Segmentarea semantică automată a chisturilor renale în imaginile RM ale pacienților afectați de boală polichistică de rinichi autozomal dominant
Mar 29, 2022
Contact: Audrey Hu Whatsapp/hp: 0086 13880143964 E-mail:audrey.hu@wecistanche.com
Timothy L. Kline1,2· Marie E. Edwards2· Jeffrey Fetzer1· Adriana V. Grigore2· Deema Anaam1· Andrew J. Metzger2· Bradley J. Erickson1
Abstract
ScopPentru pacienții afectați de polichistic autosomal-dominantrinichiboala(ADPKD), diferențierea cu succes a chisturilor este utilă pentru clasificarea automată a fenotipurilor pacienților, luarea deciziilor clinice și progresia bolii. Obiectivul a fost dezvoltarea și evaluarea unei metode de segmentare semantică complet automatizată pentru a diferenția și analiza chisturile renale la pacienții cu ADPKD.
Metode O abordare automată de învățare profundă care utilizează o rețea neuronală convoluțională a fost antrenată, validată și testată pe un set de 60 de imagini ponderate MR T2-. A fost utilizată o abordare triplă de validare încrucișată pentru a antrena trei modele pe seturi distincte de antrenament și validare (n=40). Apoi a fost construit și testat un model de ansamblu pe cazurile de rezistență (n=20), fiecare dintre cazuri fiind comparat cu segmentările manuale efectuate de doi cititori. A fost evaluat acordul de segmentare între cititori și metoda automată.
RezultateS-a constatat că abordarea automată funcționează la nivelul variabilității interobservatori. Abordarea automată a avut un coeficient Dice (media ± abaterea standard) de {{0}}.86 ± 0.10 vs Reader-1 și {{10}},84 ± {{2{0}},11 vs. Reader-2. Zarurile interobservatori au fost 0.86 ± 0,08. În ceea ce privește volumul total al chistului (TCV), abordarea automată a avut o diferență procentuală de 3,9 ± 19,1 la sută față de Reader-1 și 8,0 ± 24,1 la sută față de Reader-2, în timp ce variabilitatea interobservator a fost de -2,0 ± 16,4 la sută.
Concluzie Acest studiu a dezvoltat și validat o abordare complet automatizată pentru efectuarea segmentării semantice arinichichisturi în imaginile RM ale pacienților afectați de ADPKD. Această abordare va fi utilă pentru explorarea biomarkerilor imagistici suplimentari ai ADPKD și pentru clasificarea automată a fenotipurilor.
Cuvinte cheiePolichistic autosomal-dominantrinichiboala· Segmentarea chistului semantic · Învățare profundă · Imagistica prin rezonanță magnetică
Cistanche deserticola beneficiu: previnerinichiboala
Introducere
Polichistic autosomal-dominantrinichiboala(ADPKD) este cea mai frecventă boală renală ereditară, care afectează aproximativ 12 milioane de oameni din întreaga lume și este în prezent a patra cauză de insuficiență renală [1, 2]. Patologia sa este de așa natură încât creșterea continuă a chisturilor determină o creștere progresivă a totaluluirinichivolum (TKV). Un pacient tipic cu ADPKD prezintă o scădere progresivă a funcției renale și aproximativ 70% progresează către boală renală în stadiu terminal între vârsta de 40 și 70 de ani [3, 4].
TKV s-a dovedit într-o serie de studii a fi un predictor util al progresiei ADPKD [5-7]. În mod similar, capacitatea de a delimita și măsura povara chistică contribuie în continuare la cunoașterea noastră despre progresia bolii, structura și variațiile genotipice. Este bine înțeles că dezvoltarea și creșterea chisturilor sunt puternic corelate cu declinul funcției renale [6, 8]. În plus, s-a demonstrat că există o corelație directă între creșterea TKV și creșterea chisturilor; cu toate acestea, rata cu care chisturile cresc și se formează noi chisturi depinde de fiecare individ [9]. Mai mult, studiile longitudinale au descoperit că, de-a lungul timpului, pacienții cu ADPKD experimentează o creștere a volumului TKV și a chisturilor și o scădere a volumului total al parenchimului, sugerând că cel non-chistic.rinichitesuteste înlocuit cu mai multe chisturi și chisturi în continuă creștere [10]. Interesant este că creșterea chistului și indicele chistic (raportul dintre volumul chistului și TKV) variază semnificativ între genotipurile PKD1 și PKD2, deoarece pacienții din populația PKD1 tind să dezvolte chisturi mai devreme [11, 12]. Analiza suplimentară a poverii chistice și a creșterii are potențialul de a informa despre tendințele bolii și strategiile terapeutice.
