Zdrava segmentacija bubrega na Dce-Mr slikama koristeći konvolucionu neuronsku mrežu i karakteristike temporalnog signala

Artur Klepaczko1 , Eli Eikefjord²i Arvid Lundervold^2,3,4

sažetak:Kvantifikacija bubrežne perfuzije zasnovana na magnetnoj rezonanciji (DCE-MRI) sa dinamičkim kontrastom zahteva određivanje vremenskih tokova intenziteta signala u regionu bubrežnog parenhima. Dakle, odabir voksela koji predstavljajububregmora biti postignuta s posebnom pažnjom i predstavlja jedno od glavnih tehničkih ograničenja koje ometa širu upotrebu ove tehnike kao standardne kliničke rutine. Ručna segmentacija bubrežnih odjeljaka—čak i ako je izvode stručnjaci—česti je izvor smanjene ponovljivosti i reproduktivnosti. U ovom radu predstavljamo okvir za automatsku obradububregsegmentacija u DCE-MR slikama. Okvir se sastoji od dvije faze. prvo,bubregmaske se generiraju pomoću konvolucione neuronske mreže. Zatim se vokseli maske klasifikuju u jedan od tri regiona – korteks, medula i karlica – na osnovu vremenskih tokova intenziteta DCE-MRI signala. Predloženi pristup je evaluiran na kohorti od 10 zdravih dobrovoljaca koji su bili podvrgnuti DCE-MRI pregledu. MRI skeniranje je ponovljeno na dva puta u intervalu od 10- dana. Za zadatak semantičke segmentacije koristili smo klasičnu U-Net arhitekturu, dok su eksperimenti na klasifikaciji voksela izvedeni uz pomoć tri alternativna algoritma — pomoćnih vektorskih mašina, logističke regresije i ekstremnog gradijenta za povećanje stabala, među kojima je SVM dao najpreciznije rezultate. Koraci segmentacije i klasifikacije postignuti su nizom modela, od kojih je svaki obučen posebno za datu temu koristeći podatke samo drugih učesnika. Srednja vrijednost je postigla tačnost cjelinebubregsegmentacija je bila 94 posto u smislu IoU koeficijenta. Korteks, medula i karlica su segmentirani sa IoU u rasponu od 90 do 93 posto u zavisnosti od tkiva i strane tijela. Rezultati su takođe potvrđeni upoređivanjem parametara perfuzije dobijenih na slici sa merenjima istinitosti na terenubrzina glomerularne filtracije(GFR). Ponovljivost izračuna GFR, procenjena koeficijentom varijacije, određena je na nivou od 14,5 i 17,5 procenata za levi i desni bubreg, respektivno i poboljšana je u odnosu na ručnu segmentaciju. Reproducibilnost je, zauzvrat, procenjena merenjem slaganja između GFR vrednosti dobijenih na slici i vrednosti GFR zasnovane na ioheksolu. Procijenjene apsolutne srednje razlike bile su jednake 9,4 i 12,9 mL/min/1,73 m2 za sesije skeniranja 1 i 2 i predloženi metod automatske segmentacije. Rezultat za sesiju 2 bio je uporediv sa ručnom segmentacijom, dok je za sesiju 1 reproduktivnost u automatskom cevovodu bila slabija.

Ključne riječi:dinamička magnetna rezonanca sa kontrastom; konvolucijske neuronske mreže;bubregsegmentacija; farmakokinetičko modeliranje; kvantifikacija perfuzije; brzina glomerularne filtracije

Kontakt: ali.ma@wecistanche.com

Click to Cistanche herba za bolest bubrega

1. Uvod

Funkcija bubrega se rutinski procjenjuje mjerenjem nivoa kreatinina u serumu. Na osnovu svoje vrijednosti,brzina glomerularne filtracije(GFR) može se procijeniti korištenjem, na primjer, jednadžbe Modifikacije ishrane u bubrežnoj bolesti [1]. Druga metoda za određivanje GFR, koja je nedavno stekla popularnost u kliničkom okruženju, je test klirensa iz plazme ioheksola. Neki autori smatraju da ova metoda zamjenjuje tehniku ​​zlatnog standarda zasnovanu na klirensu inulina u urinu [2]. Svi ovi postupci, međutim, omogućavaju kvantifikaciju GFR istovremeno za obabubrezi. Stoga se dinamička magnetna rezonancija s pojačanim kontrastom (DCE-MRI) pojavljuje kao atraktivna alternativa—omogućava neinvazivno praćenje učinka filtracije u jednombubregpružajući prostorno razlučene informacije o lezijama tkiva kao što je fokalna segmentna glomeruloskleroza.

U principu, DCE-MRI pregled proizvodi seriju T1-ponderisanih volumena dobijenih u više diskretnih vremenskih koraka procedure skeniranja. Metoda se sastoji od intravenske primjene bolusa kontrastnog sredstva na bazi gadolinija (CA). Dok CA bolus prolazi kroz stablo abdominalne arterije, kapilarno korito i tubularni sistembubreziefektivno povećava T1 vrijeme relaksacije penetriranih tkiva, modificirajući tako kontrast na slici. Vremenska dinamika promjene intenziteta signala ove slike odražava fiziološka stanja funkcije bubrega i čini osnovu za farmakokinetičko (PK) modeliranje bubrežne perfuzije.

Brojni predloženi PK modeli pokušavaju matematički opisati proces perfuzije krvi u različitim organima. U vezi sabubreg, većina modela pretpostavlja da je signal izmjeren u datom vokselu tkiva zbir doprinosa koji potiču iz najmanje dva odjeljka – intravaskularnog (IV) i ekstracelularnog ekstravaskularnog (EEV) prostora [3–6]. Nadalje, kao iu svakom PK modelu, isporuka gadolinijuma za praćenje kroz arteriju za hranjenje do organa od interesa je inkapsulirana takozvanom arterijskom ulaznom funkcijom (AIF). Praktično, AIF u slučaju studija bubrega je vremenski tok koncentracije kontrastnog sredstva u abdominalnoj aorti [7]. Konvolviranjem AIF-a sa pomičnim i disperzijskim jezgrom dobija se koncentracija tragača u IV odjeljku. Konačno, vremenska kriva koncentracije u EEV prostoru je proporcionalna integralu koncentracije u IV odjeljku, opciono modulirana eksponencijalnim faktorom koji predstavlja odljev iz bubrežnih tubula. Koeficijent proporcionalnosti, koji se često označava kao Ktrans, kontroliše brzinu prenosa CA iz IV u EEV odeljak. Ktrans pomnožen sa zapreminom organa direktno dovodi do izračunavanja GFR.

Postoje složeniji pristupi s više odjeljaka (npr. [8]), iako je njihova potencijalna klinička primjena upitna. Poteškoća leži u potrebi da se osigura stabilnost optimizacije ovakvih parametara modela uz prilagođavanje krivulja modela posmatranim podacima. Štaviše, ovi modeli zahtijevaju segmentacijububregparenhima u korteks i medulu. Ovaj zahtjev se, zapravo, odnosi i na modele s dva odjeljka. Klasični model predložen u [3], koji se zasniva na opštem Rutland–Patlakovom modelu [9,10], primjenjiv je samo na područje korteksa. S druge strane, primjena dvokompartmentskog modela filtracije [5] na cijeli bubreg je prihvatljiva za fazu apsorpcije. Ako neko želi izmjeriti perfuziju, analiza se opet mora ograničiti samo na korteks. U svakom slučaju, treba isključiti karličnu regiju koja sakuplja kontrast u ekskretornoj fazi pregleda. Stoga, automatizacija postupka DCE-MRI analize podataka zahtijeva ne samo razgraničenje bubrega, već i označavanje svakog bubrežnog voksela kao pripadnika ili kortikalne, medularne ili karlične klase.

Problem sabubregsegmentacijom su se bavili mnogi autori. Vokseli se često klasificiraju na osnovu vremenskih tokova njihovog intenziteta. Na primjer, u [11], k-means algoritam se koristi za grupisanje voksela u klastere na osnovu njihovih vremenskih tokova intenziteta signala. Ovaj pristup je dalje razvijen u [12], gdje su vremenski tokovi intenziteta signala prethodno obrađeni diskretnom wavelet transformacijom. Na kraju, neka vrsta heuristike zasnovane na obje inherentne karakteristike klastera i njihovom odnosu mora se koristiti da bi se odredilo koji klaster predstavlja korteks, medulu, karlicu i pozadinu. Potpuno nenadzirano zaključivanje pati od bučnih ulaznih podataka koji se ne mogu jednoznačno klasificirati u anatomski značajne kategorije. To je posebno vidljivo s obzirom na voksele koji leže na granicama između korteksa i medule. Oni su dodijeljeni klasi "ostali dijelovi" koja sadrži voksele također izvanbubreg.

