Neerutsüstide automaatne semantiline segmenteerimine autosoom-dominantse polütsüstilise neeruhaiguse all kannatavate patsientide MR-piltidel

Kontakt: Audrey Hu Whatsapp/hp: 0086 13880143964 E-post: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

Abstraktne

EesmärkAutosoom-dominantse polütsüstilise haigusega patsientideleneerudhaigus(ADPKD) on tsüstide edukas diferentseerimine kasulik patsientide fenotüüpide automaatseks klassifitseerimiseks, kliiniliste otsuste tegemisel ja haiguse progresseerumisel. Eesmärk oli välja töötada ja hinnata täielikult automatiseeritud semantilise segmenteerimise meetodit neerutsüstide eristamiseks ja analüüsimiseks ADPKD-ga patsientidel.

Meetodid Automaatset süvaõppe lähenemisviisi, mis kasutas konvolutsioonilist närvivõrku, koolitati, valideeriti ja testiti 60 MR T2- kaalutud kujutisega. Kolme mudeli koolitamiseks erinevatel koolitus- ja valideerimiskomplektidel (n=40) kasutati kolmekordset ristvalideerimise meetodit. Seejärel koostati komplektmudel ja seda katsetati kinnipeetavatel juhtudel (n=20), kusjuures iga juhtumit võrreldi kahe lugeja teostatud käsitsi segmenteerimisega. Hinnati lugejate ja automatiseeritud meetodi vahelist segmenteerimiskokkulepet.

TulemusedLeiti, et automatiseeritud lähenemine toimib vaatlejatevahelise varieeruvuse tasemel. Automatiseeritud lähenemise täringu koefitsient (keskmine ± standardhälve) oli {{0}}.86 ± 0,10 vs lugeja-1 ja {{10}},84 ± {{20}},11 vs. lugeja-2. Interobserver Dice oli 0.{11}} ± 0,08. Tsüstide kogumahu (TCV) osas oli automaatse lähenemise protsentuaalne erinevus 3,9 ± 19,1 protsenti võrreldes lugejaga-1 ja 8,0 ± 24,1 protsenti vs lugejaga-2, samas kui vaatlejatevaheline varieeruvus oli –2,0 ± 16,4 protsenti .

Järeldus Selles uuringus töötati välja ja valideeriti täielikult automatiseeritud lähenemisviis semantilise segmenteerimise teostamiseksneerudtsüstid ADPKD-st mõjutatud patsientide MR-piltidel. See lähenemisviis on kasulik ADPKD täiendavate pildistamisbiomarkerite uurimiseks ja fenotüüpide automaatseks klassifitseerimiseks.

MärksõnadAutosoom-dominantne polütsüstilineneerudhaigus· Semantiline tsüst segmenteerimine · Süvaõpe · Magnetresonantstomograafia

Cistanche deserticola kasulikkus: hoiab äraneerudhaigus

Sissejuhatus

Autosoom-dominantne polütsüstilineneerudhaigus(ADPKD) on kõige levinum pärilik neeruhaigus, mis mõjutab ligikaudu 12 miljonit inimest kogu maailmas ja on praegu neljas peamine neerupuudulikkuse põhjus [1, 2]. Selle patoloogia on selline, et tsüstide pidev kasv põhjustab kogusumma järkjärgulist suurenemistneerudmaht (TKV). Tüüpilisel ADPKD-ga patsiendil on progresseeruv neerufunktsiooni langus ja vanuses 40 kuni 70 aastat areneb ligikaudu 70 protsenti lõppstaadiumis neeruhaiguseks [3, 4].

Paljud uuringud on näidanud, et TKV on ADPKD progresseerumise kasulik ennustaja [5–7]. Samamoodi aitab tsüstilise koormuse piiritlemise ja mõõtmise võime veelgi kaasa meie teadmistele haiguse progresseerumise, struktuuri ja genotüübi erinevuste kohta. On hästi teada, et tsüstide areng ja kasv on tugevas korrelatsioonis neerufunktsiooni langusega [6, 8]. Lisaks on näidatud, et TKV kasvu ja tsüstide kasvu vahel on otsene seos; kuid tsüstide kasvu ja uute tsüstide moodustumise kiirus sõltub igast inimesest [9]. Lisaks on pikisuunalised uuringud leidnud, et ADPKD-ga patsientidel suureneb aja jooksul TKV ja tsüstide maht ning väheneb kogu parenhüümi maht, mis viitab sellele, et mittetsüstilineneerudpabertaskurätikasendub uute tsüstide ja pidevalt suurenevate tsüstidega [10]. Huvitav on see, et tsüstide kasv ja tsüstiline indeks (tsüsti mahu ja TKV suhe) varieeruvad PKD1 ja PKD2 genotüüpide vahel märkimisväärselt, kuna PKD1 populatsiooni patsientidel kipuvad tsüstid arenema varem [11, 12]. Tsüstilise koormuse ja kasvu täiendav analüüs võib anda teavet haiguste suundumuste ja ravistrateegiate kohta.

