Automatska semantička segmentacija bubrežnih cista na MR slikama pacijenata zahvaćenih autosomno dominantnom policističnom bolešću bubrega

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

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

Abstract

SvrhaZa pacijente oboljele od autosomno-dominantne policistične bolestibubregbolest(ADPKD), uspješna diferencijacija cista je korisna za automatsku klasifikaciju fenotipova pacijenata, kliničko odlučivanje i progresiju bolesti. Cilj je bio razviti i ocijeniti potpuno automatiziranu metodu semantičke segmentacije za razlikovanje i analizu bubrežnih cista kod pacijenata sa ADPKD.

Metode Automatizirani pristup dubokog učenja koji koristi konvolucionu neuronsku mrežu je obučen, potvrđen i testiran na setu od 60 MR T2-ponderiranih slika. Trostruki pristup unakrsne validacije korišten je za obuku tri modela na različitim skupovima obuke i validacije (n=40). Model ansambla je zatim izgrađen i testiran na slučajevima zadržavanja (n=20), pri čemu je svaki od slučajeva upoređen sa ručnim segmentacijama koje su izvršila dva čitača. Procijenjena je saglasnost o segmentaciji između čitača i automatizirane metode.

RezultatiUtvrđeno je da automatizirani pristup djeluje na nivou varijabilnosti među posmatračima. Automatski pristup imao je koeficijent kockice (srednja vrijednost ± standardna devijacija) od {{0}}.86 ± 0.10 u odnosu na Reader-1 i {{10}}.84 ± {{20}}.11 vs. Reader-2. Interobserver Dice je bio 0.86 ± 0.08. U smislu ukupnog volumena ciste (TCV), automatizirani pristup je imao postotnu razliku od 3,9 ± 19,1 posto u odnosu na Reader-1 i 8,0 ± 24,1 posto u odnosu na Reader-2, dok je varijabilnost među posmatračima iznosila - 2,0 ± 16,4 posto .

Zaključak Ova studija je razvila i potvrdila potpuno automatizirani pristup za izvođenje semantičke segmentacijebubregciste na MR snimcima pacijenata zahvaćenih ADPKD. Ovaj pristup će biti koristan za istraživanje dodatnih biomarkera za snimanje ADPKD-a i automatsku klasifikaciju fenotipova.

Ključne riječiAutosomno-dominantni policističnibubregbolest· Semantička segmentacija ciste · Duboko učenje · Magnetna rezonanca

Cistanche deserticola koristi: sprečavabubregbolest

Uvod

Autosomno-dominantni policističnibubregbolest(ADPKD) je najčešća nasljedna bubrežna bolest, koja pogađa oko 12 miliona ljudi širom svijeta, i trenutno je četvrti vodeći uzrok zatajenja bubrega [1, 2]. Njegova patologija je takva da kontinuirani rast cista uzrokuje progresivno povećanje ukupnog brojabubregvolumen (TKV). Tipični pacijent sa ADPKD pokazuje progresivno smanjenje bubrežne funkcije i otprilike 70 posto napreduje u završnu bubrežnu bolest između 40. i 70. godine [3, 4].

TKV se pokazao u brojnim studijama kao koristan prediktor progresije ADPKD [5–7]. Slično tome, sposobnost ocrtavanja i mjerenja cističnog opterećenja dodatno doprinosi našem znanju o progresiji bolesti, strukturi i genotipskim varijacijama. Dobro je poznato da su razvoj i rast cista u snažnoj korelaciji sa padom funkcije bubrega [6, 8]. Osim toga, pokazalo se da postoji direktna korelacija između rasta TKV i rasta ciste; međutim, brzina kojom ciste rastu i nastaju nove ciste zavisi od svakog pojedinca [9]. Nadalje, longitudinalne studije su otkrile da tokom vremena pacijenti sa ADPKD doživljavaju povećanje TKV i volumena ciste i smanjenje ukupnog volumena parenhima što sugerira da necističnabubregtkivazamjenjuje se s više cista i cistama koje se kontinuirano povećavaju [10]. Zanimljivo je da rast ciste i cistični indeks (omjer volumena ciste i TKV) značajno variraju između PKD1 i PKD2 genotipova, budući da pacijenti unutar populacije PKD1 imaju tendenciju da razviju ciste ranije [11, 12]. Dodatna analiza cističnog opterećenja i rasta ima potencijal da informiše o trendovima bolesti i terapijskim strategijama.