Pe măsură ce apar noi biomarkeri imagistici, oamenii de știință caută metode rapide și eficiente pentru izolarea chistică și non-chistică.rinichiregiuni pentru o analiză mai aprofundată, cantitativă a proprietăților țesuturilor [13, 14]. În trecut, regiunile chistului și rinichilor au fost segmentate manual, ceea ce este extrem de laborios și subiectiv [15]. Au fost propuse diferite abordări semi-automatizate de segmentare a chistului folosind pragurile bazate pe intensitate ca inițializare [16, 17], precum și tehnici clasice de învățare automată, cum ar fi gruparea k-means [18], metode de contur [19] și probabilitatea anterioară de formă. hărți [20]. Cu toate acestea, o abordare complet automatizată de învățare profundă care utilizează rețele neuronale are potențialul de a scăpa analistul de imagini de oboseala urmăririi manuale și de a oferi calcule și segmentări de volum reproductibile și robuste. Învățarea profundă este unică pentru metodele de segmentare menționate mai sus, deoarece modelul este capabil să „învețe” caracteristici importante ale imaginii din intrările de date care îi permit să-și îndeplinească sarcina finală de segmentare. Prin antrenament, modelul este capabil să detecteze modele, intensități ale pixelilor și informații despre formă care ar putea să nu fie ușor de detectat de ochiul uman.
Rețelele neuronale convoluționale (CNN) care încep cu reducerea rezoluției spațiale, urmată de restabilirea rezoluției, excelează la sarcinile de segmentare a imaginilor medicale la nivel de pixeli/voxel datorită arhitecturii lor unice. Pe scurt, prima secțiune de contracție este o serie de straturi convoluționale și reducătoare de rezoluție care sunt utilizate pentru a reduce complexitatea imaginii, iar a doua secțiune de expansiune este în esență o imagine în oglindă a primei căi utilizate pentru a combina caracteristici și informații spațiale. Arhitectura U-Net [21] este o astfel de rețea care a fost utilizată în mod semnificativ în analiza imaginilor medicale pentru a rezolva sarcinile de segmentare. Un avantaj deosebit al acestei arhitecturi este că nu necesită un set mare de antrenament în comparație cu alte rețele și oferă rezultate de segmentare foarte precise.
În acest studiu, utilizăm un set de date de imagini RM ale PKDrinichicu trasări de chisturi de către doi cititori servind drept adevăr de bază. Este dezvoltată o abordare automată (o arhitectură de tip U-Net modificată), iar un model de ansamblu este stabilit și testat pe un set de date de testare. Modelul rețelei neuronale profunde descris în acest studiu permite segmentarea semantică arinichichisturi pentru determinarea volumului total al chistului (TCV) și se pot dovedi utile pentru evaluarea ulterioară a fenotipurilor bolii.
beneficii cistanche tubolosa
Materiale și metode
Date de imagine MR
Acest studiu retrospectiv a primit aprobarea de la consiliul de evaluare instituțional la https://github.com/TLKline/AutoKidneyCyst. Scanările RM a 60 pacienți unici cu ADPKD de diferite niveluri de severitate au fost extrase din baza noastră de date cu imagini PKD. Scanările cu grăsimi ponderate T2- (N=42) și fără grăsimi saturate (N=18) au fost utilizate în această analiză. Imaginile RM au fost secvențe T2 coronale cu ecou rapid de rotație (SSFSE), achiziționate cu un scaner GE, cu dimensiunea matricei 256 × 256xZ (cu Z suficient de mare pentru a acoperi întreaga extindere a rinichilor în volumul imaginii). Dimensiunile voxelului imaginii au fost de ordinul a 1,5 mm în plan, cu grosimi de felie de obicei de 3,0 mm.
