Neerude tervislik segmenteerimine Dce-Mr piltidel, kasutades konvolutsioonilist närvivõrku ja ajalise signaali karakteristikuid

Artur Klepaczko1 , Eli Eikefjord²ja Arvid Lundervold^2,3,4

Abstraktne:Neerude perfusiooni kvantifitseerimine dünaamilise kontrastiga magnetresonantstomograafia (DCE-MRI) põhjal nõuab signaali intensiivsuse aja kulgude määramist neeru parenhüümi piirkonnas. Seega on vokslite valik, mis esindabneerudtuleb täita erilise ettevaatusega ja see on üks peamisi tehnilisi piiranguid, mis takistab selle tehnika laialdasemat kasutamist standardse kliinilise rutiinina. Neerude sektsioonide käsitsi segmenteerimine – isegi kui seda teevad eksperdid – on korduvuse ja reprodutseeritavuse vähenemise tavaline allikas. Selles artiklis tutvustame automaatse töötlemise raamistikkuneerudsegmenteerimine DCE-MR piltidel. Raamistik koosneb kahest etapist. Esiteks,neerudmaskid genereeritakse konvolutsioonilise närvivõrgu abil. Seejärel klassifitseeritakse maski vokslid ühte kolmest piirkonnast – ajukoor, medulla ja vaagen – DCE-MRI signaali intensiivsuse ajakursuste alusel. Kavandatud lähenemisviisi hinnati 10 tervest vabatahtlikust koosnevas rühmas, kellele tehti DCE-MRI uuring. MRI-skaneerimist korrati kahel korral 10-päevase intervalli jooksul. Semantilise segmenteerimise ülesande jaoks kasutasime klassikalist U-Neti arhitektuuri, samas kui vokslite klassifitseerimise katsed viidi läbi kolme alternatiivse algoritmi abil - tugivektorimasinad, logistiline regressioon ja äärmuslikud gradiendi võimenduspuud, mille hulgas SVM andis kõige täpsemad tulemused. Nii segmenteerimise kui ka klassifitseerimise etapid viidi läbi mudelite seeria abil, millest igaüks koolitati konkreetse subjekti jaoks eraldi, kasutades ainult teiste osalejate andmeid. Keskmine saavutas terviku täpsuseneerudsegmentatsioon oli IoU koefitsiendi järgi 94 protsenti. Ajukoor, medulla ja vaagen segmenteeriti IoU-ga vahemikus 90–93 protsenti, sõltuvalt koest ja kehapoolest. Tulemusi kinnitati ka kujutisest tuletatud perfusiooniparameetrite võrdlemisel põhitõe mõõtmistegaglomerulaarfiltratsiooni kiirus(GFR). GFR-i arvutamise korratavus, mida hinnati variatsioonikoefitsiendiga, määrati vasaku ja parema neeru puhul vastavalt tasemele 14,5 ja 17,5 protsenti ning see paranes võrreldes käsitsi segmenteerimisega. Reprodutseeritavust hinnati omakorda kujutisest tuletatud ja joheksoolipõhiste GFR-i väärtuste vahelise kokkuleppe mõõtmisega. Hinnangulised absoluutsed keskmised erinevused olid 9,4 ja 12,9 ml/min/1,73 m2 skaneerimisseansside 1 ja 2 ning pakutud automatiseeritud segmenteerimismeetodi puhul. Seansi 2 tulemus oli võrreldav käsitsi segmenteerimisega, samas kui seansi 1 puhul oli automaatse konveieri reprodutseeritavus nõrgem.

Märksõnad:dünaamiline kontrastiga MRI; konvolutsioonilised närvivõrgud;neerudsegmenteerimine; farmakokineetiline modelleerimine; perfusiooni kvantifitseerimine; glomerulaarfiltratsiooni kiirus

Kontakt: ali.ma@wecistanche.com

Klõpsake Cistanche herba neeruhaiguse jaoks

1. Sissejuhatus

Neerufunktsiooni hinnatakse rutiinselt seerumi kreatiniini taseme mõõtmisega. Selle väärtuse põhjal onglomerulaarfiltratsiooni kiirus(GFR) saab hinnata, kasutades näiteks võrrandit Dieedi muutmine neeruhaiguse korral [1]. Teine meetod GFR-i määramiseks, mis on hiljuti kliinilises keskkonnas populaarsust kogunud, on joheksooli plasmakliirensi test. Mõned autorid väidavad, et see meetod asendab inuliini uriini kliirensil põhineva kullastandardi tehnika [2]. Kõik need protseduurid võimaldavad GFR-i kvantifitseerida üheaegselt mõlema jaoksneerud. Seetõttu näib dünaamiline kontrastsusega magnetresonantstomograafia (DCE-MRI) atraktiivne alternatiiv – see võimaldab mitteinvasiivselt jälgida filtratsiooni jõudlust ühe korraga.neerudpakkudes samal ajal ruumiliselt lahendatud teavet koekahjustuste, näiteks fokaalse segmentaalse glomeruloskleroosi kohta.

Põhimõtteliselt annab DCE-MRI uuring T1-kaalutud mahtude seeria, mis saadakse skaneerimisprotseduuri mitmel diskreetsel ajaetapil. Meetod seisneb gadoliiniumipõhise kontrastaine (CA) booluse intravenoosses manustamises. Sel ajal kui CA boolus läbib kõhu arterite puud, kapillaarikihti ja torukujulisi süsteemeneerudsee suurendab tõhusalt läbitunginud kudede T1 lõõgastusaega, muutes seega pildi kontrasti. Selle kujutise signaali intensiivsuse muutuse ajaline dünaamika peegeldab neerufunktsiooni füsioloogilisi tingimusi ja moodustab aluse neeruperfusiooni farmakokineetilisele (PK) modelleerimisele.

Mitmed kavandatud PK mudelid püüavad matemaatiliselt kirjeldada vere perfusiooni protsessi erinevates organites. Seosesneerud, eeldab enamik mudeleid, et antud koe vokslis mõõdetud signaal on panuste summa, mis pärineb vähemalt kahest sektsioonist – intravaskulaarsest (IV) ja ekstratsellulaarsest ekstravaskulaarsest (EEV) ruumist [3–6]. Lisaks, nagu iga PK mudeli puhul, on gadoliiniumi märgistusaine kohaletoimetamine toitmisarteri kaudu huvipakkuvasse elundisse kapseldatud niinimetatud arteriaalse sisendfunktsiooni (AIF) abil. Praktiliselt on AIF neeruuuringute puhul kontrastaine kontsentratsiooni ajaline kulg kõhuaordis [7]. Alternatiivse investeerimisfondi ühendamisel nihutava ja hajutava tuumaga saavutatakse märgistusaine kontsentratsioon IV sektsioonis. Lõpuks on kontsentratsiooni ajakõver EEV ruumis võrdeline IV sektsiooni kontsentratsiooni integraaliga, mida valikuliselt moduleerib eksponentsiaalne tegur, mis esindab neerutuubulitest väljavoolu. Proportsionaalsuse koefitsient, mida sageli tähistatakse kui Ktrans, kontrollib CA ülekande kiirust IV-st EEV-kambrisse. Ktrans korrutatuna elundi mahuga viib otseselt GFR arvutamiseni.

On olemas keerulisemad mitmeosalised lähenemisviisid (nt [8]), kuigi nende potentsiaalne kliiniline rakendamine on küsitav. Raskus seisneb vajaduses tagada selliste mudeliparameetrite optimeerimise stabiilsus, sobitades samal ajal mudelikõveraid vaadeldavate andmetega. Lisaks nõuavad need mudelid nende segmenteerimistneerudparenhüüm ajukooresse ja medullasse. See nõue kehtib tegelikult ka kahekambriliste mudelite kohta. [3] välja pakutud klassikaline mudel, mis põhineb üldisel Rutland-Patlaki mudelil [9, 10], on rakendatav ainult ajukoore piirkonnale. Teisest küljest on kahekambrilise filtreerimismudeli [5] rakendamine kogu neerule omastamisfaasi jaoks vastuvõetav. Kui soovitakse perfusiooni mõõta, peab analüüs piirduma jällegi ainult ajukoorega. Igal juhul tuleb välja jätta vaagnapiirkond, mis kogub kontrasti uuringu eritumise faasis. Seetõttu nõuab DCE-MRI andmeanalüüsi protseduuri automatiseerimine mitte ainult neeru piiritlemist, vaid ka iga neeruvoksli märgistamist kas kortikaalsesse, medullaarsesse või vaagnaklassi kuuluvaks.