Uute pildistamise biomarkerite ilmnemisel otsivad teadlased kiireid ja tõhusaid meetodeid tsüstiliste ja mittetsüstiliste isoleerimiseks.neerudpiirkonnad kudede omaduste põhjalikumaks kvantitatiivseks analüüsiks [13, 14]. Varem on tsüstide ja neerude piirkondi segmenteeritud käsitsi, mis on väga töömahukas ja subjektiivne [15]. Välja on pakutud erinevaid poolautomaatseid tsüstide segmenteerimise lähenemisviise, kasutades initsialiseerimisena intensiivsusepõhist läve [16, 17], aga ka klassikalisi masinõppe tehnikaid, nagu k-keskmiste klasterdamine [18], kontuurimeetodid [19] ja kuju eelnev tõenäosus. kaardid [20]. Täielikult automatiseeritud süvaõppe lähenemisviis, mis kasutab närvivõrke, võib aga vabastada pildianalüütiku käsitsi jälgimise tüdimusest ning pakkuda reprodutseeritavaid ja jõulisi mahuarvutusi ja segmenteerimist. Süvaõpe on ülalmainitud segmenteerimismeetoditele ainulaadne selle poolest, et mudel on võimeline andmesisenditest "õppima" olulisi pildiomadusi, mis võimaldavad tal täita oma lõplikku segmenteerimisülesannet. Koolituse kaudu suudab mudel tuvastada mustreid, pikslite intensiivsust ja kujuteavet, mis ei pruugi olla inimsilmale kergesti tuvastatav.

Konvolutsioonilised närvivõrgud (CNN), mis algavad ruumilise eraldusvõime vähendamisega, millele järgneb eraldusvõime taastamine, on oma ainulaadse arhitektuuri tõttu suurepärased piksli-/vokslitaseme meditsiinilise kujutise segmenteerimise ülesannetes. Lühidalt öeldes on esimene kokkutõmbumisosa konvolutsiooni ja eraldusvõimet vähendavate kihtide seeria, mida kasutatakse kujutise keerukuse vähendamiseks, ja teine ​​​​laiendusosa on sisuliselt peegelpilt esimesest teest, mida kasutatakse funktsioonide ja ruumiteabe kombineerimiseks. U-Neti arhitektuur [21] on üks selline võrk, mida on segmenteerimisülesannete lahendamisel meditsiinilises pildianalüüsis märkimisväärselt kasutatud. Selle arhitektuuri eriline eelis on see, et see ei nõua teiste võrkudega võrreldes suurt koolituskomplekti ja annab väga täpsed segmenteerimisväljundid.

Selles uuringus kasutame PKD MR-piltide andmekogumitneerudkahe lugeja tsüstijälgedega, mis toimivad tõena. Arendatakse välja automatiseeritud lähenemine (modifitseeritud U-Net tüüpi arhitektuur) ning koostatakse ja testitakse testandmestikul ansamblimudel. Selles uuringus kirjeldatud sügava närvivõrgu mudel võimaldab semantilist segmenteerimistneerudtsüstid tsüstide kogumahu (TCV) määramiseks ja võivad osutuda kasulikuks haiguse fenotüüpide edasiseks hindamiseks.

cistanche tubolosa eelised

materjalid ja meetodid

MR-pildi andmed

See retrospektiivne uuring sai heakskiidu institutsionaalselt ülevaatenõukogult aadressil https://github.com/TLKline/AutoKidneyCyst. Meie PKD kujutiste andmebaasist võeti 60 ainulaadse erineva raskusastmega ADPKD-ga patsiendi MR-uuringud. Selles analüüsis kasutati T2-kaalutud rasva (N=42) ja rasvata küllastunud (N=18) skaneeringuid. MR-pildid olid koronaalsed ühekaadrilised kiire spin-kaja (SSFSE) T2 järjestused, mis saadi GE-skanneriga, maatriksi suurusega 256 × 256xZ (Z on piisavalt suur, et katta kogu neerude ulatus pildistatud mahus). Kujutise vokslite suurused olid suurusjärgus 1,5 mm tasapinnas ja tavaliselt 3,0 mm viilu paksusega.