Stoga se strategija koja se često slijedi sastoji u tome da se najprije odvoji jedna cjelinabubregiz drugih dijelova slike. Ocrtane regije od interesa treba da precizno odgovaraju granicama bubrega kako bi se riješili svih susjednih voksela. Primjer takvog rješenja su mape područja ispod krive (AUC), korištene npr. u [13]. Oni vokseli u DCE-MRI sekvenci u koje prodire agens za praćenje izgledaju svijetli na AUC mapama zbog najveće površine ispod vremenskih tokova intenziteta signala. Poučno je napomenuti da ovaj pristup zahtijeva ili ručnu ili automatsku naknadnu obradu kako bi se uklonile vanbubrežne strukture, veliki krvni sudovi i kanali za prikupljanje mokraće.

Strategija od grube do fine segmentacije također je primijenjena u [14], gdje je uveden koncept maksimalno stabilnih vremenskih volumena (MSTV). MSTV karakteristike omogućavaju prepoznavanjebubreziotkrivanjem prostorno homogenih i vremenski stabilnih struktura. Fino zrnasta segmentacija se dobija smanjenjem vremenskih tokova voksela na vektore glavnih komponenti, koje se zatim dijele pomoću k-srednjih vrijednosti na više klastera. Na kraju, međutim, dobivene segmentacije moraju biti iterativno precizirane kako bi se uklonili svi preostali šumovi. Slično, u studiji opisanoj u [15], prva faza postupka segmentacije sastoji se od karakterizacije dinamike pojačanja signala trbušnog tkiva. Uočeno je da medula, za razliku od korteksa, jetre ili slezene, pokazuje stabilan porast intenziteta signala koji se javlja kasnije u sekvenci akvizicije. Nakon što se identifikuju vokseli medule, vrši se dilatacija praćena GrubCut algoritmom za stvaranje bubrežnih maski. Fino podešavanje se postiže razvrstavanjem voksela sa prethodno obučenim klasifikatorom slučajnih šuma. Vokseli se odlikuju njihovim odgovarajućim intenzitetima slike u odabranim vremenskim okvirima dinamičke sekvence, kao i njihovom lokacijom unutar ROI konstruisanih u prvoj fazi.

Iako se čini da doprinosi zasnovani na MSTV-u i GrubCut-u daju zadovoljavajuće rezultate za više skupova podataka, oni su prilično konceptualno složeni algoritmi, nedostupni ni u komercijalnom ni u softveru otvorenog koda. Kao takve, klinička zajednica ih ne može lako usvojiti.

S druge strane, nedavni napredak u arhitekturi konvolucionih neuronskih mreža i široka dostupnost njihovih softverskih implementacija čine metode dubokog učenja posebno atraktivnim u primjeni na segmentaciju bioloških tkiva u medicinskim slikama. Efikasnost CNN-a u raznovrsnim scenarijima analize MRI podataka detaljno je razmotrena u sveobuhvatnom pregledu [16]. Tačnije, u [17] različite mrežne arhitekture, tj. potpuno konvoluciona mreža [18], SegNet [19], U-Net [20] i DeepLabV3 plus [21], testirane su za semantičku segmentaciju raka prostate u T 2-ponderisani MRI. Anatomske MR slike su također analizirane u [22]. Autori su razvili prilagođenu CNN arhitekturu da automatski ocrta policističnebubrezi. Još jedan zanimljiv pristup predstavljen je u [23], gdje je duboko učenje korišteno za direktno zaključivanje mapa perfuzije mozga iz DCE-MRI sekvence bez eksplicitnog prilagođavanja PK modela mjerenim signalima.

Bilo je nekoliko objavljenih studija o primjeni CNN-a na segmentacijububrezina slikama kompjuterizovane tomografije [24,25]. Međutim, segmentacija vođena DL-ombubregu skupovima podataka MRI sa kontrastom i dalje ostaje neiscrpljena tema. Kao izuzetan primjer objavljenih radova posebno posvećenih renalnim DCE-MRI pregledima, može se navesti rad Haghighija et al. [26]. Izgradili su i obučili kaskadu od dvije CNN mreže. Ulaz za ovu kaskadnu strukturu je 4D DCE-MR slika. Prva mreža grubo lokalizira lijevi i desni bubreg na slici, dok je druga odgovorna za precizno ocrtavanje bubrežnih granica. Međutim, daljnja segmentacija u korteks ili medulu nije izvršena jer je za izračunavanje GFR korišten samo cijeli bubrežni parenhim.

U svjetlu gore navedenih razmatranja, pristup predstavljen u ovom radu je odgovor na potrebu za automatskim algoritmom koji bi s jedne strane precizno prepoznaobubreziodjeljaka unutar DCE-MR slike, dok je s druge strane relativno lako reproducirati od strane bilo kojeg istraživačkog tima. Stoga predlažemo da:

1. koristiti CNN arhitekturu za semantičku segmentacijububregparenhim,

2. opisati parenhimske voksele sa agregatima karakteristika izvedenim iz transformacije valnih oblika intenziteta signala analizom glavnih komponenti (PCA),

3. razlikovati regione korteksa, medule i karlice kroz klasifikaciju ekstrahovanih vektora karakteristika PCA.

Detalji korištenih algoritama predstavljeni su u Odjeljku 2. U Odjeljku 3 procjenjujemo rezultate segmentacije i kako dizajnirano rješenje utiče na stabilnost procijenjenih PK parametara. Dok vršimo ovu procenu, takođe pretpostavljamo da je moguće konstruisati univerzalnu računarsku šemu koja je sposobna da proizvede ispravne segmentacije za nove subjekte zasnovane isključivo na istorijskim podacima. Vjerujemo da bi takva šema mogla biti široko distribuirana i implementirana u klinikama sa ili bez napora da se prilagodi prilagođenim protokolima za akviziciju slike. Da bismo postigli ovaj cilj, validirali smo predloženi računski proces na način izostavljanja jednog subjekta. Napravili smo seriju mehanizama za segmentaciju i klasifikaciju, od kojih je svaki obučen na različitoj grupi pacijenata. Zatim je dati motor testiran na subjektu koji nije viđen tokom faze obuke. Diskusija o dobijenim rezultatima data je u Odjeljku 4.

2. Materijali i metode

2.1. Mri Data

Eksperimenti i algoritmi predstavljeni u ovom radu dizajnirani su korištenjem seta od 20 mjerne sekvence dobijene od 10 zdravih dobrovoljaca. MRI pregledi su rađeni na jedinici od 1,5 T (Siemens Magnetom Avanto, Erlangen, Njemačka). Protokol za prikupljanje podataka je obuhvatio snimanje svakog subjekta dvaput, u razmaku od 10 dana, koristeći 3D pokvareni gradijent echo metodu poboljšane kontrastom (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- rezolucija u ravni=2.2 × 2.2 mm2, debljina preseka=3 mm, matrica akvizicije=192 × 192, broj preseka=30). Kontrastno sredstvo (0,025 mmol/kg GdDOTA) je primijenjeno intravenozno pri brzini protoka od 3 mL/s. Svaka sekvenca mjerenja sastojala se od 74 okvira snimljenih u vremenskim intervalima od 2,3 s.

Kako bi se smanjili artefakti pokreta, protokol za snimanje je dizajniran za dobivanje slika na zastoju daha. Prvo, osam osnovnih volumena prije kontrasta je dobijeno tokom 18- perioda zadržavanja daha. U 7 s nakon injekcije gadolinijuma, učesnicima je naloženo da zadrže dah 26 s za perfuziju bez pokreta bez pokreta. Zatim, tokom faze filtracije, periodi zadržavanja daha su skraćeni na 13 s i isprepleteni sa 26 s slobodnog disanja. Da bi olakšali disanje, subjekti su nazalno primali kiseonik pri brzini protoka od 1 L/min.