Segmentări manuale
Trasările de rinichi și chisturi au fost efectuate manual de doi analiști de imagine (https://github.com/TLKline/AutoK idneyCyst) cu ani de experiență în efectuarea acestor trasări. Setul de antrenament/validare a fost urmărit de un cititor, iar setul de testare a fost urmărit de ambii pentru a evalua variabilitatea inter-observator. Protocolul de analiză a imaginii exclude pelvisul renal și structurile vasculare. Din trasări, TKV și TCV au fost calculate ca număr de voxeli înmulțit cu volumul voxelului. Fiecare analist a fost orbit la urmele celuilalt. Aceste urme au fost exportate ca fișiere NIfTI.
Stratificarea datelor
Din segmentele TKV care au fost generate pentru fiecare scanare, scanările au fost sortate în 40 de cazuri de instruire/validare și 20 de cazuri pentru setul de test de rezistență. Setul de date de antrenament/validare a avut 28 de cazuri cu grăsimi saturate și 12 cazuri fără grăsimi saturate (70 la sută cu grăsimi saturate). Setul de test de rezistență a avut 14 cazuri cu grăsimi saturate și 6 cazuri fără grăsimi saturate (70 la sută cu grăsimi saturate).
Preprocesare
Modelul a fost antrenat ca o abordare cu două canale, cu felia de imagine RM ca un canal și segmentarea rinichilor ca celălalt. Rețineți că, cu această abordare cu două canale, rețeaua neuronală învață să identifice doar chisturile din rinichi. Imaginile au fost redimensionate la dimensiunea matricei de 256 × 256 folosind interpolarea inter-cubică pentru imaginile RM și interpolarea celui mai apropiat vecin pentru măștile de segmentare a rinichilor și a chistului. Intensitatea fiecărei scanări RM a fost mai întâi normalizată pentru ca toate să aibă același nivel de percentila 95 și apoi a fost aplicată normalizarea scalară standard (medie zero, abatere standard unitară).
Model de segmentare semantică
Arhitectura rețelei a fost similară cu lucrările noastre anterioare [22, 23]. Blocurile de convoluție constau din convoluții 2D, urmate de abandon (abandon=0.1), normalizare lot, convoluții 2D și pooling maxim (dimensiunea pool=2 ×2). Straturile cu rezoluție mai mare au nuclee mai mari (de la 7 × 7 la 5 × 5 la 3 × 3 în blocuri în jos pe calea codificatorului și invers în sus pe calea decodorului) pentru a învăța tipuri de filtre mai mari și mai complexe. Conexiunile de ignorare sunt implementate ca straturi aditive (de tipul Resnet [24]). Optimizatorul este Adam [25] cu o rată inițială de învățare de 1e-3 și dezintegrare de 1e-5. Valoarea pierderii este valoarea similarității cu Dice. Modelul este antrenat pentru 200 de epoci cu o dimensiune de lot=8, iar modelul cu cea mai bună măsură de validare este salvat în timpul procesului de instruire. Modelul a fost implementat în Keras cu TensorFlow ca backend. Modelul a fost antrenat pe un GPU Nvidia Tesla P40 (24 GB memorie). Intrarea în model este o matrice cu două canale (256 × 256 × 2). Primul canal este o felie de imagine RM, iar al doilea este masca renală corespunzătoare. Rezultatul este predicția pentru segmentarea chistului. În total, trei modele au fost antrenate pe cele trei pliuri diferite de antrenament/validare, iar apoi a fost realizat un model de ansamblu cu vot majoritar și aplicat setului de test de rezistență. Codul este disponibil la:
Evaluare
După cum este descris în secțiunea model, setul de antrenament/validare a fost împărțit în trei părți pentru a se antrena pe diferite subseturi de date. Pentru fiecare pliu, în timpul procesului de învățare au fost generate curbe de antrenament și validare și a fost salvat cel mai bun model din fiecare pliu. Un model de ansamblu majoritar a fost apoi generat și aplicat setului de date de testare hold-out. Comparația dintre volumul chistului și indicele chistului a fost efectuată prin regresie liniară, iar indicele chistic a fost, de asemenea, evaluat prin analiza Bland-Altman pentru a evalua părtinirea și precizia măsurătorilor. În plus, au fost realizate suprapuneri vizuale pentru a evalua calitativ metoda automatizată și au fost generate metrici de similaritate pentru evaluarea cantitativă. În fiecare caz, cele două segmentări ale cititorilor au fost comparate pentru a evalua variabilitatea interobservatori, iar abordarea automată a fost comparată individual pentru fiecare cititor.