Kako se pojavljuju novi biomarkeri za snimanje, naučnici traže brze i efikasne metode za izolaciju cističnih i necističnihbubregregiona za dublju, kvantitativnu analizu svojstava tkiva [13, 14]. U prošlosti su regije ciste i bubrega segmentirane ručno, što je vrlo radno intenzivno i subjektivno [15]. Predloženi su različiti poluautomatizirani pristupi segmentaciji cista koji koriste prag na osnovu intenziteta kao inicijalizaciju [16, 17], kao i klasične tehnike mašinskog učenja kao što su k-means grupiranje [18], metode konture [19] i prethodna vjerovatnoća oblika karte [20]. Međutim, potpuno automatizirani pristup dubokog učenja koji koristi neuronske mreže ima potencijal da riješi analitičara slike dosade ručnog praćenja i pruži ponovljive i robusne kalkulacije i segmentacije volumena. Duboko učenje je jedinstveno za gore navedene metode segmentacije po tome što je model sposoban da "nauči" važne karakteristike slike iz unosa podataka koji mu omogućavaju da izvrši svoj krajnji zadatak segmentacije. Kroz obuku, model je sposoban da detektuje obrasce, intenzitet piksela i informacije o obliku koje ljudskom oku možda nije lako otkriti.

Konvolucione neuronske mreže (CNN) koje počinju sa smanjenjem prostorne rezolucije nakon čega slijedi vraćanje rezolucije izvrsne su u zadacima segmentacije medicinske slike na nivou piksela/voksela zbog njihove jedinstvene arhitekture. Ukratko, prvi dio kontrakcije je niz konvolucijskih slojeva i slojeva koji smanjuju rezoluciju koji se koriste za smanjenje složenosti slike, a drugi dio proširenja je u suštini zrcalna slika prve putanje koja se koristi za kombiniranje karakteristika i prostornih informacija. U-Net arhitektura [21] je jedna takva mreža koja je značajno iskorištena u analizi medicinske slike za rješavanje zadataka segmentacije. Posebna prednost ove arhitekture je da ne zahtijeva veliki skup za obuku u poređenju s drugim mrežama i daje vrlo precizne rezultate segmentacije.

U ovoj studiji koristimo skup podataka MR slika PKDbubrezisa tragovima cista od dva čitaoca koji služe kao temeljna istina. Razvijen je automatizovani pristup (modifikovana arhitektura tipa U-Net), a model ansambla je uspostavljen i testiran na skupu test podataka. Model duboke neuronske mreže opisan u ovoj studiji omogućava semantičku segmentacijububregciste za određivanje ukupnog volumena ciste (TCV) i može se pokazati korisnim za dalju procjenu fenotipova bolesti.

prednosti cistanche tubolosa

materijali i metode

Podaci MR slike

Ova retrospektivna studija dobila je odobrenje od strane institucionalnog odbora za reviziju na https://github.com/TLKline/AutoKidneyCyst. MR skenovi 60 jedinstvenih pacijenata sa ADPKD različitog stepena ozbiljnosti uzeti su iz naše baze podataka PKD slika. U ovoj analizi korišteni su T2-ponderisani masnoće (N=42) i zasićene masti (N=18). MR slike su bile T2 sekvence brzog spin-eha (SSFSE) koronarne, dobijene GE skenerom, sa veličinom matrice 256 × 256xZ (sa Z ​​dovoljno velikim da pokrije punu dužinu bubrega unutar snimljenog volumena). Veličine voksela slike bile su reda veličine 1,5 mm u ravnini sa tipičnom debljinom preseka od 3,0 mm.