Preostalibubreg kretanje je ispravljeno u naknadnoj obradi izvršavanjem b-spline registracije na svakoj DCE-MRI sekvenci. U tu svrhu koristili smo implementaciju B-spline algoritma iz softverske biblioteke Insight Toolkit (ITK) [27]. U svakoj sekvenci, odabrali smo referentni okvir koji odgovara sredini faze perfuzije, a zatim ga koristili kao fiksni volumen s kojim je usklađen svaki drugi (pokretni) volumen. Registracija B-spline-a je izvršena potpuno automatski, tj. nisu bile označene fiducialne tačke preko tkiva od interesa. Osim toga, postupak je pokrenut u višestepenoj konfiguraciji. U svakoj fazi korištena su različita podešavanja veličine mreže i stopa poduzorkovanja. Za detaljnu interpretaciju ovih parametara, čitalac je upućen u ITK dokumentaciju. Ukratko, omogućili su izvođenje registracije slika u različitim razmjerima – počevši od grubog uparivanja, a zatim preciziranja rezultata.

Za potrebe dizajna i evaluacije algoritama, sve volumene je ručno označio radiolog sa ekspertizom u MR urografiji. U svakom vremenskom okviru, lijevo i desnobubrezibile ocrtane. Zatim, u dva okvira povezana sa fazama perfuzije i izlučivanja, parenhimski vokseli su dodijeljeni korteksu, meduli ili zdjelici.

Između pregleda, volonteri su prošli proceduru čišćenja ioheksola. Subjektima je primijenjena doza od 5 mL ioheksola (300 mg I/mL; Omnipaque 300, GE Healthcare). Zatim su utvrđene realne GFR vrijednosti kako bi se omogućila validacija procjena perfuzije dobijenih na slici.

Učesnicima je naloženo da odbiju alkohol i obroke bogate proteinima, izbjegavaju pretjerane fizičke napore, da budu normalno hidrirani najmanje 2 dana prije pregleda i da ne konzumiraju kofein na dan pregleda. Kako bi se osigurali uporedivi uvjeti pregleda između sesija skeniranja i testa klirensa ioheksola, također je preporučeno održavanje redovnog vremena obroka i dijete. Svi volonteri su dali pismeni informirani pristanak za učešće u studiji koju je odobrio Institucionalni odbor za reviziju pri Univerzitetskoj bolnici Haukeland u Bergenu, Norveška.

2.2. Pregled segmentacije

Predloženi cevovod segmentacije je vizualizovan na slici 1. Početna gruba segmentacija je postignuta potpuno konvolucionom neuronskom mrežom U-Net strukture. Ovaj korak je izveden na naknadnim dvodimenzionalnim poprečnim presjecima jedne volumetrijske slike iz DCE-MRI sekvence. Ova slika odgovara kadru najvećeg pojačanja signala u području korteksa kada je jasno vidljiva podjela bubrežnog parenhima na korteks i medulu.

Pretpostavili smo da se jedan poprečni presjek može podijeliti na lijevu i desnu stranu, svaka od 96-širine piksela. Na datoj strani, moguće je centralno locirati dio slike visine 96-piksela koji pokriva u potpunosti jedanbubreg. Na taj način smo osigurali da lijevo i desnobubrezise segmentiraju i obrađuju zasebno. Trenutno je naša metoda zahtijevala da se ova pretpostavka zadrži tokom faze opoziva mrežnog rada. Za vrijeme treninga, bilo je dovoljno da slika sadrži barem dio bubrežnog parenhima. Štaviše, veličina zakrpe 96 × 96 prilagođena je rezoluciji u ravni DCE-MRI podataka dostupnih u ovoj studiji i trebalo bi je modificirati pod različitim konfiguracijama akvizicije.

Gruba segmentacija ponekad može zahtijevati dodatno preciziranje kako bi se odbacili mali ekstrarenalni skupovi lažno segmentiranih piksela. U našem algoritmu, povezane komponente su identificirane i samo najveća je proslijeđena u sljedeću fazu. Osim toga, imajte na umu da iako je naš korak semantičke segmentacije izveden u 2D, on je primijenjen na sve poprečne presjeke datog volumena. Analize koje su uslijedile obavljene su po vokselu tako da je efektivno GFR izračunat iz svih nefrona raspoređenih u ROI 3D korteksa.

Zahvaljujući registraciji slike u vremenskoj domeni,bubregmaske generirane za jedan okvir mogu se primijeniti na sve ostale okvire dinamičke serije. Stoga su bubrežnim vokselima propisani vektori karakteristika sastavljeni od vrijednosti intenziteta MRI signala mjerenih u narednim vremenskim tačkama. Da bismo dobili opštije karakteristike dinamike signala, ekstrahovali smo agregate karakteristika pomoću PCA transformacije. Odabrano je 20 najinformativnijih agregata koji opisuju svaki bubrežni voksel. Na kraju, klasifikator obučen da razlikuje vremenske karakteristike regiona korteksa, medule i karlice dodelio je voksel odgovarajućoj kategoriji.

Obrazloženje iza predloženog dvostepenog pristupa bilo je da se osigura da se konačno prepoznavanje zasniva na maksimalno sigurnim napomenama temeljne istine. Ako bi CNN odvojio korteks od medule i zdjelice, morale bi se kreirati točne ciljne maske i anotator bi trebao donijeti odluku gdje leži stvarna granica između različitih tkiva. U mnogim slučajevima to nije bilo trivijalno zbog efekta djelomičnog volumena. Stoga bi takva odluka, a samim tim i obučeni mrežni model, mogli biti pristrasni prema jedinstvenom iskustvu posmatrača. Alternativno, odlučili smo da obučimo klasifikator koristeći signale samo sa nedvosmislenih lokacija, kao što je opisano u nastavku. Kasnije, tokom zaključivanja naprijed-prolaskom, odgovornost algoritma je bila da objektivno diskriminira voksele koji pripadaju bilo kojem spornom regionu.

Konačno, sve računske jedinice predložene procedure – CNN i model klasifikatora, kao i matrica transformacije PCA – dobijene su za kohortu pacijenata nezavisno od trenutno obrađenog skupa podataka. U sljedećim pododjeljcima dajemo detalje implementacije pojedinačnih modula algoritma.

2.3. Cnnfor semantička segmentacija

Među dostupnim varijantama U-Neta, koristili smo implementaciju objavljenu u [28]. Budući da se razlikovala od arhitekture opisane u originalnom radu [20], prvo se sumiraju specifične karakteristike ove konstrukcije, prilagođene potrebama našeg istraživanja.

2.3.1. Mrežna arhitektura

U-Net konvoluciona neuronska mreža je prvobitno razvijena za segmentaciju neuronskih struktura u elektronskim mikroskopskim slojevima i pokazala se efikasnom u brojnim drugim biomedicinskim aplikacijama. Kao što je rečeno, ulaz za naš model bila je 2D slika na nivou sive— patch poprečnog presjeka jednog 3D DCE-MRI volumena. Veličina zakrpe je podešena na 96 × 96 piksela (vidi sliku 2).

Karakteristična karakteristika U-Neta je da sadrži dva simetrična dijela – kontraktivni i ekspanzioni put. Cilj kontraktivnog puta je kodiranje uzoraka intenziteta piksela slike izvođenjem konvolucije sa serijom od 3 × 3 filtera težina koje je moguće trenirati. Izlasci filtera aktiviraju glavne procesne komponente mreže - neurone zvane ispravljene linearne jedinice (ReLU). Oni omogućavaju modeliranje nelinearnih odnosa između karakteristika slike i izlazne mape segmentacije. Stoga se faza kodiranja može uporediti sa procesom poznatim u obradi digitalne slike kao ekstrakcija karakteristika. Nakon toga slijedi operacija maksimalnog skupljanja koja smanjuje uzorke mapa karakteristika.

Kontrakcija se ponavlja četiri puta kako bi se izvukli deskriptori slike na različitim nivoima. Svaki nivo je, u stvari, formiran od bloka sastavljenog od dva konvoluciona sloja, nakon kojih svaki sledi sloj normalizacije serije, koji održava konstantnu srednju vrednost i standardnu ​​devijaciju izlaznih ugradnji unutar date serije. Dakle, batch normalizacija osigurava da karakteristike sa dinamikom niskog intenziteta imaju jednaku važnost kao one čiji je raspon veći. Parovi slojeva konvolucije i normalizacije su razdvojeni slojem ispadanja, koji nasumično postavlja 20 posto ulaznih čvorova na 0. Ovaj mehanizam, aktivan samo tokom faze obuke, sprječava preopterećenje mreže [29].