Käsitsi segmenteerimine

Neerude ja tsüstide jälgimise viisid käsitsi läbi kaks pildianalüütikut (//github.com/TLKline/AutoK idneyCyst), kellel oli nende jälgimise tegemisel aastatepikkune kogemus. Koolitus-/valideerimiskomplekti jälgis üks lugeja ja testikomplekti jälgisid mõlemad, et hinnata vaatlejatevahelist varieeruvust. Pildianalüüsi protokoll välistab neeruvaagna ja veresoonte struktuurid. Jälgimiste põhjal arvutati TKV ja TCV kui vokslite arv korrutatuna voksli mahuga. Iga analüütik oli pimestatud teise jälgede suhtes. Need jäljed eksporditi NIfTI-failidena.

Andmete kihistumine

Iga skannimise jaoks loodud TKV segmentide põhjal sorteeriti skaneeringud 40 koolitus-/valideerimisjuhtumiks ja 20 kinnipidamistestide komplekti juhtumiks. Treeningu/valideerimise andmekogus oli 28 rasvaga küllastunud juhtu ja 12 rasvata küllastunud juhtumit (70 protsenti rasva küllastunud). Hoidmistesti komplektis oli 14 rasvaga küllastunud ja 6 mitterasvaküllastunud juhtumit (70 protsenti rasva küllastunud).

Eeltöötlus

Mudelit koolitati kahe kanaliga lähenemisviisina, mille üheks kanaliks oli MR-pildilõik ja teiseks neerude segmenteerimine. Pange tähele, et selle kahe kanaliga lähenemisviisiga õpib närvivõrk tuvastama ainult neerus olevaid tsüste. Kujutised muudeti maatriksi suuruseks 256 × 256, kasutades MR-piltide interpolatsiooni ja lähima naabri interpolatsiooni neerude ja tsüstide segmenteerimismaskide jaoks. Iga MR-skaneerimise intensiivsus normaliseeriti esmalt nii, et kõigil oleks sama 95. protsentiili tase ja seejärel rakendati standardset skalaari normaliseerimist (null keskmine, ühiku standardhälve).

Semantilise segmenteerimise mudel

Võrguarhitektuur oli sarnane meie eelmiste töödega [22, 23]. Konvolutsiooniplokid koosnevad 2D-konvolutsioonidest, millele järgneb väljalangemine (väljalangemine=0.1), partii normaliseerimine, 2D-konvolutsioonid ja maksimaalne kogumine (kogumi suurus=2 ×2). Suuremate ja keerukamate filtritüüpide õppimiseks on kõrgema eraldusvõimega kihtidel suuremad tuumad (7 × 7–5 × 5–3 × 3 blokkide kaupa kodeerija teekonnal ja vastupidises suunas ülespoole). Vaheühendused on rakendatud lisakihtidena (Resneti moodi [24]). Optimeerijaks on Adam [25] algse õppimiskiirusega 1e-3 ja vähenemisega 1e-5. Kahjumõõdik on täringu sarnasuse mõõdik. Mudelit koolitatakse 200 epohhi jaoks partii suurusega=8 ja parima valideerimismõõduga mudel salvestatakse koolitusprotsessi käigus. Mudel rakendati Keras koos TensorFlow taustaprogrammiga. Mudelit õpetati Nvidia Tesla P40 GPU-le (24 GB mälu). Mudeli sisendiks on kahe kanaliga maatriks (256 × 256 × 2). Esimene kanal on MR kujutise viil ja teine ​​on vastav neerumask. Väljund on tsüsti segmenteerimise ennustus. Kokku koolitati kolme mudelit kolmel erineval koolitus-/valideerimisvoldil ning seejärel tehti enamushääletusega ansamblimudel, mida rakendati hoidmise testikomplektile. Kood on saadaval aadressil:

Hindamine

Nagu mudeli jaotises kirjeldatud, jagati koolitus-/valideerimiskomplekt kolmeks voldiks, et treenida andmete erinevatel alamhulkadel. Iga volti jaoks genereeriti õppeprotsessi käigus koolitus- ja valideerimiskõverad ning igast voltist salvestati parim mudel. Seejärel genereeriti enamusansambli mudel ja rakendati hoidmise katseandmestikule. Tsüsti mahu ja tsüstiindeksi võrdlus viidi läbi lineaarse regressiooni abil ning tsüstilise indeksit hinnati ka Bland-Altmani analüüsiga, et hinnata mõõtmiste kallutatust ja täpsust. Lisaks tehti automatiseeritud meetodi kvalitatiivseks hindamiseks visuaalsed ülekatted ning kvantitatiivseks hindamiseks genereeriti sarnasusmõõdikud. Mõlemal juhul võrreldi kahte lugejasegmenti, et hinnata vaatlejatevahelist varieeruvust, ja automaatset lähenemist võrreldi iga lugejaga eraldi.

kõrbetsitanche eelised: parandab neerufunktsiooni

Tulemused

Koolituse, valideerimise ja testimise andmekogumite vahel haiguse tõsiduse (st TKV) osas ei olnud olulist erinevust. Joonisel 1 on näidatud mahujaotused, mis on visualiseeritud tuuma tiheduse graafikutena. Need on näidatud kolme voltimise kohta, samuti üldine jaotus koolituse/valideerimise ja testikomplekti vahel. See üldine jaotus esindab ADPKD patsientide populatsiooni suurt varieeruvust.

Automatiseeritud meetodil oli kolmel erineval voldil sarnane jõudlustreening. Joonisel 2 on näidatud kolme erineva volti õppimiskõverad, sealhulgas nii koolituse kui ka valideerimise täringu väärtused mudelkoolituse ajal. Mudeli raskusi värskendatakse treeningkomplektis ja hinnatakse iga epohhi lõpus eraldi valideerimiskomplektis. Parima valideerimissooritusega mudel salvestatakse koolitusprotsessi käigus ja seda kasutatakse lõpliku ansamblimudeli väljatöötamiseks.

Automatiseeritud lähenemine oli suurepärane tsüstide täpseks segmenteerimiseks. Näidatud joonistel fig. 3 ja 4 on lineaarse regressiooni võrdlused vaatlejatevahelise varieeruvuse jaoks, automatiseeritud meetod vs. Reader-1 ja automatiseeritud meetod vs. Reader-2 tsüstide mahu jaoks (joonis 3), samuti tsüstide indeks. (joonis 4). Lisaks toimis automatiseeritud meetod sarnasel tasemel inimlugejate omaga. Joonisel 5 on näidatud tsüstilise indeksi Bland-Altmani võrdlused. Pange tähele, et patsiendid hõlmavad mitmesuguseid haigusi, alates väga väheste tsüstidega juhtudest kuni juhtumiteni, kus neeru parenhüümi asendamine tsüstidega on peaaegu täielik. Tsüstiline indeks oli vahemikus ~ 0 kuni > 90 protsenti.

Visuaalselt oli automaatse segmenteerimise lähenemisviisi ja manuaalsete lugejate vahel erakordne kokkulepe. Joonis 6 näitab visuaalseid võrdlusi ühe parema juhtumi (ülemine rida, täring=0.98), halvima juhtumi (keskmine rida, täring=0.50) ja keskmise juhtumi (alumine rida) kohta. , täring=0.86).

Üldiselt oli automatiseeritud lähenemine eristamatu varieeruvusest, mida nägid kaks erinevat jälgimist teostavat lugejat. Tabelis 1 on näidatud sarnasusstatistika, mis võrdleb vaatlejatevahelist varieeruvust automaatse lähenemise ja Reader-1, samuti automaatse lähenemise ja Readeri-2 vahel saadud varieeruvusega.

