Segmentarea rinichilor sănătoși în imaginile Dce-Mr folosind o rețea neuronală convoluțională și caracteristicile semnalului temporal

Artur Klepaczko1 , Eli Eikefjord²și Arvid Lundervold^2,3,4

Abstract:Cuantificarea perfuziei renale bazată pe imagistica prin rezonanță magnetică dinamică cu contrast (DCE-MRI) necesită determinarea cursurilor de timp ale intensității semnalului în regiunea parenchimului renal. Astfel, selecția voxelilor reprezentândrinichitrebuie realizată cu grijă deosebită și constituie una dintre limitările tehnice majore care împiedică utilizarea mai largă a acestei tehnici ca rutină clinică standard. Segmentarea manuală a compartimentelor renale – chiar dacă este efectuată de experți – este o sursă comună de repetabilitate și reproductibilitate scăzute. În această lucrare, prezentăm un cadru de procesare pentru automatărinichisegmentare în imagini DCE-MR. Cadrul constă din două etape. In primul rand,rinichimăștile sunt generate folosind o rețea neuronală convoluțională. Apoi, voxelii de mască sunt clasificați într-una din cele trei regiuni - cortex, medular și pelvis - pe baza cursurilor de timp ale intensității semnalului DCE-MRI. Abordarea propusă a fost evaluată pe o cohortă de 10 voluntari sănătoși care au fost supuși examenului DCE-RMN. Scanarea RMN a fost repetată pentru evenimente de două ori într-un interval de 10-zi. Pentru sarcina de segmentare semantică, am folosit o arhitectură U-Net clasică, în timp ce experimentele privind clasificarea voxelilor au fost efectuate folosind trei algoritmi alternativi - mașini vectori suport, regresie logistică și arbori de creștere a gradientului extrem, printre care SVM a produs cele mai precise rezultate. Atât etapele de segmentare, cât și de clasificare au fost realizate printr-o serie de modele, fiecare antrenat separat pentru un anumit subiect, folosind doar datele de la alți participanți. Media a atins o acuratețe a întreguluirinichisegmentarea a fost de 94 la sută în termeni de coeficient IoU. Cortexul, medulara și pelvisul au fost segmentate cu IoU variind de la 90 la 93%, în funcție de țesut și partea corpului. Rezultatele au fost, de asemenea, validate prin compararea parametrilor de perfuzie derivați din imagine cu măsurătorile adevărului de la solrată de filtrare glomerulară(GFR). Repetabilitatea calculului GFR, așa cum este evaluată prin coeficientul de variație, a fost determinată la nivelul de 14,5 și 17,5% pentru rinichiul stâng și, respectiv, drept și s-a îmbunătățit în raport cu segmentarea manuală. Reproductibilitatea, la rândul său, a fost evaluată prin măsurarea acordului între valorile GFR derivate din imagine și cele bazate pe iohexol. Diferențele medii absolute estimate au fost egale cu 9,4 și 12,9 mL/min/1,73 m2 pentru sesiunile de scanare 1 și 2 și metoda de segmentare automată propusă. Rezultatul pentru sesiunea 2 a fost comparabil cu segmentarea manuală, în timp ce pentru sesiunea 1 reproductibilitatea în conducta automată a fost mai slabă.

Cuvinte cheie:RMN dinamic cu contrast; rețele neuronale convoluționale;rinichisegmentare; modelare farmacocinetică; cuantificarea perfuziei; rată de filtrare glomerulară

Contact: ali.ma@wecistanche.com

Faceți clic pe Cistanche herba pentru boli de rinichi

1. Introducere

Funcția renală este evaluată în mod obișnuit prin măsurarea nivelului creatininei serice. Pe baza valorii sale, therată de filtrare glomerulară(GFR) poate fi estimat folosind, de exemplu, ecuația Modificarea dietei în bolile renale [1]. O altă metodă de determinare a RFG, care a câștigat recent popularitate în mediul clinic, este testul de clearance-ul plasmatic al iohexolului. Unii autori postulează că această metodă înlocuiește tehnica standard de aur bazată pe clearance-ul urinar al inulinei [2]. Toate aceste proceduri permit totuși cuantificarea RFG simultan pentru ambelerinichi. Prin urmare, imagistica prin rezonanță magnetică cu contrast dinamic (DCE-MRI) apare ca o alternativă atractivă - permite monitorizarea neinvazivă a performanței de filtrare într-un singurrinichioferind în același timp informații rezolvate spațial despre leziunile tisulare, cum ar fi glomeruloscleroza segmentară focală.