Probleemneerudsegmenteerimisega on tegelenud paljud autorid. Sageli klassifitseeritakse vokslid nende intensiivsuse ajakursuste alusel. Näiteks [11]-s kasutatakse k-keskmise algoritmi vokslite rühmitamiseks klastriteks nende signaali intensiivsuse ajakursuste alusel. Seda lähenemisviisi arendati edasi artiklis [12], kus signaali intensiivsuse aja kulgu töödeldi eelnevalt diskreetse lainelise teisendusega. Lõppkokkuvõttes tuleb kasutada nii klastrite olemuslikel omadustel kui ka nende suhetel põhinevat heuristilist meetodit, et teha kindlaks, milline klaster esindab ajukoort, medullat, vaagnat ja tausta. Täiesti järelevalveta järeldus kannatab mürarikaste sisendandmete tõttu, mida ei saa üheselt klassifitseerida anatoomiliselt tähenduslikesse kategooriatesse. See on eriti ilmne vokslite puhul, mis asuvad ajukoore ja medulla piiridel. Need on määratud klassi "muud osad", mis sisaldab voksleid ka väljaspoolneerud.

Seetõttu seisneb sageli järgitav strateegia esmalt terviku eraldamisesneerudpildi teistest osadest. Piiritletud huvipiirkonnad peaksid täpselt sobima neerude piiridega, et vabaneda kõigist naabervokslitest. Sellise lahenduse näiteks on kõveraalused pindalakaardid (AUC), mida kasutatakse näiteks dokumendis [13]. Need DCE-MRI järjestuse vokslid, millesse märgistusaine tungib, paistavad AUC-kaartidel eredana, kuna nende signaali intensiivsuse aja jooksul on suurim ala. On õpetlik märkida, et see lähenemisviis nõuab kas käsitsi või automaatset järeltöötlust, et eemaldada neeruvälised struktuurid, suured veresooned ja uriinikogumiskanalid.

Jämedast peeneks segmenteerimise strateegiat rakendati ka aastal [14], kus võeti kasutusele maksimaalselt stabiilsete ajaliste mahtude (MSTV) kontseptsioon. MSTV funktsioonid võimaldavad ära tundaneerudtuvastades ruumiliselt homogeensed ja ajaliselt stabiilsed struktuurid. Peeneteraline segmenteerimine saadakse vokslite ajakulu vähendamisel põhikomponentide vektoriteks, mis jagatakse järgmiseks k-keskmiste abil mitmeks klastriks. Lõpuks tuleb aga saadud segmentatsioone iteratiivselt täpsustada, et eemaldada kõik allesjäänud mürad. Sarnaselt hõlmab [15] kirjeldatud uuringus segmenteerimisprotseduuri esimene etapp kõhu kudede signaali võimendamise dünaamika iseloomustamist. On täheldatud, et medulla, erinevalt ajukoorest, maksast või põrnast, näitab signaali intensiivsuse pidevat suurenemist, mis toimub hankimisjärjestuses hiljem. Pärast medulla vokslite tuvastamist tehakse neerumaskide loomiseks dilatatsioon, millele järgneb GrubCuti algoritm. Peenhäälestus saavutatakse vokslite klassifitseerimisel eelkoolitatud juhusliku metsaklassifikaatoriga. Vokseleid iseloomustavad nende vastavad kujutise intensiivsused dünaamilise jada valitud ajaraamides ning nende asukoht esimeses etapis konstrueeritud ROI-des.

Kuigi nii MSTV-l kui ka GrubCutil põhinevad panused näivad andvat rahuldavaid tulemusi mitme andmekogumi jaoks, on need kontseptuaalselt üsna keerukad algoritmid, mis pole saadaval ei kommertstarkvaras ega avatud lähtekoodiga tarkvaras. Sellisena ei saa kliiniline kogukond neid kergesti omaks võtta.

Teisest küljest muudavad hiljutised edusammud konvolutsiooniliste närvivõrkude arhitektuurides ja nende tarkvararakenduste laialdane kättesaadavus süvaõppemeetodid eriti atraktiivseks meditsiiniliste piltide bioloogiliste kudede segmenteerimisel. CNN-ide tõhusust MRI andmete analüüsi mitmekülgsetes stsenaariumides käsitletakse põhjalikult artikli [16] põhjalikus ülevaates. Täpsemalt, [17] on eesnäärmevähi semantilist segmenteerimist testitud erinevates võrguarhitektuurides, st täiskonvolutsioonivõrgus [18], SegNetis [19], U-Netis [20] ja DeepLabV3 pluss [21]. 2-kaalutud MRI. Anatoomilisi MR-pilte analüüsiti ka artiklis [22]. Autorid töötasid välja kohandatud CNN-i arhitektuuri, et automaatselt visandada polütsüstilineneerud. Veel üks huvitav lähenemisviis on esitatud dokumendis [23], kus süvaõpet kasutati aju perfusioonikaartide otseseks järeldamiseks DCE-MRI järjestusest, ilma et oleks mõõdetud signaalidele PK mudelit selgesõnaliselt sobitatud.

CNN-ide segmenteerimisel kasutamise kohta on avaldatud mitmeid uuringuidneerudkompuutertomograafia piltidel [24,25]. Kuid DL-põhine segmenteerimineneerudkontrastiga MRI andmekogumites on endiselt ammendamata teema. Erakordse näitena avaldatud töödest, mis on pühendatud spetsiaalselt neerude DCE-MRI uuringutele, võib mainida Haghighi et al. [26]. Nad ehitasid ja koolitasid kahe CNN-võrgu kaskaadi. Selle kaskaadstruktuuri sisendiks on 4D DCE-MR pilt. Esimene võrk lokaliseerib kujutisel ligikaudu vasaku ja parema neeru, samas kui teine ​​​​vastutab neerupiiride täpse piiritlemise eest. Siiski ei tehtud täiendavat segmenteerimist ajukooreks ega medullaks, kuna GFR arvutamiseks kasutati ainult kogu neeru parenhüümi.

Ülaltoodud kaalutlusi silmas pidades on käesolevas artiklis esitatud lähenemisviis vastus vajadusele automaatse algoritmi järele, mis ühelt poolt tuvastaks täpseltneerudDCE-MR-kujutises olevad sektsioonid, samas kui teiselt poolt on seda suhteliselt lihtne reprodutseerida mis tahes uurimisrühm. Seetõttu teeme ettepaneku:

1. Kasutage CNN-i arhitektuuri semantiliseks segmenteerimiseksneerudparenhüüm,

2. kirjeldavad parenhümaalseid voksleid koos tunnuste agregaatidega, mis on tuletatud signaali intensiivsuse lainekujude teisendamisest põhikomponentide analüüsi (PCA) abil;

3. eristage ajukoore, medulla ja vaagna piirkondi ekstraheeritud PCA tunnusvektorite klassifitseerimise kaudu.

Kasutatud algoritmide üksikasjad on esitatud jaotises 2. Jaotises 3 hindame segmenteerimise tulemusi ja seda, kuidas kavandatud lahendus mõjutab hinnanguliste PK parameetrite stabiilsust. Seda hindamist tehes oletame ka, et on võimalik konstrueerida universaalne arvutusskeem, mis on võimeline tootma uutele subjektidele õigeid segmentatsioone, tuginedes ainult ajaloolistele andmetele. Usume, et sellist skeemi saaks laialdaselt levitada ja kliinikutes rakendada, ilma et oleks vaja teha mingeid pingutusi kohandatud kujutise hankimise protokollidega kohanemiseks. Selle eesmärgi saavutamiseks oleme valideerinud pakutud arvutusprotsessi jättes üks subjekt välja. Oleme loonud rea segmenteerimis- ja klassifitseerimismootoreid, millest igaüks on koolitatud erinevale patsientide rühmale. Seejärel on antud mootorit testitud subjektil, mida pole koolitusfaasis nähtud. Arutelu saadud tulemuste üle on toodud 4. jaos.

2. Materjalid ja meetodid

2.1. Mri Data

Selles artiklis esitatud katsed ja algoritmid töötati välja, kasutades 20 mõõtmisjärjestust, mis saadi 10 tervelt vabatahtlikult. MRI uuringud tehti 1,5 T seadmega (Siemens Magnetom Avanto, Erlangen, Saksamaa). Andmehõiveprotokoll hõlmas iga subjekti pildistamist kaks korda 10-päevase vahega, kasutades kontrastiga 3D rikutud gradiendi kaja meetodit (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- tasapinna eraldusvõime=2,2 × 2,2 mm2, lõigu paksus=3 mm, võttemaatriks=192 × 192, viilude arv=30). Kontrastainet (0,025 mmol/kg GdDOTA) manustati intravenoosselt voolukiirusel 3 ml/s. Iga mõõtmisjada koosnes 74 kaadrist, mis saadi 2,3 s intervalliga.

Liikumise artefaktide vähendamiseks loodi pildistamisprotokoll hinge kinnipidamisel piltide saamiseks. Esiteks saadi 18--i hingetõmbeperioodi jooksul kaheksa algtaseme kontrastaine eelset mahtu. 7 sekundit pärast gadoliiniumi süstimist juhendati osalejaid hoidma hinge kinni 26 sekundit, et tagada liikumisvaba, esimese läbimise perfusioon. Järgmisena lühendati filtreerimisfaasis hinge kinnipidamise perioode 13 sekundini ja vahele jäeti 26 sekundit vaba hingamist. Hingamise hõlbustamiseks said katsealused nina kaudu hapnikku voolukiirusega 1 l/min.