Ručne segmentacije

Praćenje bubrega i ciste ručno su izvršila dva analitičara slika (https://github.com/TLKline/AutoK idneyCyst) sa dugogodišnjim iskustvom u izvođenju ovih praćenja. Skup za obuku/validaciju pratio je jedan čitač, a testni skup su pratili oba da bi se procijenila varijabilnost među posmatračima. Protokol analize slike isključuje bubrežnu karlicu i vaskularne strukture. Iz praćenja, TKV i TCV su izračunati kao broj voksela pomnožen sa zapreminom voksela. Svaki analitičar je bio zaslijepljen tragovima drugog. Ovi tragovi su izvezeni kao NIfTI fajlovi.

Stratifikacija podataka

Od TKV segmentacija koje su generisane za svako skeniranje, skeniranja su razvrstani u 40 slučajeva obuke/validacije i 20 slučajeva za skup testova zadržavanja. Skup podataka za obuku/validaciju imao je 28 slučajeva zasićenih mastima i 12 slučajeva zasićenih mastima (70 posto zasićenih mastima). Skup testova za zadržavanje imao je 14 slučajeva zasićenih mastima i 6 slučajeva zasićenih mastima (70 posto zasićenih mastima).

Prethodna obrada

Model je obučen kao dvokanalni pristup sa rezom MR slike kao jednim kanalom, a segmentacijom bubrega kao drugim. Imajte na umu da sa ovim dvokanalnim pristupom, neuronska mreža uči da identifikuje samo ciste unutar bubrega. Slike su smanjene na veličinu matrice od 256 × 256 koristeći inter-kubičnu interpolaciju za MR slike i interpolaciju najbližeg susjeda za maske segmentacije bubrega i ciste. Intenzitet svakog MR skeniranja je prvo normalizovan tako da svi imaju isti 95. percentilni nivo, a zatim je primenjena standardna skalarna normalizacija (nula srednja vrednost, jedinična standardna devijacija).

Model semantičke segmentacije

Arhitektura mreže bila je slična našim prethodnim radovima [22, 23]. Blokovi konvolucije se sastoje od 2D konvolucija, nakon čega slijedi ispadanje (ispadanje=0.1), normalizacija serije, 2D konvolucije i maksimalno udruživanje (veličina skupa=2 ×2). Slojevi više rezolucije imaju veće jezgre (koji idu od 7 × 7 do 5 × 5 do 3 × 3 u blokovima niz putanju kodera, i obrnuto prema putanji dekodera) kako bi naučili veće i složenije tipove filtera. Preskočne veze su implementirane kao aditivni slojevi (slično Resnetu [24]). Optimizator je Adam [25] sa početnom stopom učenja od 1e-3 i raspadom od 1e-5. metrika gubitka je metrika sličnosti kockica. Model se obučava za 200 epoha sa veličinom serije=8 i model sa najboljom mjerom validacije se čuva tokom procesa obuke. Model je implementiran u Kerasu sa TensorFlow kao pozadinom. Model je obučen na Nvidia Tesla P40 GPU (24 GB memorije). Ulaz za model je dvokanalna matrica (256×256×2). Prvi kanal je kriška MR slike, a drugi je odgovarajuća maska ​​bubrega. Izlaz je predviđanje za segmentaciju ciste. Ukupno, tri modela su obučena na tri različita kruga obuke/validacije, a zatim je napravljen zbirni model većinskog glasanja koji je primijenjen na skup testova zadržavanja. Kod je dostupan na:

Evaluacija

Kao što je opisano u odjeljku modela, skup za obuku/validaciju je razbijen u tri dijela kako bi se trenirao na različitim podskupovima podataka. Za svaki nabor, krive obuke i validacije su generisane tokom procesa učenja i najbolji model iz svakog nabora je sačuvan. Model većinskog ansambla je tada generiran i primijenjen na skup podataka testa zadržavanja. Poređenje zapremine ciste i indeksa ciste izvršeno je linearnom regresijom, a cistični indeks je takođe procenjen Bland-Altman analizom kako bi se procenila pristranost i preciznost merenja. Pored toga, napravljeni su vizuelni slojevi za kvalitativnu procenu automatizovane metode, a metrike sličnosti su generisane za kvantitativnu procenu. U svakom slučaju, dvije segmentacije čitača su upoređene kako bi se procijenila varijabilnost među posmatračima, a automatizirani pristup je upoređen pojedinačno za svakog čitaoca.

Prednosti pustinjske cistanče: poboljšavaju funkciju bubrega

Rezultati

Nije bilo značajne razlike između skupova podataka za obuku, validaciju i testiranje u smislu ozbiljnosti bolesti (tj. TKV). Prikazane na slici 1 su distribucije zapremine vizualizovane kao dijagrami gustine jezgra. Oni su prikazani za tri nabora, kao i ukupna distribucija između obuke/validacije i testnog skupa. Ova ukupna distribucija je reprezentativna za veliki stepen varijabilnosti uočen u populaciji pacijenata sa ADPKD.

Automatska metoda imala je sličan trening performansi na tri različita pregiba. Slika 2 prikazuje krivulje učenja za tri različita nabora, uključujući i obuku i validaciju Dice vrijednosti tokom treninga modela. Težine modela se ažuriraju na skupu za obuku i evaluiraju na kraju svake epohe na zasebnom skupu za validaciju. Model sa najboljim performansama validacije se čuva tokom procesa obuke i koristi za razvoj konačnog modela ansambla.

Automatski pristup je bio odličan u preciznom segmentiranju cista. Prikazano na sl. 3 i 4 su poređenja linearne regresije za varijabilnost među posmatračima, automatizovanu metodu naspram Reader-1, i automatizovanu metodu naspram Reader-2 za zapreminu ciste (slika 3), kao i indeks ciste (Sl. 4). Osim toga, automatizirana metoda je bila na sličnom nivou kao kod ljudskih čitača. Na slici 5 prikazana su poređenja Bland-Altman za cistični indeks. Imajte na umu da pacijenti obuhvataju širok spektar težine bolesti, od slučajeva sa vrlo malo cista, do slučajeva koji će gotovo u potpunosti zamijeniti parenhim bubrega cistama. Cistični indeks se kretao od ~ 0 do > 90 procenata.

Vizuelno je postojala izuzetna saglasnost između pristupa automatizovane segmentacije i ručnih čitača. Slika 6 prikazuje vizuelna poređenja za jedan od boljih slučajeva (gornji red, kocka=0.98), najgori slučaj (srednji red, kockica=0.50) i prosječan slučaj (donji red , kockica=0.86).

Općenito, automatizirani pristup nije se mogao razlikovati od varijabilnosti koju su uočila dva različita čitača koji su vršili praćenje. U tabeli 1 su prikazane statistike sličnosti koje upoređuju varijabilnost međupromatrača sa onom dobijenom između automatskog pristupa i Readera-1, kao i automatskog pristupa i Readera-2.

ekstrakt cistanche tubolosa: akteozid

Diskusija

Duboko učenje u oblasti veštačke inteligencije pružilo je naučnicima bezbroj alata za efikasnu i temeljnu procenu podataka, posebno u analizi medicinske slike. Algoritam razvijen u ovoj studiji precizno je segmentirao bubrežne ciste iz tkiva bubrega bez intervencije korisnika. Prije ovog modela, pristupi razgraničavanju cističnih struktura iz tkiva organa implementirali su poluautomatske tehnike praga zasnovane na intenzitetu [16, 17, 20]. Jedno ograničenje pristupa zasnovanog na intenzitetu je da, za razliku od CT-a, vrijednosti MR piksela mogu drastično varirati između akvizicija, pa čak i između rezova unutar jedne akvizicije, što zahtijeva opsežne tehnike pretprocesiranja kako bi se podaci na odgovarajući način normalizirali [26]. Nadalje, ova tehnika praga zasnovanog na intenzitetu će u potpunosti propustiti složene ciste koje imaju niži intenzitet signala [16].