În principiu, examinarea DCE-RMN produce o serie de volume ponderate T1-dobândite în mai multe etape de timp discrete ale procedurii de scanare. Metoda constă în administrarea intravenoasă a unui bolus de agent de contrast (CA) pe bază de gadoliniu. În timp ce bolusul CA trece prin arborele arterial abdominal, patul capilar și sistemele tubulare alerinichicrește efectiv timpul de relaxare T1 al țesuturilor pătrunse, modificând astfel contrastul din imagine. Dinamica temporală a acestei modificări a intensității semnalului imaginii reflectă condițiile fiziologice ale funcției renale și constituie baza modelării farmacocinetice (PK) a perfuziei renale.

O serie de modele PK propuse încearcă să descrie matematic procesul de perfuzie a sângelui în diferite organe. În ceea ce priveșterinichi, majoritatea modelelor presupun că semnalul măsurat într-un voxel tisular dat este o sumă de contribuții care provin din cel puțin două compartimente - spații intravasculare (IV) și extracelulare extravasculare (EEV) [3-6]. Mai mult, ca în fiecare model PK, livrarea trasorului de gadoliniu printr-o arteră de alimentare către organul de interes este încapsulată de așa-numita funcție de intrare arterială (AIF). Practic, AIF în cazul studiilor renale este timpul-curs al concentrației agentului de contrast în aorta abdominală [7]. Prin convoluția AIF cu un nucleu de deplasare și dispersie se obține concentrația trasorului în compartimentul IV. În cele din urmă, curba de timp a concentrației în spațiul EEV este proporțională cu integrala concentrației din compartimentul IV, opțional modulată de un factor exponențial reprezentând fluxul de ieșire din tubii renali. Coeficientul de proporționalitate, denumit frecvent Ktrans, controlează rata de transfer CA din compartimentul IV la EEV. Ktrans înmulțit cu volumul organului duce direct la calculul GFR.

Există abordări mai complicate, cu mai multe compartimente (de exemplu, [8]), deși potențiala lor aplicație clinică este discutabilă. Dificultatea constă în necesitatea de a asigura stabilitatea optimizării unor astfel de parametri ai modelului în timp ce se potrivesc curbele modelului la datele observate. Mai mult, aceste modele necesită segmentarearinichiparenchim în cortex și medular. Această cerință se aplică, de fapt, și modelelor cu două compartimente. Modelul clasic propus în [3], care se bazează pe modelul general Rutland–Patlak [9,10], este aplicabil numai regiunii cortexului. Pe de altă parte, aplicarea modelului de filtrare cu două compartimente [5] la întregul rinichi este acceptabilă pentru faza de captare. Dacă se dorește măsurarea perfuziei, analiza trebuie din nou limitată doar la cortex. În orice caz, trebuie exclusă regiunea pelvisului care colectează contrastul în faza excretorie a examinării. Prin urmare, automatizarea procedurii de analiză a datelor DCE-RMN necesită nu numai delimitarea rinichiului, ci și etichetarea fiecărui voxel renal ca aparținând fie clasei corticale, medulare sau pelvine.

Problema derinichisegmentarea a fost abordată de mulți autori. Frecvent, voxelii sunt clasificați pe baza cursurilor lor de intensitate în timp. De exemplu, în [11], algoritmul k-means este folosit pentru a grupa voxelii în grupuri pe baza cursurilor lor de timp ale intensității semnalului. Această abordare a fost dezvoltată în continuare în [12], unde cursurile de timp ale intensității semnalului au fost preprocesate prin transformarea wavelet discretă. În cele din urmă, un fel de euristică bazată pe caracteristicile inerente ale grupurilor și pe relația dintre acestea trebuie să fie folosită pentru a determina care grup reprezintă cortexul, medularul, pelvisul și fundalul. Inferența complet nesupravegheată suferă de date de intrare zgomotoase care nu pot fi clasificate fără ambiguitate în categorii semnificative din punct de vedere anatomic. Este evident mai ales în ceea ce privește voxelii care se află la granițele dintre cortex și medular. Ele sunt alocate clasei „alte părți” care conține voxeli și din afararinichi.