Allesjäänudneerud liikumist korrigeeriti järeltöötluses, teostades iga DCE-MRI järjestuse b-spliini registreerimist. Sel eesmärgil kasutasime Insight Toolkiti (ITK) tarkvarateegi B-splaine algoritmi [27]. Igas järjestuses valisime võrdlusraami, mis vastab perfusioonifaasi keskpunktile, ja seejärel kasutasime seda fikseeritud mahuna, millega sobitati iga teine ​​(liikuv) maht. B-splainide registreerimine viidi läbi täielikult automaatselt, st huvipakkuvate kudede kohale ei märgitud ühtegi lähtepunkti. Lisaks käivitati protseduur mitmeastmelises konfiguratsioonis. Igas etapis kasutati erinevaid võrgu suuruse ja alamdiskreetimissageduse sätteid. Nende parameetrite üksikasjaliku tõlgendamise jaoks on lugeja viidatud ITK dokumentatsioonile. Lühidalt, need võimaldasid kujutisi registreerida erinevates skaalades – alustades jämedast sobitamisest ja seejärel tulemuse täpsustamisest.

Algoritmide kavandamise ja hindamise vajaduseks märkis MR-urograafia alal kogenud radioloog kõik mahud käsitsi. Igas ajaraamis, vasakule ja paremaleneerudpiiritleti. Seejärel määrati kahes kaadris, mis olid seotud perfusiooni ja eritumise faasidega, parenhümaalsed vokslid ajukoorele, medullale või vaagnale.

Uuringute vahepeal läbisid vabatahtlikud joheksooli kliirensi protseduuri. Katsealustele manustati annus 5 ml joheksooli (300 mg l/ml; Omnipaque 300, GE Healthcare). Seejärel määrati tõesed GFR-i väärtused, et võimaldada kujutisest tuletatud perfusioonihinnangute valideerimist.

Osalejaid juhendati keelduma alkoholist ja valgurikkast toidust, vältima liigset füüsilist pingutust, olema normaalselt hüdreeritud vähemalt 2 päeva enne uuringut ja neil ei tohiks uuringupäeval kofeiini tarbida. Skaneerimisseansside ja joheksooli kliirensi testi võrreldavate uurimistingimuste tagamiseks soovitati ka säilitada regulaarne söömisaeg ja dieet. Kõik vabatahtlikud andsid oma kirjaliku teadliku nõusoleku uuringus osalemiseks, mille kiitis heaks Norra Haukelandi ülikooli haigla Bergeni institutsionaalne läbivaatamisnõukogu.

2.2. Segmenteerimistorustiku ülevaade

Kavandatav segmenteerimiskonveier on kujutatud joonisel 1. Esialgne jäme segmenteerimine saavutatakse U-Net struktuuri täielikult konvolutsioonilise närvivõrguga. See samm viidi läbi DCE-MRI järjestuse ühe mahulise kujutise järgnevate kahemõõtmeliste ristlõigetega. See pilt vastab ajukoore piirkonna signaali kõrgeima võimenduse raamile, kui neeru parenhüümi jagunemine ajukooreks ja medullaks on selgelt nähtav.

Eeldasime, et ühe ristlõike saab jagada vasakule ja paremale pooleks, millest igaüks on 96-piksli laiusega. Teatud küljel on võimalik tsentraalselt leida 96-piksli kõrgusega pildilaik, mis katab tervenistineerud. Nii tagasime, et vasak ja paremneerudsegmenteeritakse ja töödeldakse eraldi. Praegu nõudis meie meetod selle eelduse kehtimist võrgu toimimise tagasikutsumise etapis. Treeningu ajal piisas, kui kujutise plaaster sisaldas vähemalt osa neeru parenhüümist. Veelgi enam, plaastri suurust 96 × 96 kohandati selles uuringus saadaolevate DCE-MRI andmete tasapinnalise eraldusvõimega ja seda tuleks muuta erinevate hankimiskonfiguratsioonide korral.

Jäme segmenteerimine võib mõnikord vajada täiendavat viimistlemist, et lükata tagasi väikesed ekslikult segmenteeritud pikslite neeruvälised klastrid. Meie algoritmis tuvastati ühendatud komponendid ja ainult suurim anti edasi järgmisse etappi. Lisaks pange tähele, et kuigi meie semantilise segmenteerimise etapp viidi läbi 2D-s, rakendati seda antud mahu kõikidele ristlõigetele. Järgmised analüüsid viidi läbi vokslite kaupa, nii et tõhusalt arvutati GFR kõigist 3D ajukoore ROI-s jaotunud nefronitest.

Tänu pildi registreerimisele ajapiirkonnasneerudühe kaadri jaoks loodud maske saab rakendada kõigile teistele dünaamilise seeria kaadritele. Seega määrati neeruvokslitele välja tunnusvektorid, mis koosnesid MRI signaali intensiivsuse väärtustest, mida mõõdeti järgmistel ajapunktidel. Signaali dünaamika üldisemate omaduste saamiseks eraldasime PCA teisenduse abil funktsioonide agregaadid. Iga neeruvoksli kirjeldamiseks valiti 20 kõige informatiivsemat agregaati. Lõpuks määras klassifikaator, kes oli koolitatud eristama ajukoore, medulla ja vaagna piirkondade ajalisi omadusi, voksli sobivasse kategooriasse.

Kavandatud kaheetapilise lähenemisviisi põhjendus oli tagada, et lõplik äratundmine põhineks maksimaalselt kindlatel alustõe annotatsioonidel. Kui CNN eraldaks ajukoore medullast ja vaagnast, tuleks luua täpsed sihtmaskid ja annotaator peaks tegema otsuse, kus asub tegelik piir erinevate kudede vahel. Paljudel juhtudel ei olnud see osalise mahuefekti tõttu tühine. Seega võib selline otsus ja sellest tulenevalt ka koolitatud võrgumudel olla kallutatud ainulaadse vaatleja kogemuse poole. Teise võimalusena otsustasime koolitada klassifikaatorit, kasutades ainult üheselt mõistetavatest kohtadest pärit signaale, nagu allpool kirjeldatud. Hiljem, edasipääsu järeldamise ajal, oli algoritmi kohustus objektiivselt eristada voksleid, mis kuuluvad vaidlusalustesse piirkondadesse.

Lõpuks saadi kõik kavandatud protseduuri arvutusühikud - CNN ja klassifikaatori mudel, samuti PCA teisendusmaatriks - patsientide rühma jaoks, mis ei sõltu praegu töödeldavast andmekogumist. Järgmistes alajaotistes esitame algoritmi üksikute moodulite rakendamise üksikasjad.

2.3. Cnnfor semantiline segmenteerimine

Saadaolevate U-Neti variantide hulgas kasutasime [28] avaldatud rakendust. Kuna see erines algses artiklis [20] kirjeldatud arhitektuurist, võetakse kõigepealt kokku selle struktuuri spetsiifilised omadused, mis on kohandatud meie uuringu vajadustega.

2.3.1. Võrgu arhitektuur

U-Neti konvolutsiooniline närvivõrk töötati algselt välja neuronaalsete struktuuride segmenteerimiseks elektronmikroskoopilistes virnades ja osutus tõhusaks paljudes teistes biomeditsiinilistes rakendustes. Nagu öeldud, oli meie mudeli sisendiks 2D halli tasandi pilt - ühe 3D DCE-MRI helitugevuse ristlõike plaaster. Plaastri suuruseks kohandati 96 × 96 pikslit (vt joonis 2).

U-Neti iseloomulik tunnus on see, et see sisaldab kahte sümmeetrilist osa - kokkutõmbumis- ja laienemistee. Kokkutõmbuva tee eesmärk on kodeerida kujutise pikslite intensiivsusmustrid, teostades konvolutsiooni 3 × 3 treenitavate raskuste filtritega. Filtrite väljundid aktiveerivad võrgu peamised töötlemiskomponendid - neuronid, mida nimetatakse rektifikeeritud lineaarseteks ühikuteks (ReLU). Need võimaldavad modelleerida mittelineaarseid seoseid pildi omaduste ja väljundi segmenteerimiskaardi vahel. Seega võib kodeerimisetappi võrrelda protsessiga, mida digitaalses pilditöötluses tuntakse funktsioonide ekstraheerimisena. Sellele järgneb max-pooling toiming, mis võtab funktsioonide kaardid alla.