cistanche tubolosa ekstrakt: akteosiid

Arutelu

Tehisintellekti valdkonna sügav õppimine on andnud teadlastele lugematuid tööriistu andmete tõhusaks ja põhjalikuks hindamiseks, eriti meditsiinilise pildianalüüsi puhul. Selles uuringus välja töötatud algoritm segmenteeris täpselt neerutsüstid neerukoest ilma kasutaja sekkumiseta. Enne seda mudelit kasutasid elundikoest tsüstiliste struktuuride piiritlemise lähenemisviisid poolautomaatseid intensiivsusepõhiseid künnistamismeetodeid [16, 17, 20]. Üks intensiivsuspõhiste lähenemisviiside piirang on see, et erinevalt CT-st võivad MR-pikslite väärtused võtete ja isegi lõikude lõikes drastiliselt erineda, mistõttu on andmete nõuetekohaseks normaliseerimiseks vaja ulatuslikke eeltöötlusmeetodeid [26]. Veelgi enam, see intensiivsuspõhise läviväärtuse meetod jätab täielikult tähelepanuta keerulised tsüstid, millel on madalam signaali intensiivsus [16].

Selles uuringus esitatud mudel saavutas tsüstide segmenteerimise keskmiseks täringuskooriks 85 protsenti, see tulemus on võrreldav teiste elundite segmenteerimiseks rakendatud nüüdisaegsete tehnikatega. ADPKD puhul on kõik kirjanduses kirjeldatud süvaõpet kasutavad automatiseeritud lähenemisviisid keskendunud elundite segmenteerimise ülesandele, peamiselt neerude segmenteerimiseks. Mõned neist lähenemisviisidest hõlmavad kohandatud VGG-16 võrku, mille on rakendanud Sharma et. al [27] neerude segmenteerimiseks CT-piltidel. Selle uuringu keskmine täringu skoor oli 86 protsenti. Keshwani et. al, [28] kasutas sarnaselt CT-skaneeringuid neerude segmenteerumise ennustamiseks, rakendati mitme ülesandega 3D-konvolutsioonilist närvivõrku, mis saavutas täringu keskmiseks skooriks 95 protsenti. Mu et al. [29] seevastu kasutas V-Neti mudeli abil neerude segmenteerimise automaatseks genereerimiseks MR-pilte ja Dice'i skoor oli 95 protsenti.

Automaatne lähenemine võrreldi kõigis mõõdikutes väga tihedalt käsitsi jälgimisega. Lineaarsete regressioonide osas võrreldi automatiseeritud lähenemist mõlema lugejaga väga lähedalt. Lisaks oli tsüstilisel indeksil inimlugejatega sarnane eelarvamus ja täpsus. Parem täpsus tuleneb tõenäoliselt asjaolust, et automatiseeritud lähenemine on järjekindlam kui inimlugeja. Leiti, et suurim erinevus ilmnes Hausdorfi kauguses, mis võib olla tingitud mõnest väiksemast valepositiivsest tulemusest, mida saab tõenäoliselt käsitleda lihtsa järeltöötlusega (nt mudeli tsüstide segmenteerimismaski väljundi korrutamine neerumaskiga ). Lisaks oli visuaalne kokkulepe uskumatult tugev. Halvim juhtum sarnasuse näitajate poolest oli haiguse väga kerge esitus. Sel juhul võib inimlugeja kiiresti anda kvaliteedihinnangu, et tsüstide segmenteerimine lõpule viia. Üldiselt segmenteerib lähenemisviis täpselt erineva suurusega tsüstid. Selles uuringus mõõdeti tsüstid kuni ~ 3-5 mm. Seda piirab rekonstrueeritud pildi eraldusvõime, mis tasapinnas on suurusjärgus ~ 1,5 mm. Lisaks oli suurima tsüsti läbimõõt 118 mm.

Tsüstilise koormuse automaatse hindamise võime avab ukse retrospektiivsetele uuringutele, milles kasutatakse siin esitatud tehnikat. Varasemad uuringud on tsüstilise koormuse hindamiseks rakendanud põhilisemaid lähenemisviise ja on näidanud nende pildist tuletatud parameetrite paljulubavat informatiivset väärtust. Varasemad lühiajalised uuringud on näidanud, et tolvaptaan vähendas tsüstide mahtu ravitud ADPKD patsientidel, kui tsüsti mahtu mõõdeti väikeses kohordis [30]. Tuleks lõpule viia täiendav analüüs, et hinnata, kas need toimed jätkuvad kogu ravimi pikaajalise manustamise ajal. Selles uuringus esitatud automatiseeritud meetod võimaldab kiirelt ja lihtsalt analüüsida suuremat andmekogumit. Tsüstide kasvu jälgimine võib samuti anda teavet konkreetsete genotüüpide kohta. Ühes uuringus leiti, et PKD1-ga patsientidel on suurem arv tsüste kui PKD2-ga patsientidel. Täpsemalt öeldes arenevad PKD1-ga patsiendid kiiremini, kuna varakult tekib rohkem tsüste, mitte seetõttu, et need kasvavad kiiremini [11].