Izlaz posljednjeg bloka za smanjenje uzorkovanja, koji se naziva usko grlo, prosljeđuje se na put proširenja ili dekodiranja. Izgrađen je od istog broja nivoa uzorkovanja kao i kontraktivni dio i njegov glavni zadatak je da povrati originalnu prostornu rezoluciju. U ovoj studiji, up-sampling je realizovano transponovanom konvolucijom. Svaki blok za dekodiranje je također sastavljen od dva para konvolucijskih i batch normalizacijskih slojeva. Za razliku od blokova za kodiranje, međutim, između njih nije umetnut nikakav mehanizam za ispuštanje. Štaviše, mape karakteristika visoke rezolucije ekstrahovane u stazi uzorkovanja na nižem nivou ne samo da su hranile naredne slojeve kodiranja, već su takođe bile spojene na ulaze slojeva za dekodiranje na odgovarajućim nivoima putanje uzlaznog uzorkovanja. Ove dodatne veze pomogle su blokovima za dekodiranje da se vratebubregtačnije lokalizaciju segmenata.

Kao što se može vidjeti na slici 2, blokovi kodiranja sastojali su se od sve većeg broja konvolucijskih filtera koji idu dublje u kontraktivnu stazu. Počevši od 64 filtera u prva dva konvoluciona sloja, broj karata karakteristika dostigao je 1024 u uskom grlu, udvostručujući se na svakom nivou uzorkovanja na nižem nivou. Naprotiv, broj filtera na putu ekspanzije podijeljen je sa faktorom dva na svakom stepenu naviše. Kao rezultat toga, konačna karta obilježja opet je imala dubinu od 64.

Izlaz posljednjeg bloka za podizanje uzorkovanja bio je povezan na konvolucijski sloj sa filterima veličine 1 × 1-. Izvršio je pikselsku konvoluciju kernela filtera sa vektorom karakteristika 64-elementa i zatim poslao rezultat funkciji za aktiviranje izlaza. U našem dizajnu korištena je sigmoidna aktivacija jer je konačna odluka bila binarna – piksel pripada bubrežnom parenhima ili pozadini.

2.3.2. Trening

Mrežne težine su pokrenute u nasumično stanje metodom He et al. [30]. Proces obuke je proveden na slikama izrezanim iz DCE-MRI volumena, od kojih svaka sadrži jednu, lijevu ili desnububregpresjek. Kao što je gore opisano, zakrpe slike veličine 96 × 96- su ekstrahovane iz volumena DCE sekvence koja odgovara fazi perfuzije, tj. vremenskih okvira maksimalnog kontrasta signala između korteksa i medule. Kako bismo povećali broj slika treninga, za svaku studiju, zapravo smo odabrali tri takva vremenska okvira – onaj s maksimalnim pojačanjem signala u području korteksa, jedan prethodni i jedan sljedeći vremenski okvir. U svakom volumenu slike, po jednabubregbio vidljiv na 12 kriški u prosjeku. Dao je otprilike 1440 zakrpa za obuku.

Iako se U-Net mreže obično mogu nositi s malim uzorcima za obuku, odlučili smo da dodatno povećamo skup podataka kroz povećanje podataka. Ovo je postignuto odabirom 10 različitih vertikalnih pozicija slike i nasumično preslikavanjem u horizontalnom smjeru. Prilikom odabira položaja flastera, pobrinuli smo se da obuhvati dovoljno veliki dio centra slike koji sadrži značajne fragmente bubrežnog parenhima (vidi sliku 3). Sveukupno, broj slika dostupnih za obuku dostigao je vrijednost od 13.964. Jedna trećina slika za obuku je odvojena u svrhu validacije.

Obučili smo 10 različitih CNN modela, po jedan za svakog pacijenta. Prilikom izrade modela posvećenog datom predmetu, njegove odgovarajuće zakrpe slike (bez obzira na ispitnu sesiju) su uklonjene iz skupova za obuku i validaciju i korištene samo za testiranje. Težine mreže su ažurirane korištenjem algoritma stohastičkog gradijenta spuštanja sa konstantnom stopom učenja=0.01 i zamahom=0.99. Funkcija gubitka odabrana za optimizaciju bio je binarni kriterij unakrsne entropije, definiran kao

gdje je N broj voksela, Yi je prava oznaka voksela, a p(Yi) je predviđanje mreže da i-ti vektor zaista pripada klasi Yi, sa 0 < p(Yi) < 1. Dodatno , u cilju praćenja kvalitetabubregsegmentacijom kroz epohe treninga, izračunali smo Jaccardov koeficijent, u daljem tekstu označen kao IoU (intersection-over-union)

gdje K označava broj piksela u obrađenom isječku, a y je predviđena kategorija piksela. Ovdje su kategorije imale Booleovu vrijednost, a piksel je označen kao Tačno ako je pripadaobubreg, Netačno inače. U slučaju svakog subjekta, algoritam optimizacije je vođen 50 epoha. Pohranjeni model je odgovarao epohi s minimalnim rezultatom na funkciji gubitka dobivenom za skup podataka za validaciju.

2.4. Klasifikacija ofBubregVoxels

2.4.1. Ekstrakcija karakteristika

Diferencijacija voksela koji predstavljaju određene bubrežne kompartmente mogla bi se zasnivati ​​na vremenskim tokovima sirovog intenziteta signala. Predlažemo, međutim, transformaciju talasnih oblika signala, tj. vektora 74 vremenske karakteristike, u prostor smanjene dimenzionalnosti koristeći analizu glavnih komponenti (PCA). Svrha ove transformacije nije samo da se smanji složenost rezultirajućeg modela klasifikacije, već i da se izvuku općenitije karakteristikebubregtkiva, predstavnik za razne subjekte. Štaviše, čak iu istoj kliničkoj jedinici, DCE snimanje se može izvesti u nizu koji, iako pokriva sličan vremenski raspon, ima drugačiju vremensku rezoluciju. Dakle, sistem donošenja odluka koji prihvata uniformni obrazac karakteristika, koristeći PCA transformacioni objekat kao adapter, može se primeniti na vektore ulaznih podataka promenljive dužine.

Pretpostavili smo da ekstrahovane komponente PCA treba da objasne najmanje 90 procenata varijanse originalnog skupa podataka. Da bi se ispunio ovaj zahtjev za svaki predmet, trebalo je konstruirati najmanje 20 agregata karakteristika. Kao što smo uočili, veći broj komponenti nije doveo do veće tačnosti klasifikacije.

2.4.2. Klasifikacija vektora karakteristika

Dodjeljivanje bubrežnih voksela korteksu, meduli ili zdjelici vrši se klasifikatorom obučenim na nadzirani način. U našem pristupu, istorijski podaci služe kao obrasci za izgradnju odgovarajućih pravila odlučivanja, koja se kasnije primjenjuju na nove studije. Testirali smo tri klasifikaciona algoritma da bismo pronašli najbolju šemu za sve predmete. Ispitane metode su uključivale logističku regresiju, mašine za vektore podrške i stabla odluka XGBoost. U nastavku se prisjećamo karakteristika korištenih algoritama i opisujemo kako su pripremljeni podaci za obuku.

Skupovi podataka za obuku i testiranje.Vektori za obuku su nabavljeni iz regija od interesa koje su ručno označene na odgovarajućim parenhimskim lokacijama. Napomene su napravljene samo u vokselima čije je članstvo bilo nedvosmisleno (vidi sliku 4a,b), što je omogućilo obučenom klasifikatoru da odluči o dominantnoj kategoriji tkiva u slučaju voksela djelimično ispunjenih različitim odjeljcima. Broj vektora obuke prikupljenih od 20 dostupnih ispita premašio je vrijednost od 60,000. Ovaj skup podataka podijeljen je u 10 nabora, od kojih svaki sadrži vektore podataka svih osim jednog subjekta, ostavljene odvojeno za potrebe testiranja. U datom naboru, distribucija klasa je bila približna kako slijedi: korteks—58 posto, medula—31 posto, karlica—11 posto. Da bi se klasifikatorima dala šansa da nauče da razlikuju kategorije sa jednakom preciznošću, u svakom preklopu treninga podskupovi koji predstavljaju korteks i medulu su ponovo uzorkovani kako bi odgovarali veličini kategorije karlice. U prosjeku, skup za obuku nakon ponovnog uzorkovanja obuhvatio je preko 16,000 vektora po preklopu. U datoj grupi obuke uključeni su podaci iz oba ispita. S druge strane, testni nabori su sadržavali 600 do 4800 vektora u zavisnosti od pacijenta i sesije pregleda. Klasifikatori su procijenjeni korištenjem balansirane ocjene tačnosti izračunatog na testnim setovima.