Kokkutõmbumist korratakse neli korda, et eraldada erinevatel skaalatasemetel kujutise deskriptorid. Iga taseme moodustab tegelikult plokk, mis koosneb kahest konvolutsioonikihist, millest igaühele järgneb partii normaliseerimiskiht, mis säilitab antud partii väljundi manustuste konstantse keskmise ja standardhälbe. Seega tagab partii normaliseerimine, et madala intensiivsusega dünaamikaga funktsioonid on sama tähtsad kui need, mille ulatus on suurem. Konvolutsiooni- ja normaliseerimiskihi paarid eraldab väljalangemiskiht, mis määrab juhuslikult 20 protsenti sisendsõlmedest 0-ks. See mehhanism, mis on aktiivne ainult treeningfaasis, takistab võrgu ülepaigutamist [29].

Viimase alla diskreetimisploki väljund, mida nimetatakse kitsaskohaks, edastatakse laiendus- või dekodeerimisteele. See on üles ehitatud samast arvust üles-diskreetimistasemetest kui kontraktiivne osa ja selle põhiülesanne on taastada algne ruumiline eraldusvõime. Selles uuringus teostati proovide võtmine transponeeritud konvolutsiooni abil. Iga dekodeerimisplokk koosnes ka kahest konvolutsiooni- ja partii normaliseerimise kihist. Erinevalt kodeerimisplokkidest ei sisestatud nende vahele ühtegi väljalangemismehhanismi. Veelgi enam, alla diskreetimisrajal ekstraheeritud kõrge eraldusvõimega funktsioonikaardid mitte ainult ei toidanud järgnevaid kodeerimiskihte, vaid ühendati ka dekodeerimiskihtide sisenditega üles-diskreetimise tee vastavatel tasanditel. Need lisaühendused aitasid dekodeerimisplokkidel taastadaneerudsegmentide lokaliseerimine täpsemalt.

Nagu on näha jooniselt 2, koosnesid kodeerimisplokid üha suuremast arvust konvolutsioonifiltritest, mis läksid kontraktsioonitee sügavamale alla. Alates 64 filtrist kahes esimeses konvolutsioonikihis jõudis objektikaartide arv kitsaskohas 1024-ni, mis kahekordistus igal allavalimi tasemel. Vastupidi, laiendusteel olevate filtrite arv jagati igal ülespoole suunatud sammul kahega. Selle tulemusena oli lõplikul objektikaardil taas sügavus 64.

Viimase ülesvõtuploki väljund ühendati 1 × 1-suurusega filtritega konvolutsioonikihiga. See teostas filtrituuma pikslite kaupa konvolutsiooni 64-elemendi funktsioonivektoriga ja seejärel esitas tulemuse väljundi aktiveerimise funktsioonile. Meie disainis kasutati sigmoidset aktiveerimist, kuna lõplik otsus oli binaarne - piksel kuulus neeru parenhüümi või tausta.

2.3.2. Koolitus

Võrgukaalud initsieeriti juhuslikku olekusse He et al. meetodil. [30]. Treeningprotsess viidi läbi DCE-MRI mahtudest kärbitud pildiplaastritel, millest igaüks sisaldas ühte, vasakut või parematneerudristlõige. Nagu ülalpool kirjeldatud, eraldati 96 × 96- pikslilised kujutise laigud DCE järjestuse mahtudest, mis vastavad perfusioonifaasile, st ajukoore ja medulla vahelise signaali maksimaalse kontrasti ajaraamidele. Treeningpiltide arvu suurendamiseks valisime iga uuringu jaoks tegelikult kolm sellist ajavahemikku - ühe, mille signaal on ajukoore piirkonnas maksimaalselt tugevnenud, üks eelnev ja üks järgnev ajavahemik. Igas pildiköites üksikneerudoli näha keskmiselt 12 viilu peal. See andis ligikaudu 1440 treeningplaastrit.

Kuigi U-Neti võrgud saavad tavaliselt hakkama väikeste koolitusnäidistega, otsustasime andmekogumit andmete suurendamise kaudu veelgi suurendada. See saavutati kujutise plaastri 10 erineva vertikaalse asendi valimisega ja selle juhusliku peegeldamisega horisontaalsuunas. Plaastri positsioonide valimisel veendusime, et see hõlmaks piisavalt suurt osa pildikeskusest, mis sisaldas olulisi neeru parenhüümi fragmente (vt joonis 3). Üldiselt jõudis koolituseks saadaolevate piltide arv 13 964-ni. Üks kolmandik koolituspiltidest eraldati valideerimise eesmärgil.

Koolitasime 10 erinevat CNN-i mudelit, ühe iga patsiendi jaoks. Antud subjektile pühendatud mudeli ehitamisel eemaldati koolitus- ja valideerimiskomplektidest selle vastavad kujutise plaastrid (olenemata eksamisessioonist) ning neid kasutati ainult testimiseks. Võrgu kaalude uuendamisel kasutati stohhastilise gradiendi laskumise algoritmi konstantse õppimiskiirusega=0,01 ja impulsiga=0,99. Optimeerimiseks valitud kadufunktsiooniks oli binaarne ristentroopia kriteerium, mis määratleti kui

kus N on vokslite arv, Yi on tegelik vokslimärgis ja p(Yi) on võrgu ennustus, et i-s vektor kuulub tõepoolest klassi Yi, kusjuures 0 < p(Yi) < 1. , et jälgida kvaliteetineerudSegmenteerimisel treeningperioodide lõikes arvutasime Jaccardi koefitsiendi, mida edaspidi tähistatakse kui IoU (ristmik-üle-liit)

kus K tähistab pikslite arvu töödeldud lõigul ja y on ennustatud pikslite kategooria. Siin olid kategooriad Boole'i ​​väärtusega ja piksel märgistati True, kui see kuulus kategooriasseneerud, Muidu vale. Iga subjekti puhul käitati optimeerimisalgoritmi 50 epohhi jooksul. Salvestatud mudel vastas epohhile, mille kaotusfunktsiooni skoor oli valideerimisandmestiku jaoks saadud.

2.4. KlassifikatsioonNeerVokslid

2.4.1. Funktsiooni ekstraheerimine

Konkreetseid neerusektsioone esindavate vokslite diferentseerimine võib põhineda toorsignaali intensiivsuse ajakursustel. Teeme siiski ettepaneku teisendada signaali lainekujud, st 74 ajalise tunnuse vektorid, vähendatud mõõtmetega ruumi, kasutades põhikomponentide analüüsi (PCA). Selle teisenduse eesmärk ei ole mitte ainult saadava klassifikatsioonimudeli keerukuse vähendamine, vaid ka selle üldisemate omaduste eraldamine.neerudkude, erinevate teemade esindaja. Veelgi enam, isegi samas kliinilises üksuses saab DCE-kuvamist teha järjestuses, mis, kuigi hõlmab sarnast ajavahemikku, on erineva ajalise eraldusvõimega. Seega saab muutuva pikkusega sisendandmevektoritele rakendada otsustussüsteemi, mis aktsepteerib ühtset tunnusmustrit, kasutades adapterina PCA teisendusobjekti.

Eeldasime, et ekstraheeritud PCA komponendid peaksid selgitama vähemalt 90 protsenti algse andmekogumi dispersioonist. Selle nõude täitmiseks iga õppeaine puhul tuli koostada vähemalt 20 tunnusagregaati. Nagu me täheldasime, ei toonud suurem arv komponente kaasa suuremat klassifitseerimise täpsust.

2.4.2. Funktsioonivektorite klassifikatsioon

Neeruvokslite määramine ajukoorele, medullale või vaagnale teostab klassifikaator, kes on koolitatud järelevalve all. Meie lähenemisviisis on ajaloolised andmed sobivate otsustusreeglite koostamise mustrid, mida hiljem rakendatakse uutes uuringutes. Oleme katsetanud kolme klassifitseerimisalgoritmi, et leida kõigi ainete jaoks parim skeem. Uuritud meetodid hõlmasid logistilist regressiooni, tugivektori masinaid ja XGBoosti otsustuspuid. Järgnevalt tuletame meelde kasutatud algoritmide omadusi ja kirjeldame, kuidas koolitusandmed koostati.

Treenige ja katsetage andmekogumeid.Treeningvektorid saadi huvipakkuvatest piirkondadest, mis olid käsitsi märgitud vastavatesse parenhüümi asukohtadesse. Annotatsioonid tehti ainult vokslites, mille kuuluvus oli üheselt mõistetav (vt joonis 4a, b), võimaldades koolitatud klassifikaatoril otsustada domineeriva koekategooria üle vokslite puhul, mis on osaliselt täidetud erinevate sektsioonidega. 20 saadaolevast eksamist kogutud treeningvektorite arv ületas väärtuse 60,000. See andmekogum jaotati 10 voldiks, millest igaüks sisaldas andmevektoreid kõigilt peale ühe subjekti, mis jäeti testimise eesmärgil eraldi. Antud voldis oli klasside jaotus ligikaudne järgmine: ajukoor - 58 protsenti, medulla - 31 protsenti, vaagen - 11 protsenti. Selleks, et anda klassifikaatoritele võimalus õppida võrdse täpsusega kategooriaid eristama, valiti igas treeningvoldis ajukoort ja medulla esindavad alamhulgad uuesti, et need vastaksid vaagna kategooria suurusele. Keskmiselt hõlmas treeningkomplekt pärast uuesti proovivõttu rohkem kui 16,000 vektorit voltimise kohta. Antud koolitusvoldisse lisati mõlema eksami seansi andmed. Teisest küljest sisaldasid testimisvoldid 600 kuni 4800 vektorit sõltuvalt patsiendist ja uuringuseansist. Klassifikaatorite hindamiseks kasutati testikomplektide põhjal arvutatud tasakaalustatud täpsusskoori.

