефициенти на вариация възлизат на 14,5 процента и 17,5 процента за ляво и дяснобъбреци, съответно. В случай на ръчни анотации получихме CoV=30.2 процента и 29,4 процента. Тези резултати трябва да бъдат оценени по отношение на естествената вариация на GFR, причинена от независими фактори, като диета и време на деня. Очаква се, че нивото на серумния креатинин, което корелира добре с GFR, може да достигне степен на вариация до 10 процента [43]. Следователно CoV от прибл. 15 процента показва добра повторяемост на процедурата, която използва автоматизиранабъбрексегментация. В допълнение, получените показатели за повторяемост попадат в диапазона на стойностите, представен другаде, например в [44] CoV=32 процента и 27 процента, докато в [13], CoV=17.5 процента и 15,4 процента за отляво и отдяснобъбреци, съответно. В последното изследване обаче CoV беше изчислен само като съотношението на σsm и средната стойност на всички измервания, без допълнителния коефициент ′2. Ако този коефициент на корекция бъде отразен, техните докладвани CoV стават 24,7 процента и 21,8 процента, което е доста близо до нашите открития.

Могат да бъдат повдигнати три ограничения на нашето изследване. Първо, предполагаемото разделяне на кръпки на изображения може да накара мрежата за семантично сегментиране да научибъбрекместа само близо до един от краищата на пластира. Следователно, при по-нататъшното развитие на нашите модели, ще бъде проучено как работи алгоритъмът, ако зрителното поле на придобиване е конфигурирано по различен начин. Второ, алгоритъмът за сегментиране е проектиран само с помощта на здрави субекти. Особено значими последици може да има в случай на фина сегментация на бъбречния паренхим. Приспособяването на класификационния модел към болните бъбреци може да изисква разширяване на броя на класовете до повече от три категории (кора, медула и таз), за да се отразят различни времеви характеристики на лезиите на бъбречната тъкан. Трето, за да изчислим GFR, монтирахме модела 2CFM към средния DCE сигнал, оценен в сегментирания кортекс. Поради ефекта на частичен обем, както ръчното, така и автоматичното сегментиране може да класифицира някои воксели като медуларни, въпреки че съдържат бъбречни гломерули. Пренебрегването на такива воксели може да бъде една от причините за наблюдаваните несъответствия между получените от изображения и базирани на йохексол GFR измервания. За да се преодолее този проблем, някои автори [5] предлагат да се използва ROI на целия бъбрек, за да се гарантира, че всички воксели, допринасящи за бъбречната филтрация, са включени в процеса на напасване на PK модела. Установихме обаче, че този подход води до забележително надценяване на GFR за наборите от данни, налични в нашето проучване. Следователно в бъдеще планираме да приложим техники за супер разделителна способност, базирани на дълбоко обучение, и да се опитаме да постигнем по-прецизни анотации на кортикални воксели.

Освен това трябва да се използва напълно 3D подход към семантичното сегментиране. Може да се очаква, че една невронна мрежа, способна да обработва цели обеми от MR, ще произвежда по-прецизни резултатибъбреканотации благодарение на допълнителна задълбочена информация. Въпреки това, проблемът в това проучване трябваше да бъде сведен до две измерения поради сравнително малкия брой проучвания, налични за обучение. Разлагането на обемни изображения в 2D напречни сечения позволи значително да се увеличи наборът от данни за обучение.

В крайна сметка, както беше описано по-горе, предложеният подход беше валидиран по метода на изключване на един субект. Бяха създадени ефективни 10 независими модели на невронни мрежи и класификатори. Легитимен въпрос е как тези модели могат да бъдат приложени към нови субекти извън извадката, налична в това проучване. Единият вариант е да се създаде ансамбъл и да се въведе механизъм за гласуване. Като алтернатива може да се обучи нова схема за сегментиране (включваща както груби, така и фини стъпки) въз основа на цялата 10-извадка от субекта. Неговото представяне по отношение на нови набори от данни трябва да бъде сравнимо с представените по-горе резултати.