Logistička regresija.Klasifikator logističke regresije modelira vjerovatnoću da vektor karakteristika pripada jednoj od dvije kategorije. Algoritam prilagođava linearnu funkciju podacima o obuci i rezultat jednadžbe regresije za datu tačku podataka se dostavlja logističkoj transformaciji

gdje p(yi|xi) označava vjerovatnoću klase yi date tačku podataka xi sa Yi e {{{0}}, 1}, dok vektor težine w zajedno sa presjekom w0 određuju ugrađenu regresiju linija.

Kao takva, jednačina (3) se primjenjuje na probleme binarne klasifikacije. Stoga, u slučaju tri renalne regije, moraju se izgraditi ili tri klasifikatora jedan naspram odmora, ili je prikladan multinomijski regresijski model [31]. U našim eksperimentima koristimo posljednju varijantu. Parametri w linearnog modela se nalaze minimiziranjem funkcije troška log-gubitaka s L2 regularizacijskim terminom:

pri čemu je naša studija K=3 i pi,c predviđena vjerovatnoća da vektor pripada klasi c. Gornji problem optimizacije riješen je algoritmom za spuštanje stohastičkog prosječnog gradijenta (SAG) [32] implementiranim u Scikit-Learn paketu [33]. Odabrali smo SAG zbog njegove preporuke za velike skupove podataka i podrške za L2 regularizaciju.

Support Vector Machines. Mašine vektora podrške (SVM) čine klasu algoritama koji konstruišu hiperravninu maksimalne margine diskriminišući različite kategorije [34]. Odluka o pripadnosti kategoriji vektora x određena je predznakom jednačine hiperravne

gdje označavam indeks primjera za obuku, xi je odgovarajući vektor karakteristika, a Yi je njegova prava oznaka klase. Dok se ovaj model prilagođava podacima za obuku, riješen je problem ograničene kvadratne optimizacije. Kao rezultat, pronađen je skup Langrage množitelja ai koji nije nula, koji zajedno sa svojim odgovarajućim vektorima podrške xi i parametrom pomaka b određuju lokaciju i orijentaciju tražene granice.

Tačkasti proizvod u (5) može se zamijeniti funkcijom kernela kako bi se omogućila primjena SVM-a na nelinearne probleme. Trik kernela implicitno transformiše vektore karakteristika u prostor veće dimenzije, u kojem postaje moguće odrediti hiperravninu koja razdvaja. Slika 4c prikazuje distribuciju podskupa vektora obuke za jednog od učesnika. Ova vizualizacija je dobivena transformacijom podataka iz prostora od 20 agregata PCA karakteristika u prostor od tri dimenzije koristeći t-distributed stohastic susjed embedding (TSNE) metodu [35]. Može se vidjeti da iako je linearno razdvajanje klasa korteksa, medule i karlice vjerojatno, granica razdvajanja može biti bolje modelirana nekom nelinearnom funkcijom. U našim eksperimentima, najbolje rezultate je osiguralo jezgro radijalne bazne funkcije

gdje |.|označava é2-normu. Pošto je u stvarnim skupovima podataka savršeno razdvajanje klasa retko, kriterijum optimizacije dozvoljava – kroz dodatni parametar metode koji se obično označava slovom C – dozvoljava da određeni broj tačaka podataka prekrši granicu odluke. Parametri i C doprinose nasuprot složenosti SVM modela. Stoga smo podesili njihove vrijednosti korištenjem iscrpnog algoritma za pretraživanje mreže u peterostrukom eksperimentu unakrsne validacije. Najbolji rezultati zabilježeni su za=0.05 i

C = 1.

XGBoost stabla odluka.Koncept pojačanja ekstremnog gradijenta (XGBoost) uveli su Chen i Guestrin [36] kako bi olakšali obuku ansambla stabala klasifikacije i regresije (CART). Za razliku od klasičnih slučajnih šuma, algoritam učenja formalizira mehanizam regularizacije i korištenje raznovrsnih funkcija gubitka cilja. Zahvaljujući ovim prednostima, nedavno se pokazao efikasnim u brojnim problemima mašinskog učenja koji uključuju velike skupove podataka visoke dimenzije.

Izgradnja XGBoost ansambla bazirana je na strategiji takozvanog aditivnog treninga. Na svakom koraku t modelu se dodaje novo stablo koje minimizira ukupnu funkciju gubitka

gdje je t ü 1) oznaka klase koju je predvidio ansambl koji je do sada konstruirao, l mjeri grešku između predviđene i prave oznake Yi, dok ft odgovara strukturi stabla od T listova, koja svakom sa vektorom podataka dodjeljuje rezultat wq (xi), pri čemu je q funkcija koja dodjeljuje tačku podataka xi na datom listu stabla. I T i težine wj definiraju termin regularizacije

gdje i λ parametri kontroliraju utjecaj veličine stabla i rezultata ostavljanja na vrijednost kazne. U konfiguraciji korištenoj u našoj studiji, i λ su postavljeni na {{0}}.1 i 0.9, respektivno. Štaviše, broj stabala u ansamblu bio je jednak 10, a maksimalna dozvoljena dubina stabla je 4. Na kraju smo koristili funkciju soft-max kao objektivni kriterij l.

2.5. Farmakokinetičko modeliranje

Osim procjene rezultata segmentacije direktno korištenjem IoU koeficijenta, također smo uporedili GFR vrijednosti dobijene na slici sa mjerenjima zasnovanim na ioheksolu zasnovanim na istinitim podacima. Za potrebe određivanja GFR koristili smobubreg-specifičan model filtracije s dva odjeljka (2CFM) [5]. Ovaj PK model je razgradio bubrežno tkivo u intravaskularni (IV) i ekstracelularni ekstravaskularni (EEV) prostor i pretpostavio da nema tubulnog odljeva u periodu modeliranja. Iako se model može koristiti za procjenu bubrežne perfuzije bilo u korteksu ili cijelom bubrežnom parenhima, samo je prethodni region morao biti uzet u obzir prilikom izračunavanja GFR.

Nezavisno od razmatrane bubrežne regije, da bi se model prilagodio izmjerenom signalu S(t), odgovarajući srednji vremenski tok intenziteta slike mora se pretvoriti u koncentracijski talasni oblik Ctissue(t). To smo postigli koristeći transformaciju opisanu u [37] prilagođenu nizu odjeka gradijenta. S druge strane, C tkivo(t) opisano 2CFM modelom upravlja se jednadžbom

gdje C označava arterijsku ulaznu funkciju, VP —volumenski udio plazme, a C—CA koncentraciju u krvnoj plazmi. Prvi član u (9) predstavlja koncentraciju CA u EEV prostoru, dok drugi član pokriva koncentraciju u IV prostoru dobijenu konvolviranom arterijskom ulaznom funkcijom sa funkcijom vaskularnog impulsnog odgovora (VIRF), definiranom kao

Kao takav, VIRF modelira kašnjenje i disperziju AIF-a u odnosu na protok CA kroz kapilarni sloj. Varijable Tg—vremenska konstanta disperzije i X—interval kašnjenja, zajedno sa zapreminskim udjelom VP i prijenosnom konstantom Ktrans čine kompletan skup parametara 2CFM modela. Njihova procjena se obično izvodi u nelinearnom postupku najmanjih kvadrata (NLLS) prilagodbe krivulje. Reflektivna metoda povjerenja [38], korištena u ovoj studiji, jedan je od mogućih optimizatora koji se koriste za numeričko rješavanje NLLS problema. Za razliku od down-simplex metoda, omogućava postavljanje ograničenja na vrijednosti parametara i na taj način osigurava da konačne procjene padaju u fiziološki raspon. Ograničenja koja se pretpostavljaju u našoj studiji navedena su u tabeli 1.

Algoritam za optimizaciju 2CFM modela implementirali smo u prilagođeni softver napisan na Python-u, dostupan za preuzimanje na [39]. Algoritam je pokrenut za svakog pacijenta koristeći regije korteksa ili dobijene automatski pomoću gore opisanog segmentacionog cevovoda ili ručno označene. U svakom slučaju, AIF je određen automatski korištenjem naše metode objavljene ranije u [40].