Logistiline regressioon.Logistilise regressiooni klassifikaator modelleerib tõenäosust, et tunnusvektor kuulub ühte kahest kategooriast. Algoritm sobitab treeningandmetega lineaarse funktsiooni ja antud andmepunkti regressioonivõrrandi tulemus esitatakse logistilisse teisendusse

kus p(yi|xi) tähistab klassi yi tõenäosust andmepunktis xi koos Yi e {{0}}, 1}, kusjuures kaaluvektor w koos lõikepunktiga w0 määrab sobitatud regressiooni rida.

Sellisena kehtib võrrand (3) binaarse klassifikatsiooni probleemide korral. Seetõttu tuleb kolme neerupiirkonna puhul ehitada kas kolm üks versus-puhke klassifikaatorit või sobib multinomaalne regressioonimudel [31]. Oma katsetes kasutame viimast varianti. Lineaarse mudeli parameetrid w leitakse logaritmikadude kulufunktsiooni minimeerimisel L2 regulaatoriga:

kus meie uuring K=3 ja pi,c on ennustatud tõenäosus, et vektor kuulub klassi c. Ülaltoodud optimeerimisülesanne lahendati Stochastic Average Gradient (SAG) laskumisalgoritmiga [32], mis oli realiseeritud paketis Scikit-Learn [33]. Valisime SAG-i, kuna see soovitab suuri andmekogumeid ja toetab L2-reguleerimist.

Toetage vektormasinaid. Tugivektorimasinad (SVM) moodustavad algoritmide klassi, mis konstrueerivad maksimaalse varu hüpertasandi, eristades erinevaid kategooriaid [34]. Otsuse vektori x kategooriasse kuulumise kohta määrab hüpertasandi võrrandi märk

kus ma tähistan koolitusnäite indeksit, xi on vastav tunnusvektor ja Yi on selle tegelik klassi silt. Selle mudeli sobitamisel treeningandmetega lahendatakse piiratud ruutliku optimeerimise probleem. Selle tulemusel leitakse nullist erineva Langrage'i kordajate ai komplekt, mis koos vastavate tugivektorite xi ja nihkeparameetriga b määravad otsitava piiri asukoha ja orientatsiooni.

Punktis (5) oleva punktiprodukti saab asendada kerneli funktsiooniga, et võimaldada SVM-i rakendamist mittelineaarsete probleemide korral. Kerneli trikk teisendab tunnusvektorid kaudselt kõrgema mõõtmega ruumi, kus on võimalik määrata eraldav hüpertasand. Joonisel 4c on näidatud ühe osaleja treeningvektorite alamhulga jaotus. See visualiseerimine saadi 20 PCA funktsioonide agregaadi ruumi andmete teisendamisel kolmemõõtmeliseks ruumiks, kasutades t-jaotatud stohhastilise naabri manustamise (TSNE) meetodit [35]. On näha, et kuigi ajukoore, medulla ja vaagna klasside lineaarne eraldamine on usutav, võib eralduspiiri paremini modelleerida mõne mittelineaarse funktsiooniga. Meie katsetes tagas parimad tulemused radiaalse baasfunktsiooni tuum

kus |.|tähistab é2-normi. Kuna reaalsetes andmekogumites on klasside täiuslik eraldamine haruldane, võimaldab optimeerimiskriteerium (tavaliselt tähega C tähistatava täiendava meetodi parameetri kaudu) teatud arvu andmepunkte rikkuda otsustuspiiri. Parameetrid ja C suurendavad vastupidiselt SVM-mudeli keerukust. Seetõttu häälestasime nende väärtusi ammendava ruudustikuotsingu algoritmi abil viiekordses ristvalideerimise katses. Parimad tulemused olid=0.05 ja

C = 1.

XGBoosti otsustuspuud.Ekstreemse gradiendi võimendamise (XGBoost) kontseptsiooni võtsid kasutusele Chen ja Guestrin [36], et hõlbustada klassifikatsiooni- ja regressioonipuude ansambli (CART) koolitamist. Erinevalt klassikalistest juhuslikest metsadest formaliseerib õppimisalgoritm mitmekülgsete objektiivse kadumise funktsioonide regulaarsusmehhanismi ja kasutamise. Tänu nendele eelistele on see hiljuti osutunud tõhusaks paljudes masinõppeprobleemides, mis hõlmavad suuri ja suuremõõtmelisi andmekogumeid.

XGBoost ansambli ehitus põhineb nn additiivse treeningu strateegial. Igal etapil t lisatakse mudelile uus puu, mis minimeerib üldise kadufunktsiooni

kus t ü 1) on klassi silt, mille ennustab seni konstrueeritud ansambel, l mõõdab viga ennustatud ja tõelise sildi Yi vahel, samas kui ft vastab T lehtede puustruktuurile, mis annab igaühele andmevektoriga hinde wq (xi), kus q on funktsioon, mis eraldab antud puulehele andmepunkti xi. Nii T kui ka kaalud defineerivad reguleerimisliikme

kus ja λ parameetrid kontrollivad puu suuruse mõju ja jätavad trahvi väärtusele hinded. Meie uuringus kasutatud konfiguratsioonis ja λ olid vastavalt {{0}},1 ja 0,9. Veelgi enam, puude arv ansamblis oli 10 ja puu maksimaalne lubatud sügavus oli 4. Lõpuks kasutasime objektiivse kriteeriumina funktsiooni soft-max.

2.5. Farmakokineetiline modelleerimine

Lisaks segmenteerimistulemuste otsesele hindamisele IoU koefitsiendi abil, võrdlesime ka pildilt saadud GFR väärtusi tõepõhiste joheksoolipõhiste mõõtmistega. GFR-i määramiseks kasutasimeneerud-spetsiifiline kahekambriline filtreerimismudel (2CFM) [5]. See PK-mudel lagundas neerukoe intravaskulaarseks (IV) ja ekstratsellulaarseks ekstravaskulaarseks (EEV) ruumiks ning eeldas, et modelleerimisperioodi jooksul ei esine tubulaarset väljavoolu. Kuigi mudelit sai kasutada neerude perfusiooni hindamiseks kas ajukoores või kogu neeru parenhüümis, tuli GFR-i arvutamisel arvestada ainult eelnevat piirkonda.

Sõltumata vaadeldavast neerupiirkonnast tuleb mudeli sobitamiseks mõõdetud signaaliga S(t) teisendada vastav keskmise kujutise intensiivsuse ajakulu kontsentratsiooni lainekujuks Ctissue(t). Me saavutasime selle, kasutades punktis [37] kirjeldatud teisendust, mis on kohandatud gradiendi kajajärjestusega. Teisest küljest reguleerib 2CFM mudeliga kirjeldatud C kude (t) võrrandiga

kus C tähistab arteriaalset sisendfunktsiooni, VP-plasma mahuosa ja C-CA kontsentratsioon vereplasmas. Esimene liige punktis (9) tähistab CA kontsentratsiooni EEV ruumis, samas kui teine ​​liige hõlmab kontsentratsiooni IV ruumis, mis saadakse arteriaalse sisendfunktsiooni ja vaskulaarse impulssreaktsiooni funktsiooni (VIRF) ühendamisel, mis on määratletud kui

Sellisena modelleerib VIRF AIF-i viivitust ja hajumist kapillaarikihti läbiva CA voolu suhtes. Muutujad Tg – dispersiooni ajakonstant ja X – viivitusintervall koos mahuosa VP ja ülekandekonstandiga Ktrans moodustavad 2CFM mudeli parameetrite täieliku komplekti. Nende hindamine toimub tavaliselt mittelineaarse vähimruutude (NLLS) kõvera sobitamise protseduuriga. Selles uuringus kasutatud usalduspiirkonna peegeldav meetod [38] on üks võimalikest optimeerijatest, mida kasutatakse NLLS-i probleemi arvuliseks lahendamiseks. Erinevalt alla-simplex meetoditest võimaldab see seada piiranguid parameetrite väärtustele ja seega tagada, et lõplikud hinnangud langevad füsioloogilisse vahemikku. Meie uuringus eeldatud piirangud on loetletud tabelis 1.

Rakendasime 2CFM-i mudeli optimeerimise algoritmi Pythonis kirjutatud kohandatud tarkvaras, mis on allalaadimiseks saadaval aadressil [39]. Algoritm käivitati iga patsiendi jaoks, kasutades ajukoore piirkondi, mis saadi automaatselt ülalkirjeldatud segmenteerimiskonveieri abil või märgiti käsitsi. Igal juhul määrati AIF automaatselt, kasutades meie varem avaldatud meetodit [40].