Beneficii cistanche de deșert: îmbunătățirea funcției renale
Rezultate
Nu a existat nicio diferență semnificativă între seturile de date de instruire, validare și testare în ceea ce privește severitatea bolii (adică, TKV). În Fig. 1 sunt prezentate distribuțiile de volum vizualizate ca grafice ale densității nucleului. Acestea sunt afișate pentru cele trei ori, precum și distribuția generală între antrenament/validare și setul de testare. Această distribuție generală este reprezentativă pentru gradul mare de variabilitate observat în populația de pacienți cu ADPKD.
Metoda automată a avut un antrenament de performanță similar în cele trei pliuri diferite. Figura 2 prezintă curbele de învățare pentru cele trei pliuri diferite, incluzând atât valorile de antrenament, cât și de validare ale zarurilor în timpul antrenamentului de model. Greutățile modelului sunt actualizate pe setul de antrenament și evaluate la sfârșitul fiecărei epoci pe setul de validare separat. Modelul cu cea mai bună performanță de validare este salvat în timpul procesului de instruire și utilizat pentru a dezvolta modelul final al ansamblului.
Abordarea automată a fost excelentă la segmentarea precisă a chisturilor. Prezentat în Fig. 3 și 4 sunt comparațiile de regresie liniară pentru variabilitatea interobservator, metoda automată vs. Reader-1 și metoda automată vs. Reader-2 pentru volumul chistului (Fig. 3), precum și indicele chistului (Fig. 4). În plus, metoda automatizată a funcționat la un nivel similar cu cel al cititorilor umani. În figura 5 sunt prezentate comparațiile Bland-Altman pentru indicele chistic. Rețineți că pacienții cuprind o gamă largă de boli de severitate, de la cazuri cu foarte puține chisturi, până la cazuri care vor înlocui aproape complet parenchimul renal cu chisturi. Indicele chistic a variat de la ~ 0 la > 90 la sută.
Din punct de vedere vizual, a existat un acord excepțional între abordarea de segmentare automată și cititorii manuali. Figura 6 arată comparațiile vizuale pentru unul dintre cazurile mai bune (rândul de sus, Dice=0.98), cel mai rău caz (rândul din mijloc, Dice=0.50) și un caz mediu (rândul de jos). , zaruri=0.86).
În general, abordarea automatizată nu se distinge de variabilitatea văzută de doi cititori diferiți care efectuează trasările. În Tabelul 1 sunt prezentate statisticile de similitudine care compară variabilitatea interobservator cu cea obținută între abordarea automată și Reader-1, precum și abordarea automată și Reader-2.
extract de cistanche tubolosa: acteozid
Discuţie
Învățarea profundă în domeniul AI a oferit oamenilor de știință nenumărate instrumente pentru evaluarea datelor în mod eficient și complet, în special în analiza imaginilor medicale. Algoritmul dezvoltat în acest studiu a segmentat cu precizie chisturile renale din țesutul renal fără intervenția utilizatorului. Înainte de acest model, abordările pentru a delimita structurile chistice din țesutul organului au implementat tehnici semi-automatizate de prag bazate pe intensitate [16, 17, 20]. O limitare a abordărilor bazate pe intensitate este că, spre deosebire de CT, valorile pixelilor MR pot varia drastic între achiziții și chiar între secțiunile dintr-o singură achiziție, necesitând tehnici extinse de preprocesare pentru a normaliza în mod corespunzător datele [26]. În plus, această tehnică de prag bazată pe intensitate va rata complet chisturile complexe care au intensitate mai mică a semnalului [16].