2.6. Statistička analiza

Jedan od ciljeva automatizacije procesa DCE-MR segmentacije slike je osigurati stabilne i ponovljive procjene perfuzije. Stoga smo izvršili Studentov t-test za povezane (ponovljene) uzorke da bismo potvrdili nultu hipotezu o jednakom srednjem GFR procijenjenom na dva ispitna događaja. Osim toga, izračunali smo koeficijent ponovljivosti definiran kao [41]

gdje je σdiff standardna devijacija razlika između GFR-a napravljenih na istom subjektu i ╱pooldenotira srednja vrijednost svih mjerenja. Količina ′2σdiff koja se također naziva standardna devijacija pojedinačnog mjerenja (σsm), procjena je standardne devijacije razlika u parovima potencijalno mnogo uzastopnih mjerenja [42]. Pored procene ponovljivosti, reproducibilnost procene GFR zasnovane na slici je procenjena korišćenjem Bland-Altman dijagrama. Na kraju su rezultati analize za automatski pronađene bubrežne segmente upoređeni sa ručnim napomenama.

Cistanche može olakšatibubreziefektivno

3. Rezultati

Slika 5 prikazuje primjere izlaza mreže semantičke segmentacije za dva subjekta koji sudjeluju zajedno sa maskama zabilješke temeljne istine. Odgovarajući procesi obuke su vizualizovani na slici 6, koja prikazuje evoluciju metrike gubitka i evaluacije za setove obuke i validacije. Može se primijetiti da su nakon nekoliko prvih epoha IoU krive za skupove za obuku i validaciju ležale blizu jedna drugoj i mreža nije ušla u stanje preopterećenja. Istovremeno je došlo do monotonog smanjenja funkcije gubitka, što je dokazalo da je mreža dobila sposobnost generalizacije. IoU koeficijenti sličnosti između ručnih napomena i automatski pronađenihbubregregije dobijene nakon uklanjanja ekstrarenalnih ostrva nepovezanih sa glavnim segmentima, sakupljene su u tabeli 2. Srednja vrijednost IoU za sve subjekte i studije=0.94 i izgledala je bočno indiferentna.

U sledećoj fazi, parenhimski vokseli su klasifikovani u odvojene bubrežne kompartmente. Poređenje tri testirana klasifikatora predstavljeno je u Tabeli 3. Ona procjenjuje svaku metodu u odnosu na tri metrike – uravnoteženu tačnost, prisjećanje i preciznost. Posljednja dva su određena za svaku kategoriju bubrega posebno. Uravnotežena metrika tačnosti dobijena je kao prosjek pravih pozitivnih stopa dobijenih za određene klase. Svi prikazani rezultati su srednje vrijednosti za 20 ispitanika. Tri testirana klasifikatora su postigla sličan učinak u smislu pravih pozitivnih stopa (otprilike 95 posto). Sveukupno, međutim, SVM je pokazao najbolju izbalansiranu preciznost (96 posto) i također je dobio veću sposobnost od drugih metoda da izbjegne lažno pozitivne detekcije. To je bilo posebno očigledno

za regiju karlice, gdje je preciznost=92 posto u odnosu na 89 posto koju nude logistička regresija i XGBoost klasifikatori.

Visoke stope tačnosti klasifikacije prevedene su na jednako dobre rezultate segmentacije (Tabela 2), koji su ponovo procijenjeni koristeći Jaccardov koeficijent. Ovaj put je, međutim, izračunat kao zbir IoU-a koji je određen za svaku regiju posebno, a zatim ponderisan njegovom podrškom, tj. brojem voksela temeljne istine koji predstavljaju datu klasu. Kako bismo omogućili poređenje sa ostalim radovima, dobijene Jaccard stope smo preračunali na koeficijente kockica (F1-score) sa formulom.

Koristeći naš algoritam, postigli smo srednji Jaccardov koeficijent za klasu korteksa na lijevoj stranibubregiznosi 93,2 posto. U slučaju ostalih regija, IoU je bio jednak otprilike 91 posto, osim za klasu karlice na lijevoj stranibubreg gdje je pao na 90,1 posto . Kvalitet fine segmentacije može se vizualno potvrditi analizom primjerabubreg dekompoziciju na regije prikazane na slici 7. Kako bismo omogućili procjenu u širem kontekstu, izvršili smo i segmentaciju s dvije alternativne metode predložene u literaturi. Prvi se sastoji u izdvajanju karakteristika DCE signala korištenjem diskretne talasne transformacije (DWT) sa Daubechies-4 talasom, kao što je postulirano npr. u [12]. Zatim smo klasificirali DWT koeficijentne vektore uz pomoć SVM algoritma. U drugoj metodi poređenja, vektori karakteristika PCA su grupirani koristeći k-means algoritam (sa k=3), kao što je opisano u [14]. Ovaj drugi pristup nije uspio pravilno napraviti razliku između korteksa i medule. Većina voksela koji predstavljaju oba regiona bila je zagrljena u zajednički klaster i samo je karlica prepoznata kao autonomni dio parenhima na većini poprečnih presjeka. Za razliku od rezultata dobijenih grupisanjem, regioni proizvedeni na nadgledan način korišćenjem DWT-baziranog opisa voksela su precizniji. Međutim, broj lažnih prepoznavanja je očigledno veći nego u slučaju vektora karakteristika PCA. Dobijeni balansirani rezultat tačnosti za SVM klasifikator je u ovom slučaju iznosio samo 78 posto. Pogledajte poslednja dva reda tabele 3 za kvantitativno poređenje ovih alternativnih šema particionisanja sa Xgboostom, linearnom regresijom i najboljim SVM/PCA algoritmom u našoj studiji.

Rezultati faze segmentacije korišteni su za određivanje srednjih signala u korteksu bubrega. Ovaj signal je zatim ugrađen u 2CFM farmakokinetički model. Slika 8 prikazuje kako jedno-bubregbrzine glomerularne filtracije(SK-GFR) dobijeni na ovaj način odgovaraju relevantnim rezultatima izvedenim korištenjem ručnih napomena. Srednje vrijednosti SK-GFR za sve subjekte i studije dobijene nakon automatske i ručne segmentacije su slične (56 prema 55 mL/min/1,73 m2), a uočena razlika je statistički beznačajna (T-statistika=0.75, p-vrijednost=0.46). Pored toga, linearna usklađenost između dva tipa mjerenja dokazuje njihovu dobru korespondenciju sa r2=0.13 i 0.49 za sesije MR pregleda 1 i 2, respektivno.

Bland-Altman dijagrami prikazani na Slici 9 omogućavaju nam da procijenimo slaganje ukupnih GFR sa stopama zasnovanim na osnovnoj istini ioheksola. Prije primjene Bland–Altman metode, normalna raspodjela mjerenja je potvrđena pomoću Shapiro–Wilkovog testa. Dobijene p-vrijednosti su date u relevantnim legendama grafika. Srednja razlika za sesiju MR pregleda 1 u smislu apsolutnih vrijednosti bila je manja za ručne segmentacije (ü0.8 naspram ü7.4 mL/min/1.73 m2). U slučaju sesije 2, vrijednosti ╱d su bile konzistentne između metoda segmentacije, iako je slaganje s referentnom metodom bilo slabije. Predloženi algoritam, međutim, izgleda da radi nešto bolje (ü 12,9 naspram ü 14,1 mL/min/1,73 m2). Na osnovu dobijenih rezultata nije se moglo odlučiti koji pristup segmentaciji osigurava uže granice slaganja. U slučaju sesije 1, poređenje je favoriziralo ručnu segmentaciju (π=31.3 naspram 35,5 mL/min/1,73 m2). Međutim, najuže granice slaganja i intervala pouzdanosti u svim eksperimentima su dobijene za sesiju 2 i automatsko označavanje (π=25.1 mL/min/1,73 m2). Oba pristupa segmentaciji dovela su do ponovljivih rezultata (vidi tabelu 4) sa koeficijentom varijacije jednakim 30,2 posto u najgorem slučaju (ručna segmentacija, lijevobubreg). Očigledno je da je automatska segmentacija osigurala bolju stabilnost sa dvostruko manjim koeficijentima varijacije nego u slučaju ručnih parnjaka. P-vrijednosti dobijene u Studentovim t-testovima za povezane uzorke bile su iznad nivoa pouzdanosti a=0.05 što pokazuje nedovoljno dokaza protiv nulte hipoteze da ne postoji značajna razlika između posmatranih srednjih vrijednosti mjerenja SK-GFR. Međutim, p-vrijednost izračunata za lijevi bubreg i ručnu segmentaciju bila je relativno mala. Dalja istraga, koja potencijalno uključuje veći uzorak, je neophodna da bi se potvrdila ili odbacila ponovljivost mjerenja u ovom slučaju.