2.6. Statistiline analüüs

DCE-MR kujutise segmenteerimise protsessi automatiseerimise üks eesmärke on tagada stabiilsed ja korratavad perfusioonihinnangud. Seetõttu teostasime seotud (korduvate) proovide jaoks Studenti t-testi, et kontrollida nullhüpoteesi võrdsete GFR keskmiste kohta, mis on hinnatud kahel uuringusündmusel. Lisaks arvutasime korratavuse koefitsiendi, mis on määratletud kui [41]

kus σdiff on samal objektil tehtud GFR-ide erinevuste standardhälve ja ╱pool tähistab kõigi mõõtmiste keskmist. Suurus ′2σdiff, mida nimetatakse ka ühe mõõtmise standardhälbeks (σsm), on potentsiaalselt paljude järjestikuste mõõtmiste paaride erinevuste standardhälbe hinnang [42]. Lisaks korratavuse hindamisele hinnati pildipõhise GFR-i hinnangu reprodutseeritavust Bland-Altmani graafikute abil. Lõpuks võrreldi automaatselt leitud neerusegmentide analüüsi tulemusi käsitsi tehtud märkustega.

Cistanche võib leevendadaneerudtõhusalt

3. Tulemused

Joonisel 5 on näidatud semantilise segmenteerimise võrgu näidisväljundid kahe osaleva subjekti jaoks koos tõepõhiste annotatsioonimaskidega. Vastavad koolitusprotsessid on visualiseeritud joonisel 6, millel on kujutatud nii koolitus- kui ka valideerimiskomplektide kadude ja hindamismõõdikute areng. Võib täheldada, et pärast paari esimest epohhi asetsesid koolitus- ja valideerimiskomplektide IoU kõverad üksteise lähedal ja võrk ei sisenenud ületäitmise olekusse. Samal ajal toimus kadufunktsiooni monotoonne vähenemine, mis tõestas, et võrk omandas üldistusvõime. IoU sarnasuskoefitsiendid käsitsi tehtud märkuste ja automaatselt leitud märkuste vahelneerudpiirkonnad, mis saadi pärast põhisegmentidega lahti ühendatud neeruväliste saarte eemaldamist, on kogutud tabelisse 2. Kõigi katsealuste ja uuringute keskmine IoU=0,94 ja see näis olevat külgmiselt ükskõikne.

Järgmises etapis klassifitseeriti parenhümaalsed vokslid eraldi neeruosadesse. Kolme testitud klassifikaatori võrdlus on esitatud tabelis 3. Selles hinnatakse iga meetodit kolme mõõdiku – tasakaalustatud täpsuse, meeldetuletamise ja täpsuse – alusel. Viimased kaks määrati iga neerukategooria jaoks eraldi. Tasakaalustatud täpsuse mõõdik saadi konkreetsete klasside jaoks saadud tõeliste positiivsete määrade keskmisena. Kõik esitatud skoorid olid keskmised väärtused üle 20 katsealuse. Kolm testitud klassifikaatorit saavutasid tõeliste positiivsete määrade osas sarnase tulemuse (ligikaudu 95 protsenti). Üldiselt oli aga SVM see, mis näitas kõige paremini tasakaalustatud täpsust (96 protsenti) ja saavutas ka teistest meetoditest suurema võimaluse vältida valepositiivseid tuvastamisi. See oli eriti ilmne

vaagnapiirkonna jaoks, kus täpsus=92 protsenti võrreldes 89 protsendiga, mida pakuvad logistiline regressioon ja XGBoost klassifikaatorid.

Klassifitseerimise kõrge täpsus andis võrdselt häid segmenteerimistulemusi (tabel 2), mida hinnati taas Jaccardi koefitsiendi abil. Seekord arvutati see aga iga piirkonna jaoks eraldi määratud IoU-de summana ja seejärel kaaluti selle toega, st antud klassi esindavate põhitõe vokslite arvuga. Et võimaldada võrdlust teiste töödega, arvutasime saadud Jaccardi määrad valemiga ümber täringu koefitsientideks (F1-skoor).

Meie algoritmi kasutades saavutasime vasakpoolse ajukoore klassi keskmise Jaccardi koefitsiendineerudvõrdub 93,2 protsendiga. Teiste piirkondade puhul võrdub IoU ligikaudu 91 protsendiga, välja arvatud vasakpoolne vaagnaklassneerud kus see langes 90,1 protsendini . Peensegmenteerimise kvaliteeti saab visuaalselt kinnitada, analüüsides näiteidneerud lagundamine piirkondadeks, mis on näidatud joonisel 7. Et võimaldada hindamist laiemas kontekstis, teostasime segmenteerimise ka kahe kirjanduses pakutud alternatiivse meetodiga. Esimene neist seisneb DCE signaali karakteristikute eraldamises, kasutades diskreetset laineti teisendust (DWT) Daubechies-4 lainega, nagu on postuleeritud näiteks punktis [12]. Seejärel klassifitseerisime SVM-algoritmi abil DWT koefitsiendi vektorid. Teises võrreldud meetodis koondati PCA tunnusvektorid k-keskmiste algoritmi abil (koos k=3), nagu on kirjeldatud punktis [14]. See teine ​​lähenemisviis ei suutnud korralikult eristada ajukoort ja medulla. Enamik mõlemat piirkonda esindavatest vokslitest olid hõlmatud ühises klastris ja enamikul ristlõigetel tunnistati parenhüümi autonoomse osana ainult vaagen. Erinevalt rühmitamise tulemustest on DWT-põhiste vokslite kirjelduse abil järelevalvega toodetud piirkonnad täpsemad. Siiski on valetuvastuste arv ilmselt suurem kui PCA tunnusvektorite puhul. SVM-klassifikaatori tasakaalustatud täpsusskoor oli sel juhul vaid 78 protsenti. Nende alternatiivsete jaotusskeemide kvantitatiivseks võrdluseks Xgboosti, lineaarse regressiooni ja meie uuringu SVM/PCA algoritmi parimate kohta vaadake tabeli 3 kahte viimast rida.

Segmenteerimisetapi tulemusi kasutati keskmiste signaalide määramiseks neerukoores. See signaal sobitati seejärel 2CFM farmakokineetilise mudeliga. Joonisel 8 on kujutatud, kuidas ühe-neerudglomerulaarfiltratsiooni kiirusSel viisil saadud (SK-GFR) vastavad asjakohastele skooridele, mis on saadud käsitsi tehtud märkuste abil. Pärast automaatset ja manuaalset segmenteerimist on kõigi katsealuste ja uuringute keskmised SK-GFR väärtused sarnased (56 versus 55 ml/min/1,73 m2) ja täheldatud erinevus on statistiliselt ebaoluline (T-statistika=0,75, p-väärtus=0.46). Lisaks tõestab lineaarne sobitus kahte tüüpi mõõtmiste vahel nende head vastavust väärtustele r2=0.13 ja 0.49 vastavalt MR-uuringu 1. ja 2. seansi puhul.

Joonisel 9 näidatud Bland-Altmani graafikud võimaldavad meil hinnata GFR-ide koguarvu vastavust põhitõe joheksoolipõhiste määradega. Enne Bland-Altmani meetodi rakendamist kinnitati mõõtmiste normaaljaotus Shapiro-Wilki testiga. Saadud p-väärtused on toodud vastavates süžee legendides. MR-uuringu 1. seansi keskmine absoluutväärtuste erinevus oli käsitsi segmenteerimisel väiksem (ü0,8 võrreldes ü7,4 ml/min/1,73 m2). Seansi 2 puhul olid ╱d väärtused segmenteerimismeetodite vahel järjepidevad, kuigi kokkulepe võrdlusmeetodiga oli nõrgem. Pakutud algoritm näis aga veidi paremini toimivat (ü 12,9 versus ü 14,1 ml/min/1,73 m2). Saadud tulemuste põhjal ei saanud otsustada, milline segmenteerimisviis tagas kitsamad kokkuleppe piirid. Seansi 1 puhul eelistas võrdlus käsitsi segmenteerimist (π=31,3 versus 35,5 ml/min/1,73 m2). Kõige kitsamad kokkuleppe- ja usaldusvahemike piirid kõigis katsetes saadi aga 2. seansi ja automaatse märgistamise puhul (π=25,1 ml/min/1,73 m2). Mõlemad segmenteerimismeetodid andsid korratavad tulemused (vt tabel 4), mille variatsioonikoefitsient oli halvimal juhul 30,2 protsenti (käsitsi segmenteerimine, vasakulneerud). Ilmselt tagas automaatne segmenteerimine parema stabiilsuse, kusjuures variatsioonikoefitsiendid olid kaks korda väiksemad kui manuaalsete vastete puhul. Studenti t-testides saadud p-väärtused seotud proovide jaoks olid kõik üle usaldustaseme a=0,05, mis näitab ebapiisavaid tõendeid nullhüpoteesi vastu, mille kohaselt ei esine SK-GFR mõõtmiste keskmiste vahel olulist erinevust. Vasaku neeru ja käsitsi segmenteerimise jaoks arvutatud p-väärtus oli aga suhteliselt väike. Mõõtmiste korratavuse kinnitamiseks või ümberlükkamiseks on sel juhul vajalik täiendav uurimine, mis võib hõlmata suuremat valimit.