Modelul prezentat în acest studiu a obținut un scor mediu Dice de 85 la sută pentru segmentarea chistului, acest rezultat fiind comparabil cu celelalte tehnici de ultimă generație implementate pentru segmentarea organelor. În ADPKD, toate abordările automate care utilizează învățarea profundă raportate în literatură s-au concentrat pe sarcina de segmentare a organelor, mai ales pentru segmentarea rinichilor. Unele dintre aceste abordări includ o rețea VGG-16 personalizată implementată de Sharma et. al [27] pentru a segmenta rinichii în imagini CT. Scorul mediu de zaruri din acest studiu a fost de 86 procente. Keshwani et. al, [28] au folosit în mod similar scanările CT pentru a prezice segmentările rinichilor, a fost implementată o rețea neuronală convoluțională 3D cu mai multe sarcini, obținând un scor mediu Dice de 95 la sută. Mu şi colab. [29], pe de altă parte, a folosit imagini RM pentru a genera automat segmentarea rinichilor folosind un model V-Net, iar scorul Dice raportat a fost de 95 la sută.
Abordarea automată a fost comparată foarte strâns cu trasările manuale în toate valorile. În ceea ce privește regresiile liniare, abordarea automată a comparat foarte strâns cu ambii cititori. În plus, indicele chistic a avut o părtinire și o precizie similare cu cititorii umani. Precizia mai bună se datorează probabil faptului că abordarea automată va fi mai consistentă decât un cititor uman. S-a constatat că cea mai mare diferență a fost observată în distanța Hausdorf, care poate fi rezultatul unor fals pozitive minore care ar putea fi tratate probabil printr-o post-procesare simplă (de exemplu, înmulțirea rezultatului măștii de segmentare a chistului a modelului cu masca de rinichi. ). În plus, acordul vizual a fost incredibil de puternic. Cel mai rău caz, în ceea ce privește metrica de similaritate, a fost pentru o prezentare foarte ușoară a bolii. În acest caz, un cititor uman ar putea oferi rapid o evaluare a calității pentru a finaliza segmentarea chistului. În general, abordarea segmentează cu precizie chisturile de o gamă largă de dimensiuni. În acest studiu, chisturile au fost măsurate până la ~ 3-5 mm. Acest lucru este limitat de rezoluția imaginii reconstruite, care în plan este de ordinul a ~ 1,5 mm. În plus, cel mai mare chist avea un diametru de 118 mm.
Abilitatea de a evalua automat sarcina chistică deschide ușa către studii retrospective care aplică tehnica prezentată aici. Studiile anterioare au aplicat abordări mai de bază pentru evaluarea poverii chistice și au arătat valoarea informativă promițătoare a acestor parametri derivați din imagine. Studiile anterioare pe termen scurt au arătat că tolvaptanul a scăzut volumul chistului la pacienții tratați cu ADPKD atunci când volumul chistului a fost măsurat pe o cohortă mică [30]. Ar trebui efectuate analize suplimentare pentru a evalua dacă aceste efecte continuă pe parcursul administrării pe termen lung a medicamentului. Metoda automatizată prezentată în acest studiu va permite analiza rapidă și ușoară a unui set de date mai mare. Urmărirea creșterii chistului poate informa și asupra genotipurilor specifice. Un studiu a constatat că pacienții cu PKD1 au un număr mai mare de chisturi decât pacienții cu PKD2. Mai precis, pacienții cu PKD1 progresează mai repede deoarece se dezvoltă mai multe chisturi devreme, nu pentru că cresc mai repede [11].