4. Diskusija

Primarni cilj ove studije bio je osmisliti efikasnu metodu zabubregsegmentacija u DCE-MR slikama. Kombinovali smo koncepte delimično predložene u prethodno objavljenim radovima u jedinstveni računski okvir. Obuhvaća grubu semantičku segmentaciju bubrežnog parenhima, PCA transformaciju vremenskih tokova MR signala kako bi se stvorila numerička reprezentacija voksela, a zatim omogućila njihova klasifikacija da proizvede finu segmentaciju bubrežnog tkiva u korteks, medulu i karlicu. Predloženi pristup dovodi do tačnih rezultata, omogućavajući prepoznavanje bubrega sa stopom od 94 posto u smislu Jaccard koeficijenta. Segmentacija određenih bubrežnih odjeljaka može se postići sa IoU između 90 posto i 93 posto (96-95 posto koeficijenta Dice), ovisno o tipu tkiva.

U odnosu na druge objavljene rezultate, dobijeni omjeri su ili u dobrom skladu ili nešto niži. U [14], Dice skor za zdravebubregsegmentacija je prijavljena na nivou od 99 posto (korteks), 98 posto (medula) i 96 posto (karlica). Međutim, takođe je pokazano za simulirane podatke da šum slike može značajno da degradira tačnost na 82–85 procenata. Budući da su se protokoli snimanja korišteni u njima iu našoj studiji razlikovali i u pogledu prostorne i vremenske rezolucije, uočena odstupanja u rasponu od 1-2 posto mogu se pripisati različitim nivoima buke u našim studijama. U jednoj grupi pedijatrijskih pacijenata korišćeni su uporedivi uslovi skeniranja [15]. Prosječna ocjena F1- uočena je bila jednaka 93 posto za cjelinububreg, i 86 posto za bubrežni korteks. U [12] segmentacija zasnovana na klasterizaciji procijenjena je korištenjem ocjena tačnosti. Prosečni dobijeni rezultati su bili: 88 procenata — korteks, 91 procenat — medula i 98 procenata — karlica. Ove vrijednosti se zajedno mogu nazvati balansiranim rezultatom tačnosti koji uzima u obzir veličinu datog segmenta. Stoga se čini da naš SVM model nadmašuje pristup zasnovan na grupisanju koji nudi tačnost klasifikacije, kao i stope prisjećanja na nivou od 96 posto čak i za najveću regiju korteksa.

Na kraju, CNN mreža se posvetila prepoznavanju cjelinebubregopisan u [26] pokazao je niže performanse od našeg U-Net dizajna, postigavši ​​F1-skor=91.4 posto za normalne ispitanike.

Uočene razlike u rezultatima segmentacije takođe treba posmatrati u svetlu konfiguracije algoritma trening-prisećanje. Za razliku od nekih alternativnih pristupa [11,14], naša strategija je neovisna o pacijentu. Kada su modeli semantičke segmentacije i klasifikacije izgrađeni, oni se primjenjuju na nove studije, koje se ne susreću u skupu za obuku. Stoga, karakteristike specifične za pacijenta ne mogu voditi mehanizam prepoznavanja i možda neće odgovarati obučenom modelu, smanjujući ukupnu stopu točnosti. Štaviše, kao što je gore diskutovano, zbog efekta djelomičnog volumena koji opstaje na granicama između korteksa, medule i zdjelice, ostaje određena doza nesigurnosti u pogledu segmentacije referentnog priručnika koja se mora uzeti u obzir prilikom analize prijavljenih metrika. Iako je SVM klasifikator obučen na pažljivo odabranim signalima temeljne istine koji se razlikuju po tkivu, podaci o validaciji, koji moraju obuhvatiti sve bubrežne voksele, još uvijek mogu patiti od subjektivizma napomena posmatrača.

Osim uočene moći da proizvede tačne rezultate segmentacije, naša strategija posjeduje jednu prednost. Budući da koristimo nadzirani klasifikator za dodjelu voksela slike odgovarajućimbubregregiona, nema potrebe za posebnim korakom označavanja. U slučaju klasteriranja, potrebno je obezbijediti neku heuristiku za tumačenje stvarne kategorije svakog klastera, ako se želi osigurati automatizacija cijele procedure.

Kao što je ilustrovano na slici 10, uglavnom postoje dva izvora neslaganja između automatskih i ručnih napomena. Prvo, granica između korteksa i medularnih piramida je dvosmislena i odgovarajući vokseli su djelimično ispunjeni s obje vrste

bubrežnog tkiva. Dok automatska metoda ima tendenciju da uključi takve voksele u klasu korteksa, stručnjak ih je često označavao kao medula. S druge strane, čak ni ručna segmentacija nije konzistentna u ovom pogledu, što dokazuje poteškoću u proizvoljnom odlučivanju o klasi voksela u kojoj je dominantan efekat parcijalnog volumena. Drugo, lažne detekcije se mogu uočiti npr. na vanjskim kortikalnim rubovima. Ovi efekti se mogu pripisati pogrešnoj registraciji slika u vremenskom domenu. Primijenjena metoda registracije b-splinea nije optimizirana za potrebe ovog istraživanja i ostaje tema našeg budućeg istraživanja.

Sprovedeni eksperimenti su takođe pokazali da predloženi algoritam segmentacije poboljšava ponovljivost procene SK-GFR zasnovane na slici. Izračunati koeficijenti varijacije iznosili su 14,5 posto i 17,5 posto za lijevo i desnobubrezi, odnosno. U slučaju ručnih napomena, dobili smo CoV=30,2 posto i 29,4 posto. Ovi rezultati se moraju procijeniti s obzirom na prirodne varijacije GFR uzrokovane nezavisnim faktorima, kao što su ishrana i doba dana. Očekuje se da nivo kreatinina u serumu, koji dobro korelira sa GFR, može dostići stepen varijacije do 10 procenata [43]. Dakle, CoV od cca. 15 posto ukazuje na dobru ponovljivost postupka koji koristi automatizacijububregsegmentacija. Dodatno, dobijena metrika ponovljivosti spada u raspon vrijednosti predstavljen na drugim mjestima, npr. u [44] CoV=32 posto i 27 posto, dok u [13], CoV=17,5 posto i 15,4 posto za lijevo i desnobubrezi, odnosno. U potonjoj studiji, međutim, CoV je izračunat samo kao odnos σsm i srednje vrijednosti svih mjerenja, bez dodatnog faktora ′2. Ako se ovaj faktor korekcije odrazi, njihovi prijavljeni CoV-i postaju 24,7 posto i 21,8 posto, što je prilično blizu našim nalazima.

Mogu se postaviti tri ograničenja naše studije. Prvo, pretpostavljeno particioniranje na zakrpe slike može natjerati mrežu semantičke segmentacije da naučibubreglokacije samo blizu jedne od ivica zakrpe. Stoga će se u daljem razvoju naših modela proučavati kako se algoritam ponaša ako je vidno polje akvizicije drugačije konfigurisano. Drugo, algoritam segmentacije je dizajniran samo pomoću zdravih subjekata. Posebno značajne posljedice može imati u slučaju fine segmentacije bubrežnog parenhima. Prilagođavanje modela klasifikacije oboljelim bubrezima može zahtijevati proširenje broja klasa na više od samo tri kategorije (korteks, medula i karlica) kako bi se odrazile različite vremenske karakteristike lezija bubrežnog tkiva. Treće, da bismo izračunali GFR, prilagodili smo 2CFM model srednjem DCE signalu procijenjenom u segmentiranom korteksu. Zbog efekta djelomičnog volumena, i ručna i automatska segmentacija mogu klasificirati neke voksele kao medularne, iako sadrže bubrežne glomerule. Ignoriranje takvih voksela može biti jedan od razloga za uočene razlike između GFR mjerenja dobivenih na slici i mjerenja GFR na bazi ioheksola. Kako bi se prevazišao ovaj problem, neki autori [5] predlažu korištenje ROI cijelog bubrega kako bi se osiguralo da svi vokseli koji doprinose bubrežnoj filtraciji budu uključeni u proces prilagođavanja PK modela. Međutim, otkrili smo da ovaj pristup dovodi do značajnog precjenjivanja GFR-a za skupove podataka dostupnih u našoj studiji. Stoga, u budućnosti planiramo primijeniti tehnike super-rezolucije zasnovane na dubokom učenju i pokušati postići preciznije anotacije kortikalnih voksela.