4. Arutelu

Selle uuringu peamine eesmärk oli töötada välja tõhus meetodneerudsegmenteerimine DCE-MR piltidel. Ühendasime varem avaldatud töödes osaliselt välja pakutud mõisted ühtsesse arvutusraamistikku. See hõlmab neeru parenhüümi jämedat semantilist segmenteerimist, MR-signaali ajakursuste PCA transformatsiooni, et luua vokslite arvuline esitus ja seejärel võimaldada nende klassifitseerimine, et tekitada neerukoe peensegmenteerimine ajukooreks, medullaks ja vaagnaks. Kavandatav lähenemisviis annab täpsed tulemused, võimaldades neerude äratundmist 94% Jaccardi koefitsiendi järgi. Konkreetsete neerusektsioonide segmenteerimine on saavutatav IoU-ga vahemikus 90–93 protsenti (96–95 protsenti täringu koefitsiendist), olenevalt koe tüübist.

Teistele avaldatud tulemustele viidates on saadud suhtarvud kas heas kooskõlas või veidi madalamad. Aastal [14], Dice skoor terveteleneerudsegmentatsioonist teatati 99 protsendi (ajukoor), 98 protsendi (medulla) ja 96 protsendi (vaagna) tasemel. Samas näidati ka simuleeritud andmete puhul, et pildimüra võib täpsust märkimisväärselt halvendada 82–85 protsendini. Kuna selles ja meie uuringus kasutatud pildistamisprotokollid erinesid nii ruumilise kui ka ajalise eraldusvõime osas, võib täheldatud lahknevusi vahemikus 1–2 protsenti seostada meie uuringutes erinevate müratasemetega. Võrreldavaid skaneerimistingimusi kasutati ühes pediaatriliste patsientide rühmas aastal [15]. Seal täheldatud keskmine F1-skoor oli 93 protsentineerudja 86 protsenti neerukoore puhul. Artiklis [12] hinnati klastripõhist segmenteerimist täpsusskooride abil. Saadud keskmised tulemused olid: 88 protsenti ajukoorest, 91 protsenti medullast ja 98 protsenti vaagnast. Neid väärtusi võib ühiselt nimetada tasakaalustatud täpsusskooriks, mis võtab arvesse antud segmendi suurust. Seega näib, et meie SVM-mudel ületab klastripõhise lähenemisviisi, mis pakub klassifitseerimise täpsust ja tagasikutsumissagedust 96 protsendi tasemel isegi suurima ajukoore piirkonna puhul.

Lõpuks pühendus CNN-i võrk terviku tunnustamiseleneerudpunktis [26] kirjeldatud tulemused näitasid madalamat jõudlust kui meie U-Neti disain, saavutades tavaliste katsealuste F1-skoori=91,4 protsenti.

Segmenteerimistulemustes täheldatud erinevusi tuleks vaadelda ka algoritmi treenimise ja meeldetuletamise konfiguratsiooni valguses. Erinevalt mõnest alternatiivsest lähenemisviisist [11, 14] on meie strateegia patsiendist sõltumatu. Kui semantilised segmenteerimis- ja klassifitseerimismudelid on loodud, rakendatakse neid uutes uuringutes, mida koolituskomplektis ei kohta. Seetõttu ei saa patsiendipõhised funktsioonid tuvastusmehhanismi juhtida ega sobida koolitatud mudeliga, mis vähendab üldist täpsust. Veelgi enam, nagu ülalpool arutatud, jääb ajukoore, medulla ja vaagna piiridel püsiva osalise mahuefekti tõttu siiski teatav annus ebakindlust seoses manuaalse segmenteerimisega, mida tuleb teatatud mõõdikute analüüsimisel arvesse võtta. Kuigi SVM-i klassifikaatorit õpetati hoolikalt valitud, koe eristavate tõepõhiste signaalide põhjal, võivad valideerimisandmed, mis peavad hõlmama kõiki neeruvoksleid, siiski kannatada vaatleja annotatsioonide subjektivismi tõttu.

Lisaks täheldatud võimele täpsete segmenteerimistulemuste saamiseks on meie strateegial üks kasulik omadus. Kuna me kasutame pildivokslite sobivatele määramiseks järelevalvega klassifikaatoritneerudpiirkondades, ei ole vaja eraldi märgistamisetappi. Klasterdamise puhul on vaja ette näha heuristik iga klastri tegeliku kategooria tõlgendamiseks, kui soovitakse tagada kogu protseduuri automatiseerimine.

Nagu on näidatud joonisel 10, on automaatsete ja käsitsi tehtud märkuste vahel peamiselt kaks lahknevuse allikat. Esiteks on piir ajukoore ja medullaarsete püramiidide vahel mitmetähenduslik ja vastavad vokslid on osaliselt täidetud mõlemat tüüpi püramiididega.

neerukoest. Kuigi automaatne meetod kipub selliseid voksleid ajukoore klassi kaasama, määrasid eksperdid need sageli medullaks. Teisest küljest ei ole isegi käsitsi segmenteerimine selles osas järjepidev, mis tõestab raskust meelevaldselt otsustada vokslite klassi üle, kus domineerib osalise helitugevuse efekt. Teiseks võib valetuvastusi täheldada nt ajukoore välisservadel. Neid mõjusid võib seostada piltide vale registreerimisega ajapiirkonnas. Rakendatud b-spliini registreerimismeetodit ei optimeeritud selle uuringu vajadusteks ja see jääb meie tulevase uurimise teemaks.

Läbiviidud katsed näitasid ka, et pakutud segmenteerimisalgoritm parandab pildipõhise SK-GFR hinnangu korratavust. Arvutatud variatsioonikoefitsiendid moodustasid 14,5 protsenti ja 17,5 protsenti vasakule ja paremale.neerud, vastavalt. Käsitsi tehtud märkuste puhul saime CoV=30,2 protsenti ja 29,4 protsenti . Neid tulemusi tuleb hinnata sõltumatute tegurite (nt toitumine ja kellaaeg) põhjustatud loomuliku GFR variatsiooni suhtes. Eeldatakse, et seerumi kreatiniinitase, mis korreleerub hästi GFR-iga, võib varieeruda kuni 10 protsenti [43]. Seega CoV on umbes. 15 protsenti näitab automaatset protseduuri head korratavustneerudsegmenteerimine. Lisaks jäävad saadud korratavuse mõõdikud mujal esitatud väärtuste vahemikku, nt [44] CoV=32 protsenti ja 27 protsenti, samas kui [13] puhul CoV=17,5 protsenti ja 15,4 protsenti vasak ja paremneerud, vastavalt. Viimases uuringus arvutati CoV aga ainult σsm ja kõigi mõõtmiste keskmise suhte järgi, ilma lisategurita ′2. Kui seda parandustegurit kajastada, on nende teatatud CoV-d 24,7 protsenti ja 21,8 protsenti, mis on meie tulemustele üsna lähedal.

Meie uuringul võib tõstatada kolm piirangut. Esiteks võib oletatav kujutise paikadeks jagamine kallutada semantilise segmenteerimise võrku õppimaneerudasukohad ainult ühe plaastri serva lähedal. Seetõttu uuritakse meie mudelite edasiarendamisel, kuidas algoritm toimib, kui hankimise vaateväli on konfigureeritud erinevalt. Teiseks, segmenteerimisalgoritm töötati välja ainult terveid katsealuseid kasutades. Sellel võivad olla eriti olulised tagajärjed neeru parenhüümi peene segmentatsiooni korral. Klassifikatsioonimudeli kohandamine haigete neerudega võib nõuda klasside arvu laiendamist rohkem kui kolme kategooriasse (koor, medulla ja vaagen), et kajastada neerukoe kahjustuste erinevaid ajalisi omadusi. Kolmandaks, GFR-i arvutamiseks sobitasime 2CFM mudeli segmenteeritud ajukoores hinnatud keskmise DCE signaaliga. Osalise mahuefekti tõttu võivad nii käsitsi kui ka automaatse segmenteerimisega mõned vokslid liigitada medullaarseteks, kuigi need sisaldavad neeruglomeruleid. Selliste vokslite ignoreerimine võib olla üks põhjusi, miks pildist tuletatud ja ioheksoolil põhinevate GFR-i mõõtmiste vahel on täheldatud erinevusi. Selle probleemi lahendamiseks soovitavad mõned autorid [5] kasutada terve neeru investeeringutasuvust, et tagada, et kõik neerufiltratsioonile kaasaaitavad vokslid on kaasatud PK mudeli sobitamise protsessi. Leidsime siiski, et see lähenemisviis viib meie uuringus saadaolevate andmekogumite GFR-i märkimisväärse ülehindamiseni. Seetõttu kavatseme tulevikus rakendada sügaval õppimisel põhinevaid ülieraldusvõime tehnikaid ja püüda saavutada kortikaalsete vokslite täpsemaid annotatsioone.