Selle uuringu üheks piiranguks on see, et selles hinnati suhteliselt väikest kohorti (n=60). Kuldstandardsete tsüstide segmentatsioonide genereerimine võttis aga sõltuvalt haiguse tõsidusest kuni 8 tundi. Selle piirangu tõttu töötasime välja selle konkreetse kohorti, et hõlmata haiguse fenotüüpsete esitusviiside kogu ulatust, alates vähestest tsüstidest koosnevatest neerudest (tsüstiline indeks=0,5 protsenti) kuni neerudeni, mille neeruparenhüüm on peaaegu täielikult asendatud neerudega. tsüstid (tsüstiline indeks=90 protsenti). Olles loonud meetodi tsüstilise koormuse hindamiseks haiguse fenotüüpide kogu ulatuses, muudab selle lähenemisviisi tugevalt üldistatavaks. Teine piirang on see, et me ei tuvasta mikroskoopilisi tsüste, mis on alla pildistamise eraldusvõime. Kuid need mikrotsüstid moodustavad tsüstide kogumahust suhteliselt väikese osa [31]

Tulevased uuringud võivad hinnata suuremaid kohorte ning üksikute tsüstide segmenteerimiseks ja eristamiseks saab uurida automatiseeritud meetodeid. See hõlbustab tsüstide arvu automaatset loendamist ja tsüstide suuruse jaotuse hindamist. See võib samuti võimaldada tüüpiliste patsientide automaatset klassifitseerimist ebatüüpilisteks patsientidele, mis annab teavet haiguse progresseerumise ohust ja ravimiravist kasu saamise tõenäosusest. Enamik kriteeriume, mis eristavad ebatüüpilisi juhtumeid tüüpilistest juhtudest, sõltuvad tsüstide indeksist, arvust ja suurusest. Näiteks peetakse patsienti ebatüüpiliseks, kui vähem kui 5 tsüsti on 50% või suurem TKV ja neerukude on kergelt asendatud tsüstidest [32]. Tööriist, mis arvutab selle automaatselt, võimaldaks ülikiiret ja objektiivset klassifikatsiooni kriitilise uuringu registreerimise etapis.

Tsüsti struktuuri ja koostist peetakse ADPKD hindamisel samuti väga informatiivseks. Kui tsüstilised piirkonnad on neeru parenhüümist piiritletud, võib komplekssete tsüstide protsendi või jaotuse määramiseks teha täiendava intensiivsuse ja/või tekstuuripõhise analüüsi. Tavaliselt iseloomustab neid keerulisi tsüste T2-kaalutud MR-pildis "tumedam" intensiivsus. Näib, et tervet parenhüümi kudet saab pärast suurematest tsüstidest eraldamist sarnasel viisil analüüsida. Teine lähenemisviis on lisada mitu kujutist (nt kombineerides T1- ja T2-kaalutud MR-kujutisi), et mitte ainult aidata tsüstide segmenteerimisel, vaid ka aidata neid klassifitseerida. PKD fenotüübi terviklikuks iseloomustamiseks ja laiaulatuslike uuringute läbiviimiseks, kus on segatud pildistamisandmed (nt ultraheli, kompuutertomograafia ja/ või magnetresonantstomograafia) on saadaval erinevatele patsientidele ja esinevad neeruvälised ilmingud (nt PLD).

Järeldused

Oleme välja töötanud täielikult automatiseeritud meetodi neerutsüstide semantiliseks segmenteerimiseks ADPKD-st mõjutatud patsientide MR-piltidest. Meetod toimib samaväärselt inimeste lugejatega ja on kasulik tulevastes retrospektiivsetes ja prospektiivsetes uuringutes, et hinnata patsientide fenotüüpe ja üldist tsüstilise koormuse hindamist.

Viited

1. PA Gabow, "Autosomaalne dominantne polütsüstiline neeruhaigus", N Engl J Med, vol. 329, nr. 5, lk 332-42, 29. juuli 1993,

2. PC Harris ja VE Torres, "Polycystic neeru disease", Annu Rev Med, vol. 60, lk 321-37, 2009

3. AB Chapman et al., "Autosoom-dominantne polütsüstiline neeruhaigus (ADPKD): kokkuvõte neeruhaigusest: ülemaailmsete tulemuste parandamine (KDIGO) vastuolude konverentsist", Kidney Int, vol. 88, nr.