Model predstavljen u ovoj studiji postigao je srednju Dice skor od 85 posto za segmentaciju cista, ovaj rezultat je uporediv s drugim najsuvremenijim tehnikama primijenjenim za segmentaciju organa. U ADPKD, svi automatizirani pristupi koji koriste duboko učenje opisani u literaturi fokusirani su na zadatak segmentacije organa, uglavnom za segmentaciju bubrega. Neki od ovih pristupa uključuju prilagođenu VGG-16 mrežu koju implementiraju Sharma et. al [27] da segmentira bubrege na CT snimcima. Prosječna ocjena Dice-a iz ove studije bila je 86 posto. Keshwani et. al, [28] na sličan način koristio CT skeniranje za predviđanje segmentacije bubrega, implementirana je multi-task 3D konvoluciona neuronska mreža koja je postigla srednji Dice rezultat od 95 posto. Mu et al. [29], s druge strane, koristio je MR slike da automatski generiše segmentaciju bubrega koristeći V-Net model, a prijavljeni Dice rezultat je bio 95 posto.

Automatski pristup je vrlo blizu upoređen sa ručnim praćenjem u svim metrikama. U smislu linearnih regresija, automatizovani pristup je veoma blizu upoređen sa oba čitaoca. Osim toga, cistični indeks je imao sličnu pristrasnost i preciznost kao kod ljudi. Veća preciznost se vjerovatno duguje činjenici da će automatizirani pristup biti dosljedniji od ljudskog čitača. Utvrđeno je da je najveća razlika viđena u Hausdorf udaljenosti, što može biti rezultat nekih manjih lažnih pozitivnih rezultata koji bi se vjerovatno mogli riješiti jednostavnom naknadnom obradom (npr. množenjem izlaza maske za segmentaciju ciste modela sa maskom bubrega ). Osim toga, vizuelni dogovor je bio nevjerovatno jak. Najgori slučaj, u smislu metrike sličnosti, bio je za vrlo blagu prezentaciju bolesti. U ovom slučaju, ljudski čitač može brzo dati procjenu kvaliteta kako bi se finalizirala segmentacija ciste. Općenito, pristup precizno segmentira ciste širokog raspona veličina. U ovoj studiji, ciste su izmjerene do ~ 3-5 mm. Ovo je ograničeno rezolucijom rekonstruisane slike, koja je u ravnini reda veličine ~ 1,5 mm. Osim toga, najveća cista je imala prečnik od 118 mm.

Mogućnost automatske procjene cističnog opterećenja otvara vrata retrospektivnim studijama primjenom tehnike predstavljene ovdje. Prethodne studije su primjenjivale bazičnije pristupe za procjenu cističnog opterećenja i pokazale su obećavajuću informativnu vrijednost ovih parametara izvedenih na slici. Prethodne kratkoročne studije su pokazale da je tolvaptan smanjio volumen ciste kod liječenih ADPKD pacijenata kada je volumen ciste mjeren na maloj skupini [30]. Dalju analizu treba dovršiti kako bi se procijenilo da li se ovi efekti nastavljaju tokom dugotrajne primjene lijeka. Automatska metoda predstavljena u ovoj studiji omogućit će brzu i jednostavnu analizu većeg skupa podataka. Praćenje rasta ciste takođe može dati informacije o specifičnim genotipovima. Jedna studija je pokazala da pacijenti sa PKD1 imaju veći broj cista od pacijenata sa PKD2. Preciznije, pacijenti sa PKD1 napreduju brže jer se više cista razvija rano, a ne zato što brže rastu [11].