O limitare a acestui studiu este că a evaluat o cohortă relativ mică (n=60). Cu toate acestea, generarea segmentelor de chist standard a durat până la 8 ore, în funcție de severitatea bolii. Datorită acestei limitări, am dezvoltat această cohortă specială pentru a acoperi întreaga amploare a prezentărilor fenotipice a bolii, de la rinichi alcătuiți din puține chisturi (indice chistic=0,5 la sută) până la rinichi cu parenchim renal aproape în întregime înlocuit cu chisturi (indice chistic=90 procente). După ce am stabilit o metodă de evaluare a sarcinii chistice pe întreaga amploare a fenotipurilor bolii, va face această abordare puternic generalizabilă. O altă limitare este că nu detectăm chisturi microscopice sub rezoluția imagistică. Cu toate acestea, aceste microchisturi contribuie cu o cantitate relativ mică la volumul total al chistului [31]
Studiile viitoare pot evalua cohorte mai mari și pot fi explorate metode automate pentru a segmenta și diferenția chisturile individuale. Acest lucru va facilita numărarea automată a numărului de chisturi și evaluarea distribuțiilor de mărime a chisturilor. Acest lucru poate permite, de asemenea, clasificarea automată a pacienților tipici din atipici, ceea ce informează despre riscul de progresie și probabilitatea de a beneficia de terapiile medicamentoase. Cele mai multe dintre criteriile care separă cazurile atipice de cele tipice se bazează pe indicele, numărul și dimensiunea chistului. De exemplu, un pacient este considerat atipic dacă mai puțin sau egal cu 5 chisturi reprezintă TKV mai mare sau egal cu 50 la sută și există o înlocuire ușoară a țesutului renal din chisturi [32]. Un instrument care calculează acest lucru automat ar permite clasificări extrem de rapide și obiective în timpul fazei critice de înscriere la studii.
Structura și compoziția chistului sunt, de asemenea, considerate ca fiind extrem de informative atunci când se evaluează ADPKD. Odată ce regiunile chistice sunt delimitate din parenchimul renal, poate fi efectuată o analiză suplimentară pe bază de intensitate și/sau textură pentru a determina procentul sau distribuția chisturilor complexe. De obicei, aceste chisturi complexe sunt caracterizate prin intensități „mai întunecate” în imagistica RM ponderată T2-. Aparent, țesutul parenchimului sănătos poate fi analizat într-un mod similar după ce a fost izolat din chisturi mai mari. O altă abordare va fi să încorporeze mai multe achiziții de imagini (de exemplu, combinarea imaginilor RM ponderate T1- și T{2-) pentru a ajuta nu numai segmentarea chisturilor, ci și pentru a ajuta la clasificarea acestora. Extinderea la alte modalități de imagistică (de exemplu, CT) și organe (de exemplu, ficat) va fi, de asemenea, importantă pentru a oferi o caracterizare cuprinzătoare a fenotipului PKD și pentru a efectua studii la scară largă în care date de imagistică mixte (de exemplu, ultrasunete, tomografie computerizată și/ sau imagistica prin rezonanță magnetică) sunt disponibile pentru diferiți pacienți și sunt prezente manifestări extrarenale (de exemplu, PLD).
Concluzii
Am dezvoltat o metodă complet automatizată pentru segmentarea semantică a chisturilor renale din imaginile RM ale pacienților afectați de ADPKD. Metoda funcționează la egalitate cu cititorii umani și va fi utilă în studii retrospective și prospective viitoare pentru a evalua fenotipurile pacienților și povara chistică generală.
Referințe
1. PA Gabow, „Boala polichistică a rinichiului autosomal dominant”, N Engl J Med, voi. 329, nr. 5, p. 332-42, 29 iulie 1993,
2. PC Harris și VE Torres, „Polycystic kidney disease”, Annu Rev Med, voi. 60, pp. 321-37, 2009
3. AB Chapman și colab., „Boala polichistică a rinichiului autozomal dominant (ADPKD): rezumat dintr-o boală de rinichi: Îmbunătățirea rezultatelor globale (KDIGO) Controversies Conference”, Kidney Int, voi. 88, nr.