Štaviše, treba iskoristiti potpuno 3D pristup semantičkoj segmentaciji. Može se očekivati ​​da će neuronska mreža sposobna da obradi cijele MR volumene proizvodi preciznijebubregnapomene zahvaljujući dodatnim informacijama o dubini. Međutim, problem u ovoj studiji morao se svesti na dvije dimenzije zbog relativno malog broja studija dostupnih za obuku. Dekompozicija volumetrijskih slika u 2D poprečne preseke omogućila je značajno povećanje skupa podataka za obuku.

Na kraju, kao što je prethodno opisano, predloženi pristup je validiran na način izostavljanja jednog subjekta. Stvoreno je efektivnih 10 nezavisnih neuronskih mreža i modela klasifikatora. Postavlja se legitimno pitanje kako se ovi modeli mogu primijeniti na nove subjekte izvan uzorka dostupnog u ovoj studiji. Jedna opcija bi bila da se stvori ansambl i uvede mehanizam glasanja. Alternativno, nova šema segmentacije može biti obučena (obuhvaćajući i grube i sitnozrnate korake) na osnovu cijelog uzorka subjekta 10-. Njegov učinak u odnosu na nove skupove podataka trebao bi biti uporediv sa gore navedenim rezultatima.

cistanche može olakšatibubregbol, kliknite ovdje da saznate više

5. Zaključci

Da zaključimo, u ovom radu demonstrirali smo računski okvir za podršku kvantitativne procjenebubregperfuziju obezbeđivanjem automatizovanog načina segmentacije bubrežnih kompartmana. Dobijeni rezultati tačnosti dokazuju pouzdan rad projektovane metode. Štaviše, u našim eksperimentima, alternativni pristupi razlikovanju segmenata korteksa, medule i karlice, zasnovani na talasnim transformacijama i algoritmima grupisanja, rade manje efikasno. Ponovljivost merenja SK-GFR zasnovanog na automatski pronađenim segmentima se poboljšava u poređenju sa rezultatima ručne obrade i takođe se dobro slaže sa drugim objavljenim rezultatima. Dizajnirana metoda segmentacije omogućava povećan objektivizam perfuzijskih parametara dobijenih na slici i potencijalno bržu dijagnozu oštećenja bubrega. Ovi nalazi približavaju kliničku primjenu DCE-MR snimanja kao rutinske metode ububregdijagnostika. Konačno, kako bismo olakšali ovaj pomak sa istraživanja na domen primjene, naš softverski okvir za farmakokinetičko modeliranje činimo dostupnim na [39]. Repozitorijum takođe uključuje skripte za ekstrakciju i klasifikaciju karakteristika zasnovanih na DCE signalu.

Doprinosi autora:Konceptualizacija, AK; metodologija, AK i EE; softver, AK; validacija, AK; formalna analiza, AK; istraga, AK; resursi, EE i AL; kuriranje podataka, EE; pisanje—priprema originalnog nacrta, AK; pisanje—pregled i uređivanje, AL i EE; vizualizacija, AK; nadzor, AL; administracija projekta, AK Svi autori su pročitali i pristali na objavljenu verziju rukopisa.

finansiranje:Ovo istraživanje nije dobilo vanjsko finansiranje.

Izjava institucionalnog odbora za reviziju:Studija je sprovedena u skladu sa Helsinškom deklaracijom, a protokol su odobrili Regionalni komiteti za etiku medicinskih istraživanja – Zapadna Norveška (REC West 2012/1869).

Izjava o informiranom pristanku:Svi ispitanici su dali informirani pristanak za uključivanje prije nego što su učestvovali u studiji.

Izjava o dostupnosti podataka:DCE-MR slike korišćene u ovoj studiji ne mogu biti dostupne jer pisani pristanak koji su potpisali učesnici nije pokrivao ugovor za javno objavljivanje dobijenih podataka.

Sukobi interesa:Autori izjavljuju da nema sukoba interesa.

Reference

1. Zabell, JR; Larson, G.; Koffel, J.; Li, D.; Anderson, JK; Težina, CJ Upotreba modifikacije prehrane u jednadžbi bubrežne bolesti za procjenu Brzina glomerularne filtracijeu Urološkoj literaturi. J. Endourol. 2016, 30, 930–933.

2. Delaney, P.; Ebert, N.; Melsom, T.; Gaspari, F.; Mariat, C.; Cavalier, E.; Björk, J.; Christensson, A.; Nyman, U.; Porrini, E.; et al. Ioheksol plazma klirens za mjerenjebrzina glomerularne filtracijeu kliničkoj praksi i istraživanju: Pregled. Dio 1: Kako mjeritibrzina glomerularne filtracijesa ioheksolom? Clin.BubregJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Brzina glomerularne filtracije: Procjena pomoću dinamičke magnetne rezonance pojačane kontrastom i modela kortikalnog odjeljka u zecabubreg. J. Magn. Reson. Imaging 2004, 20, 843–849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO MRI - mjerenje perfuzije i glomerularne filtracije u ljudibubregsa modelom sa odvojivim pretincima. Investig. Radiol. 2008, 43, 40–48.

5. Tofts, P.; Cutajar, M.; Mendichovszky, I.; Peters, A.; Gordon, I. Precizno mjerenje filtracije bubrega i vaskularnih parametara korištenjem modela s dva odjeljka za dinamičku magnetnu rezonancu s pojačanim kontrastombubregdaje realne normalne vrijednosti. EUR. Radiol. 2012, 22, 1320–1330.

6. Chen, B.; Zhang, Y.; Song, X.; Wang, X.; Zhang, J.; Fang, J. Kvantitativna procjena bubrežne funkcije s dinamičkim kontrastom poboljšanim MRI korištenjem modificiranog modela s dva odjeljka. PLOS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovszky, I.; Tofts, P.; Gordon, I. Važnost odabira AIF ROI u DCE-MRI renografiji: Reproducibilnost i varijabilnost bubrežne perfuzije i filtracije. EUR. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, H.; Bokacheva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; Prince, K.; Song, T.; Kramer, EL; et al. Mjerenja bubrežne funkcije pomoću MR renografije i pojednostavljenog multikompartmentalnog modela. Am. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS; Blasberg, RG Grafička evaluacija konstanti prijenosa krvi u mozak iz podataka višestrukog unosa. Generalizacije. J. Cereb. Blood Flow Metab. 1985, 5, 584–590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Mjerenje jednostrukihbubregBrzina glomerularne filtracije korištenjem sekvence dinamičkog gradijent-eho pojačanog kontrastom i Rutland-Patlak grafika tehnike. J. Magn. Reson. Imaging 2003, 18, 714–725.

11. Zöllner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rørvik, J.; Santos, A.; Lundervold, A. Procjena 3D DCE-MRIbubrezikorištenjem nerigidne registracije slike i segmentacije vremenskih tokova voksela. Račun. Med. Imaging Graph. 2009, 33, 171–181.

12. Li, S.; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Segmentacija bubrežnih odjeljaka zasnovana na talasima u DCE-MRI kod ljudibubreg: Početni rezultati kod pacijenata i zdravih dobrovoljaca. Račun. Med. Imaging Graph. 2012, 36, 108–118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Dinamičko MRI mjerenje funkcije bubrega kod zdravih učesnika. Acta Radiol. 2017, 58, 748–757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Segmentacija bubrežnog odjeljka u DCE-MRI slikama. Med. Image Anal. 2016, 32, 269–280.

15. Yoruk, U.; Hargreaves, BA; Vasanawala, SS Automatska segmentacija bubrega za MR urografiju koristeći 3D-GrabCut i nasumične šume. Magn. Reson. Med. 2018, 79, 1696–1707.

16. Lundervold, AS; Lundervold, A. Pregled dubokog učenja u medicinskom snimanju sa fokusom na MRI. Z. Für Med. Phys. 2019, 29, 102–127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Evaluacija dubokih neuronskih mreža za semantičku segmentaciju prostate u T2W MRI. Senzori 2020, 20, 3183.

18. Shelhamer, E.; Long, J.; Darrell, T. Potpuno konvolucijske mreže za semantičku segmentaciju. IEEE Trans. Pattern Anal. Mach. Intell. 2017, 39, 640–651.

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

20. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Convolutional Networks for Biomedical Image Segmentation. U Proceedings of the 18th International Conference on Medical Image Computing and Computer Assisted Intervention, Minhen, Germany, 5-9 October 2015; str. 234–241.