Jedno od ograničenja ove studije je da je procijenila relativno malu kohortu (n=60). Međutim, generiranje zlatnih standardnih segmentacija ciste trajalo je do 8 sati ovisno o težini bolesti. Zbog ovog ograničenja, razvili smo ovu konkretnu kohortu da obuhvati puni opseg fenotipskih prezentacija bolesti, od bubrega sastavljenih od nekoliko cista (cistični indeks=0,5 posto) do bubrega s bubrežnim parenhimom skoro u potpunosti zamijenjenim ciste (cistični indeks=90 procenata). Uspostavljanje metode za procjenu cističkog opterećenja u cijelom opsegu fenotipova bolesti učinit će ovaj pristup snažno generaliziranim. Još jedno ograničenje je to što ne otkrivamo mikroskopske ciste ispod rezolucije slike. Međutim, ove mikrociste doprinose relativno malom ukupnom volumenu ciste [31]

Buduće studije mogu procijeniti veće grupe, a mogu se istražiti automatizirane metode za segmentiranje i razlikovanje pojedinačnih cista. Ovo će olakšati automatsko prebrojavanje broja cista i procjenu distribucije veličine cista. Ovo takođe može omogućiti automatsku klasifikaciju tipičnih od atipičnih pacijenata, što daje informacije o riziku od progresije i vjerovatnoći da će imati koristi od terapije lijekovima. Većina kriterija koji odvajaju atipične od tipičnih slučajeva oslanjaju se na indeks ciste, broj i veličinu. Na primjer, pacijent se smatra atipičnim ako manje od ili jednako 5 cista čini veći ili jednak 50 posto TKV i postoji blaga zamjena bubrežnog tkiva od cista [32]. Alat koji to automatski izračunava omogućio bi izuzetno brze i objektivne klasifikacije tokom kritične faze upisa na studij.

Struktura i sastav ciste također se smatraju visoko informativnim kada se procjenjuje ADPKD. Kada se cistične regije razgraniče od bubrežnog parenhima, može se izvršiti daljnja analiza na osnovu intenziteta i/ili teksture kako bi se odredio postotak ili distribucija složenih cista. Tipično, ove složene ciste karakteriziraju "tamniji" intenziteti na T2-ponderiranom MR snimku. Naizgled, zdravo tkivo parenhima može se analizirati na sličan način nakon izolacije iz većih cista. Drugi pristup će biti uključivanje višestrukih akvizicija slika (npr. kombinovanje T1- i T2-ponderisanih MR slika) kako bi se pomoglo ne samo u segmentaciji cista već i da bi se pomoglo u njihovoj klasifikaciji. Proširenje na druge modalitete snimanja (npr. CT) i organa (npr. jetra) također će biti važno za pružanje sveobuhvatne karakterizacije PKD fenotipa i izvođenje studija velikih razmjera gdje su pomiješani slikovni podaci (npr. ultrazvuk, kompjuterska tomografija i/ ili magnetna rezonanca) dostupni su za različite pacijente, a prisutne su i vanbubrežne manifestacije (npr. PLD).

Zaključci

Razvili smo potpuno automatiziranu metodu za semantičku segmentaciju cista bubrega iz MR snimaka pacijenata zahvaćenih ADPKD. Metoda je u usporedbi s ljudskim čitaocima i bit će korisna u budućim retrospektivnim i prospektivnim studijama za procjenu fenotipova pacijenata i ukupnog cističkog opterećenja.

Reference

1. PA Gabow, "Autosomno dominantna bolest policističnih bubrega", N Engl J Med, vol. 329, br. 5, str. 332-42, 29. jul 1993.

2. PC Harris i VE Torres, "Policistična bolest bubrega," Annu Rev Med, vol. 60, str. 321-37, 2009

3. AB Chapman et al., "Autosomno-dominantna bolest policističnih bubrega (ADPKD): rezime sa Konferencije o bolesti bubrega: poboljšanje globalnih ishoda (KDIGO)," Kidney Int, vol. 88, br.