cistanche може да облекчибъбрекболка, щракнете тук, за да научите повече

5. Изводи

В заключение, в този документ ние демонстрирахме изчислителна рамка за подкрепа на количествената оценка набъбрекперфузия чрез осигуряване на автоматизиран начин за сегментиране на бъбречните отделения. Получените резултати за точност доказват надеждната работа на проектирания метод. Освен това, в нашите експерименти, алтернативните подходи за разграничаване на сегментите на кората, медулата и таза, базирани на вълнови трансформации и алгоритми за клъстериране, се представят по-малко ефективно. Повторяемостта на измерването на SK-GFR въз основа на автоматично намерени сегменти се подобрява в сравнение с резултатите от ръчната обработка и също така остава в добро съответствие с други публикувани резултати. Проектираният метод на сегментиране позволява повишен обективизъм на параметрите на перфузията, получени от изображението, а също и потенциално по-бърза диагностика на бъбречни увреждания. Тези констатации доближават клиничното приложение на образната диагностика с DCE-MR като рутинен метод вбъбрекдиагностика. И накрая, за да улесним това преминаване от изследователска към приложна област, ние предлагаме нашата софтуерна рамка за фармакокинетично моделиране на [39]. Хранилището включва и скриптове за извличане и класификация на характеристики, базирани на DCE сигнал.

Авторски принос:Концептуализация, АК; методология, АК и ЕЕ; софтуер, АК; валидиране, АК; формален анализ, АК; разследване, АК; ресурси, EE и AL; обработка на данни, EE; писане - подготовка на оригинална чернова, АК; писане—преглед и редактиране, AL и EE; визуализация, АК; надзор, AL; администрация на проекта, AK Всички автори са прочели и са съгласни с публикуваната версия на ръкописа.

Финансиране:Това изследване не получи външно финансиране.

Изявление на институционалния съвет за преглед:Проучването е проведено в съответствие с Декларацията от Хелзинки и протоколът е одобрен от Регионалните комитети за етика на медицинските изследвания - Западна Норвегия (REC West 2012/1869).

Декларация за информирано съгласие:Всички субекти са дали своето информирано съгласие за включване, преди да участват в проучването.

Декларация за наличност на данни:DCE-MR изображенията, използвани в това проучване, не могат да бъдат предоставени, тъй като писменото съгласие, подписано от участниците, не покрива споразумението за публично разпространение на получените данни.

Конфликти на интереси:Авторите декларират липса на конфликт на интереси.

Препратки

1. Забел, JR; Larson, G.; Koffel, J.; Ли, Д.; Андерсън, JK; Тегло, CJ Използване на модифицирането на диетата при бъбречно заболяване Уравнение за оценка Скорост на гломерулна филтрацияв урологичната литература. J. Endourol. 2016, 30, 930–933.

2. Дилейни, П.; Ebert, N.; Мелсъм, Т.; Гаспари, Ф.; Mariat, C.; Кавалер, Е.; Бьорк, Й.; Christensson, A.; Nyman, U.; Порини, Е.; et al. Плазмен клирънс на йохексол за измерванескорост на гломерулна филтрацияв клиничната практика и изследванията: преглед. Част 1: Как се измерваскорост на гломерулна филтрацияс йохексол? Clin.БъбрекJ. 2016, 9, 682–699.

3. Анет, Л.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Скорост на гломерулна филтрация: Оценка с динамичен MRI с усилен контраст и модел на кортикално отделение при заекбъбрек. J. Magn. Резон. Imaging 2004, 20, 843–849.

4. Sourbron, SP; Майкъли, HJ; Reiser, MF; Schoenberg, SO MRI-измерване на перфузия и гломерулна филтрация при хорабъбрекс модел с отделящо се отделение. разследване. Радиол. 2008, 43, 40–48.

5. Тофтс, П.; Cutajar, М.; Мендиховски, И.; Питърс, А.; Гордън, И. Прецизно измерване на бъбречната филтрация и васкуларните параметри с помощта на модел с две отделения за динамичен ЯМР с усилен контраст набъбрекдава реалистични нормални стойности. Евро. Радиол. 2012, 22, 1320–1330.