Lisaks tuleks semantilise segmenteerimise jaoks kasutada täielikult 3D-lähenemist. Võib eeldada, et närvivõrk, mis on võimeline töötlema terveid MR-mahtusid, annaks täpsema tulemuseneerudmärkused tänu täiendavale sügavusteabele. Selle uuringu probleem tuli aga taandada kahemõõtmeliseks, kuna koolituseks saadaolevaid uuringuid oli suhteliselt vähe. Mahuliste kujutiste jaotamine 2D-ristlõigeteks võimaldas treeningandmete kogumit oluliselt suurendada.

Lõpuks, nagu eelnevalt kirjeldatud, valideeriti pakutud lähenemisviis jätke üks subjekt välja. Loodi tõhusad, 10 sõltumatut närvivõrgu ja klassifikaatori mudelit. Õigustatud küsimus on, kuidas saaks neid mudeleid rakendada uutele subjektidele väljaspool selles uuringus saadaolevat valimit. Üks võimalus oleks luua ansambel ja võtta kasutusele hääletusmehhanism. Teise võimalusena võib kogu 10-subjekti valimi põhjal treenida uut segmenteerimisskeemi (hõlmab nii jämedaid kui ka peeneteralisi samme). Selle jõudlus uute andmekogumite osas peaks olema võrreldav ülaltoodud tulemustega.

cistanche võib leevendadaneerudvalu, lisateabe saamiseks klõpsake siin

5. Kokkuvõtted

Kokkuvõtteks näitasime selles artiklis arvutuslikku raamistikku, mis toetab kvantitatiivset hindamistneerudperfusioon, pakkudes automatiseeritud viisi neerukambrite segmenteerimiseks. Saadud täpsustulemused tõestavad kavandatud meetodi usaldusväärset toimimist. Veelgi enam, meie katsetes ei toimi alternatiivsed lähenemisviisid ajukoore, medulla ja vaagna segmentide eristamiseks lainete teisendustel ja rühmitusalgoritmidel vähem tõhusalt. Automaatselt leitud segmentidel põhineva SK-GFR mõõtmise korratavus paraneb võrreldes käsitsi töötlemise tulemustega ja jääb ka teiste avaldatud tulemustega hästi kokku. Kavandatud segmenteerimismeetod võimaldab suurendada pildist tuletatud perfusiooniparameetrite objektiivsust ja ka potentsiaalselt kiiremat neerukahjustuste diagnoosimist. Need leiud toovad lähemale DCE-MR-kuvamise kliinilist rakendamist rutiinse meetodinaneeruddiagnostika. Lõpuks, et hõlbustada üleminekut uurimistöölt rakendusvaldkonnale, teeme oma farmakokineetilise modelleerimise tarkvararaamistiku kättesaadavaks aadressil [39]. Hoidla sisaldab ka skripte DCE signaalipõhiste funktsioonide eraldamiseks ja klassifitseerimiseks.

Autori kaastööd:Kontseptualiseerimine, AK; metoodika, AK ja EE; tarkvara, AK; valideerimine, AK; formaalne analüüs, AK; uurimine, AK; ressursid, EE ja AL; andmete kureerimine, EE; kirjutamine — algse eelnõu ettevalmistamine, AK; kirjutamine-retsenseerimine ja toimetamine, AL ja EE; visualiseerimine, AK; järelevalve, AL; projekti administratsioon, AK Kõik autorid on käsikirja avaldatud versiooniga tutvunud ja sellega nõustunud.

Rahastamine:See uuring ei saanud välist rahastamist.

Institutsioonilise ülevaatenõukogu avaldus:Uuring viidi läbi vastavalt Helsingi deklaratsioonile ja protokolli kiitsid heaks Lääne-Norra meditsiiniuuringute eetika piirkondlikud komiteed (REC West 2012/1869).

Teadliku nõusoleku avaldus:Kõik katsealused andsid enne uuringus osalemist oma teadliku nõusoleku kaasamiseks.

Andmete kättesaadavuse avaldus:Selles uuringus kasutatud DCE-MR pilte ei saa teha kättesaadavaks, kuna osalejate allkirjastatud kirjalik nõusolek ei hõlmanud omandatud andmete avaliku levitamise lepingut.

Huvide konfliktid:Autorid ei kinnita huvide konflikti.

Viited

1. Zabell, JR; Larson, G.; Koffel, J.; Li, D.; Anderson, JK; Kaal, CJ Dieedi muutmise kasutamine neeruhaiguse võrrandis hindamiseks Glomerulaarfiltratsiooni kiirusuroloogilises kirjanduses. 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. Joheksooli plasmakliirens mõõtmiseksglomerulaarfiltratsiooni kiiruskliinilises praktikas ja teadusuuringutes: ülevaade. 1. osa: kuidas mõõtaglomerulaarfiltratsiooni kiirusioheksooliga? Clin.NeerJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Glomerulaarfiltratsiooni kiirus: hindamine dünaamilise kontrastiga MRI ja kortikaalse sektsiooni mudeliga küülikulneerud. J. Magn. Reson. Kujutised 2004, 20, 843–849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO MRI perfusiooni ja glomerulaarfiltratsiooni mõõtmine inimeselneeruderaldatava kambriga mudeliga. Uurige. Radiol. 2008, 43, 40–48.

5. Tofts, P.; Cutajar, M.; Mendichovszky, I.; Peters, A.; Gordon, I. Neerude filtrimise ja veresoonte parameetrite täpne mõõtmine, kasutades kahekambrilist mudelit dünaamilise kontrastiga MRI jaoksneerudannab realistlikud normaalväärtused. Eur. Radiol. 2012, 22, 1320–1330.

6. Chen, B.; Zhang, Y.; Laul, X.; Wang, X.; Zhang, J.; Fang, J. Neerufunktsiooni kvantitatiivne hindamine dünaamilise kontrastiga MRI abil, kasutades modifitseeritud kahekambrilist mudelit. PLoS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovszky, I.; Tofts, P.; Gordon, I. AIF-i ROI valiku tähtsus DCE-MRI renograafias: neerude perfusiooni ja filtreerimise reprodutseeritavus ja varieeruvus. Eur. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, H.; Bokatšova, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; prints, K.; Laul, T.; Kramer, EL; et al. Neerufunktsiooni mõõtmised MR renograafiast ja lihtsustatud mitmeosalisest mudelist. Olen. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS; Blasberg, RG Verest ajusse ülekandmise konstantide graafiline hindamine mitmekordsete omastamisandmete põhjal. Üldised. J. Cereb. Verevoolu metab. 1985, 5, 584–590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Ühekordse mõõtmineneerudglomerulaarfiltratsiooni kiirus, kasutades kontrastiga dünaamilist gradient-kaja järjestust ja Rutlandi-Patlaki graafiku tehnikat. J. Magn. Reson. Imaging 2003, 18, 714–725.

11. Zöllner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rørvik, J.; Santos, A.; Lundervold, A. Assessment of 3D DCE-MRI of theneerudkasutades mittejäika kujutise registreerimist ja vokslite ajakursuste segmenteerimist. Arvuta. Med. Pildistamise graafik. 2009, 33, 171–181.

12. Li, S.; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Neeruosakondade lainepõhine segmenteerimine inimese DCE-MRI-sneerud: esialgsed tulemused patsientidel ja tervetel vabatahtlikel. Arvuta. Med. Pildistamise graafik. 2012, 36, 108–118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Neerufunktsiooni dünaamiline kontrastsusega MRI mõõtmine tervetel osalejatel. Acta Radiol. 2017, 58, 748–757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Neerukambri segmenteerimine DCE-MRI piltidel. Med. Pilt Anal. 2016, 32, 269–280.

15. Yoruk, U.; Hargreaves, BA; Vasanawala, SS Automaatne neerude segmenteerimine MR-urograafia jaoks, kasutades 3D-GrabCuti ja juhuslikke metsi. Magn. Reson. Med. 2018, 79, 1696–1707.

16. Lundervold, AS; Lundervold, A. Ülevaade sügavast õppimisest meditsiinilises pildistamises, keskendudes MRI-le. Z. Für Med. Phys. 2019, 29, 102–127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Evaluation of Deep Neural Networks for Semantic Segmentation of Prostata in T2W MRI. Andurid 2020, 20, 3183.

18. Shelhamer, E.; Long, J.; Darrell, T. Täielikult konvolutsioonilised võrgud semantilise segmenteerimise jaoks. IEEE Trans. Muster 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. Muster Anal. Mach. Intell. 2017, 39, 2481–2495.

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