4. EM Spithoven et al., "Bubrežna zamjenska terapija za autosomno dominantnu bolest policističnih bubrega (ADPKD) u Evropi: prevalencija i preživljavanje--analiza podataka iz ERA-EDTA registra," Nephrol Dial Transplant, vol. 29 Suppl 4, str. iv15-25, septembar 2014,

5. RD Perrone et al., "Ukupni volumen bubrega je prognostički biomarker opadanja bubrežne funkcije i progresije do završne faze bubrežne bolesti kod pacijenata sa autosomno dominantnom policističnom bolešću bubrega", Kidney Int Rep, vol. 2, br. 3, str. 442-450, maj 2017, DOI:

6. AB Chapman et al., "Vumen bubrega i funkcionalni ishodi kod autosomno dominantne policistične bolesti bubrega," Clin J Am Soc Nephrol, vol. 7, br. 3, str. 479-86, mart 2012

7. JJ Grantham, AB Chapman i VE Torres, "Progresija volumena kod autosomno dominantne policistične bolesti bubrega: glavni faktor koji određuje kliničke ishode", Clin J Am

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2. i 1505-11, avgust 2000. [Online]. Dostupno: https://www.ncbi.nlm.

11. PC Harris i saradnici, "Broj cista, ali ne i stopa rasta ciste je povezana sa mutiranim genom kod autosomno dominantne policistične bolesti bubrega", J Am Soc Nephrol, vol. 17, br. 11, str. 3013-9, novembar 2006, https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Mehanizmi progresije kod autosomno dominantne policistične bolesti bubrega," Kidney Int Suppl, vol. 63, str. S93-7, decembar 1997. [Online]. Dostupno: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. TL Kline i saradnici, "Obilježja teksture slike predviđaju pad funkcije bubrega kod pacijenata sa autosomno dominantnom policističnom bolešću bubrega", Kidney Int, vol. 92, br. 5, str. 1206-1216, novembar 2017, https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline et al., "Kvantitativni MRI bubrega u bubrežnoj bolesti," Abdom Radiol (NY), vol. 43, br. 3, str. 629-638, mart 2018

15. KT Bae, PK Comment, i J. Lee, "Volumetrijsko mjerenje bubrežnih cista i parenhima pomoću MRI: fantomi i pacijenti sa policističnom bolešću bubrega," J Comput Assist Tomogr, vol. 24, br. 4, str. 614-9, jul-avgust 2000

16. KT Bae et al., "Nova metodologija za procjenu bubrežnih cista kod policistične bolesti bubrega," Am J Nephrol, vol. 39, br. 3, str. 210- 7, 2014

17. AB Chapman i saradnici, "Struktura bubrega u ranoj autosomno dominantnoj policističnoj bolesti bubrega (ADPKD): Konzorcij za radiološke studije o bolesti policističnih bubrega (CRISP) kohorta," Kidney Int, vol. 64, br. 3, str. 1035-45, septembar 2003,

18. K. Bae et al., "Segmentacija pojedinačnih bubrežnih cista sa MR slika kod pacijenata sa autosomno dominantnom policističnom bolešću bubrega", Clin J Am Soc Nephrol, vol. 8, br. 7, str. 1089-97, jul 2013, DOI: https://doi.org/10.2215/CJN.10561012.

19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres i BJ Erickson, "Poluautomatska segmentacija policističnih bubrega u T2-ponderisanim MR slikama," AJR Am J Roentgenol, vol. 207, br. 3, str. 605-13, septembar 2016, https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim i saradnici, "Automatska segmentacija jetre i cista jetre iz ograničenih abdominalnih MR slika kod pacijenata sa autosomno dominantnom policističnom bolešću bubrega", Phys Med Biol, vol. 61, br. 22, str. 7864-7880, novembar 21 2016, DOI:

cistanche zdravstvene prednosti: poboljšanje funkcije bubrega