6. Чен, Б.; Джан, Й.; Песен, X.; Уанг, X.; Джан, Дж.; Fang, J. Количествена оценка на бъбречната функция с ЯМР с динамичен контраст с използване на модифициран модел с две отделения. PLoS ONE 2014, 9, e105087.

7. Кутахар, М.; Мендиховски, И.; Тофтс, П.; Gordon, I. Значението на избора на AIF ROI в DCE-MRI ренография: Възпроизводимост и променливост на бъбречната перфузия и филтрация. Евро. J. Radiol. 2010, 74, e154–e160.

8. Лий, VS; Русинек, Х.; Бокачева, Л.; Хуанг, AJ; Oesingmann, N.; Чен, Q.; Каур, М.; Принс, К.; Песен, Т.; Kramer, EL; et al. Измервания на бъбречната функция от MR ренография и опростен многокамерен модел. Am. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Патлак, CS; Blasberg, RG Графична оценка на константите за трансфер от кръв към мозък от данни за многократно поемане. Обобщения. J. Cereb. Метаб на кръвния поток. 1985, 5, 584–590.

10. Хакщайн, Н.; Heckrodt, J.; Rau, WS Измерване на единичнибъбрекскорост на гломерулна филтрация, като се използва динамична градиентно-ехо последователност с усилен контраст и графика на Rutland-Patlak техника. J. Magn. Резон. Imaging 2003, 18, 714–725.

11. Зьолнер, Ф.; Санс, Р.; Rogelj, P.; Ledesma-Carbayo, М.; Rørvik, J.; Сантос, А.; Lundervold, A. Оценка на 3D DCE-MRI набъбрециизползване на нетвърда регистрация на изображението и сегментиране на вокселни времеви курсове. Изчисл. Med. Графика за изображения. 2009, 33, 171–181.

12. Ли, С.; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Wavelet-базирана сегментация на бъбречните отделения в DCE-MRI на човекабъбрек: Първоначални резултати при пациенти и здрави доброволци. Изчисл. Med. Графика за изображения. 2012, 36, 108–118.

13. Eikefjord, E.; Андерсен, Е.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Динамично контрастно усилено MRI измерване на бъбречната функция при здрави участници. Акта радиол. 2017, 58, 748–757.

14. Янг, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Сегментация на бъбречното отделение в DCE-MRI изображения. Med. Изображение Анално. 2016, 32, 269–280.

15. Йорук, У.; Hargreaves, BA; Vasanawala, SS Автоматично бъбречно сегментиране за MR урография с помощта на 3D-GrabCut и произволни гори. Магн. Резон. Med. 2018, 79, 1696–1707.

16. Лундерволд, AS; Lundervold, A. Преглед на дълбокото обучение в медицинските изображения, фокусирани върху MRI. Z. Für Med. Phys. 2019, 29, 102–127.

17. Хан, З.; Яхя, Н.; Alsaih, K.; Али, SSA; Meriaudeau, F. Оценка на дълбоки невронни мрежи за семантична сегментация на простатата в T2W MRI. Сензори 2020, 20, 3183.

18. Шелхамер, Е.; Лонг, J.; Даръл, Т. Напълно конволюционни мрежи за семантична сегментация. IEEE Trans. модел анален. Мах. Intell. 2017, 39, 640–651.

19. Бадринараянан, В.; Кендъл, А.; Cipolla, R. SegNet: Дълбока конволюционна енкодер-декодерна архитектура за сегментиране на изображения. IEEE Trans. модел анален. Мах. Intell. 2017, 39, 2481–2495.

20. Ронебергер, О.; Фишер, П.; Brox, T. U-Net: Конволюционни мрежи за сегментиране на биомедицински изображения. В сборника на 18-та международна конференция за компютърно изчисление на медицински изображения и компютърно-подпомогната интервенция, Мюнхен, Германия, 5–9 октомври 2015 г.; стр. 234–241.