4. EM Spithoven et al., "Neeruasendusravi autosomaalse dominantse polütsüstilise neeruhaiguse (ADPKD) korral Euroopas: levimus ja elulemus{1}}ERA-EDTA registri andmete analüüs", Nephrol Dial Transplant, vol. 29 Suppl 4, lk iv15-25, september 2014,

5. RD Perrone et al., "Neeru kogumaht on neerufunktsiooni languse ja lõppstaadiumis neeruhaiguse progresseerumise prognostiline biomarker autosomaalse domineeriva polütsüstilise neeruhaigusega patsientidel", Kidney Int Rep, vol. 2, ei. 3, lk 442-450, mai 2017, DOI:

6. AB Chapman et al., "Neeru maht ja funktsionaalsed tulemused autosomaalse domineeriva polütsüstilise neeruhaiguse korral", Clin J Am Soc Nephrol, vol. 7, nr. 3, lk 479-86, märts 2012

7. JJ Grantham, AB Chapman ja VE Torres, "Mahu progresseerumine autosomaalse domineeriva polütsüstilise neeruhaiguse korral: peamine kliinilisi tulemusi määrav tegur", Clin J Am.

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2. ja 1505-11, august 2000. [Võrgus]. Saadaval: https://www.ncbi.nlm.

11. PC Harris et al., "Tsüstide arv, kuid mitte tsüstilise kasvu kiirus on seotud muteerunud geeniga autosomaalse domineeriva polütsüstilise neeruhaiguse korral", J Am Soc Nephrol, vol. 17, nr. 11, lk 3013-9, nov 2006, https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Autosomaalse domineeriva polütsüstilise neeruhaiguse progresseerumise mehhanismid", Kidney Int Suppl, vol. 63, lk S93-7, detsember 1997. [Võrgus]. Saadaval: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. TL Kline et al., "Kujutise tekstuuri omadused ennustavad neerufunktsiooni langust autosomaalse domineeriva polütsüstilise neeruhaigusega patsientidel", Kidney Int, vol. 92, nr. 5, lk 1206-1216, nov 2017, https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline et al., "Kvantitatiivne MRI neerude kohta neeruhaiguses", Abdom Radiol (NY), vol. 43, nr. 3, lk 629-638, märts 2018

15. KT Bae, PK Comment ja J. Lee, "Neerutsüstide ja parenhüümi mahu mõõtmine MRI abil: fantoomid ja polütsüstilise neeruhaigusega patsiendid", J Comput Assist Tomogr, vol. 24, nr. 4, lk 614-9, juuli-aug 2000

16. KT Bae et al., "Uudne metoodika neerutsüstide hindamiseks polütsüstilise neeruhaiguse korral", Am J Nephrol, vol. 39, nr. 3, lk 210- 7, 2014

17. AB Chapman et al., "Neeru struktuur varases autosomaalses domineerivas polütsüstilises neeruhaiguses (ADPKD): polütsüstilise neeruhaiguse (CRISP) radioloogiliste kujutiste uuringute konsortsium", Kidney Int, vol. 64, nr. 3, lk 1035-45, september 2003,

18. K. Bae et al., "Individuaalsete neerutsüstide segmenteerimine MR-piltidelt autosomaalse domineeriva polütsüstilise neeruhaigusega patsientidel", Clin J Am Soc Nephrol, vol. 8, nr. 7, lk 1089-97, juuli 2013, DOI: https://doi.org/10.2215/CJN.10561012.

19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres ja BJ Erickson, "Polycystic Kidneys Semiautotomated Segmentation of Polycystic Kidneys in T{{1} Weighted MR Images", AJR Am J Roentgenol, kd. 207, nr. 3, lk 605-13, september 2016, https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim et al., "Maksa ja maksatsüstide automatiseeritud segmenteerimine piiratud kõhu MR-piltidelt autosomaalse domineeriva polütsüstilise neeruhaigusega patsientidel", Phys Med Biol, vol. 61, nr. 22, lk 7864-7880, nov 21 2016, DOI:

cistanche kasu tervisele: parandab neerufunktsiooni