4. EM Spithoven și colab., „Terapia de substituție renală pentru boala polichistică renală autosomal dominantă (ADPKD) în Europa: prevalență și supraviețuire--an analysis of data from the ERA-EDTA Registry,” Nephrol Dial Transplant, voi. 29 Suppl 4, pp. iv15-25, septembrie 2014,
5. RD Perrone și colab., „Volumul total al rinichilor este un biomarker prognostic al declinului funcției renale și al progresiei către boală renală în stadiu terminal la pacienții cu boală polichistică autozomală dominantă”, Kidney Int Rep, voi. 2, nr. 3, pp. 442-450, mai 2017, DOI:
6. AB Chapman și colab., „Volumul rinichilor și rezultatele funcționale în boala polichistică renală autosomal dominantă”, Clin J Am Soc Nephrol, voi. 7, nr. 3, pp. 479-86, martie 2012
7. JJ Grantham, AB Chapman și VE Torres, „Progresia volumului în boala polichistică renală autosomal dominantă: factorul major care determină rezultatele clinice”, Clin J Am
10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2nd, și 1505-11, august 2000. [Online]. Disponibil: https://www.ncbi.nlm.
11. PC Harris și colab., „Numărul chistului, dar nu rata creșterii chistice este asociat cu gena mutantă în boala polichistică renală autosomal dominantă”, J Am Soc Nephrol, voi. 17, nr. 11, p. 3013-9, noiembrie 2006, https://doi.org/10.1681/ASN.2006080835.
12. JJ Grantham, „Mecanisme de progresie în boala polichistică renală autosomal dominantă”, Kidney Int Suppl, voi. 63, p. S93-7, Dec 1997. [Online]. Disponibil: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.
13. TL Kline și colab., „Caracteristicile texturii imaginii prezic declinul funcției renale la pacienții cu boală renală polichistică autosomal dominantă”, Kidney Int, voi. 92, nr. 5, pp. 1206-1216, noiembrie 2017, https://doi.org/10.1016/j.kint.2017.03.02.
14. TL Kline și colab., „Quantitative MRI of kidneys in renal disease”, Abdom Radiol (NY), voi. 43, nr. 3, pp. 629-638, martie 2018
15. KT Bae, PK Comentariu și J. Lee, „Măsurarea volumetrică a chisturilor renale și a parenchimului folosind RMN: fantome și pacienți cu boală de rinichi polichistică”, J Comput Assist Tomogr, voi. 24, nr. 4, pp. 614-9, iulie-august 2000
16. KT Bae și colab., „Metodologie nouă pentru a evalua chisturile renale în boala polichistică de rinichi”, Am J Nephrol, voi. 39, nr. 3, pp. 210- 7, 2014
17. AB Chapman și colab., „Structura renală în boala renală polichistică autozomal dominantă timpurie (ADPKD): cohorta Consorțiului pentru studii de imagistică radiologică a bolii polichistice renale (CRISP),” Kidney Int, voi. 64, nr. 3, pp. 1035-45, septembrie 2003,
18. K. Bae și colab., „Segmentarea chisturilor renale individuale din imagini MR la pacienții cu boală polichistică renală autosomal dominantă”, Clin J Am Soc Nephrol, voi. 8, nr. 7, pp. 1089-97, iulie 2013, DOI: https://doi.org/10.2215/CJN.10561012.
19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres și BJ Erickson, „Semiautomated Segmentation of Polycystic Kidneys in T2-Weighted MR Images,” AJR Am J Roentgenol, voi. 207, nr. 3, p. 605-13, septembrie 2016, https://doi.org/10.2214/ AJR.15.15875.
20. Y. Kim și colab., „Segmentarea automată a ficatului și a chisturilor de ficat din imaginile RM abdominale delimitate la pacienții cu boală polichistică renală autosomal dominantă”, Phys Med Biol, voi. 61, nr. 22, pp. 7864-7880, noiembrie 21 2016, DOI:
beneficii cistanche pentru sănătate: îmbunătățirea funcției renale