Prin urmare, o strategie frecvent urmată constă în separarea în primul rând a unui întregrinichidin alte părți ale unei imagini. Regiunile delimitate de interes ar trebui să se potrivească precis la marginile rinichilor pentru a scăpa de toți voxelii vecini. Un exemplu de astfel de soluție este hărțile zonei sub curbă (AUC), utilizate de exemplu în [13]. Acei voxeli din secvența DCE-MRI care sunt pătrunși de agentul de urmărire apar strălucitori pe hărțile AUC datorită celei mai mari zone sub cursurile de timp ale intensității semnalului. Este instructiv de observat că această abordare necesită post-procesare manuală sau automată pentru a elimina structurile extrarenale, vasele mari de sânge și canalele colectoare urinare.

Strategia de segmentare grosieră la fină a fost aplicată și în [14], unde a fost introdus conceptul de volume temporale maxim stabile (MSTV). Caracteristicile MSTV permit recunoașterearinichiprin detectarea structurilor omogene spaţial şi stabile temporal. Segmentarea cu granulație fină este obținută prin reducerea cursurilor de timp ale voxelilor la vectori ai componentelor principale, care sunt apoi împărțiți prin k-means la mai multe clustere. În cele din urmă, totuși, segmentele obținute trebuie să fie rafinate iterativ pentru a elimina orice zgomote rămase. În mod similar, în studiul descris în [15], prima etapă a procedurii de segmentare constă în caracterizarea dinamicii de amplificare a semnalului țesuturilor abdominale. Se observă că medulara, spre deosebire de cortex, ficat sau splină, prezintă o creștere constantă a intensității semnalului care apare mai târziu în secvența de achiziție. După identificarea voxelilor medulare, se efectuează dilatarea urmată de algoritmul GrubCut pentru a crea măști renale. Reglarea fină este realizată prin clasificarea voxelilor cu un clasificator de pădure aleator pre-antrenat. Voxelii sunt caracterizați prin intensitățile lor de imagine respective în intervalele de timp selectate ale secvenței dinamice, precum și locația lor în cadrul ROI-urilor construite în prima etapă.

Deși atât contribuțiile bazate pe MSTV, cât și pe GrubCut par să producă rezultate satisfăcătoare pentru mai multe seturi de date, acestea sunt algoritmi complecși din punct de vedere conceptual, indisponibili nici în software-ul comercial, nici în software-ul open-source. Ca atare, ele nu pot fi ușor adoptate de comunitatea clinică.

Pe de altă parte, progresele recente în arhitecturile rețelelor neuronale convoluționale și disponibilitatea largă a implementărilor lor software fac metodele de învățare profundă deosebit de atractive în aplicarea la segmentarea țesuturilor biologice în imagini medicale. Eficacitatea CNN-urilor în scenarii versatile de analiză a datelor RMN este discutată pe larg în revizuirea cuprinzătoare a [16]. Mai precis, în [17] diferite arhitecturi de rețea, adică rețeaua complet convoluțională [18], SegNet [19], U-Net [20] și DeepLabV3 plus [21], au fost testate pentru segmentarea semantică a cancerului de prostată în T. 2-RMN ponderat. Imaginile RM anatomice au fost de asemenea analizate în [22]. Autorii au dezvoltat o arhitectură CNN personalizată pentru a contura automat polichisticulrinichi. O altă abordare interesantă a fost prezentată în [23], în care învățarea profundă a fost folosită pentru inferența directă a hărților de perfuzie cerebrală dintr-o secvență DCE-IRM fără a adapta în mod explicit un model PK la semnalele măsurate.

Au fost publicate mai multe studii privind aplicarea CNN-urilor la segmentarearinichiîn imagini de tomografie computerizată [24,25]. Cu toate acestea, segmentarea condusă de DL arinichiîn seturile de date RMN îmbunătățite cu contrast rămâne încă un subiect neepuizat. Ca exemplu excepțional al lucrărilor publicate dedicate în mod specific examinărilor DCE-RMN renale, se poate menționa lucrarea lui Haghighi și colab. [26]. Au construit și antrenat o cascadă de două rețele CNN. Intrarea în această structură în cascadă este o imagine 4D DCE-MR. Prima rețea localizează aproximativ rinichiul stâng și drept în imagine, în timp ce a doua este responsabilă pentru delimitarea precisă a granițelor renale. Cu toate acestea, nu a fost efectuată nicio segmentare suplimentară în cortex sau medulară, deoarece doar întregul parenchim renal a fost utilizat pentru a calcula RFG.

În lumina considerentelor de mai sus, abordarea prezentată în această lucrare este un răspuns la necesitatea unui algoritm automat care, pe de o parte, să recunoască cu exactitaterinichicompartimente din cadrul imaginii DCE-MR, în timp ce pe de altă parte fiind relativ ușor de reprodus de către orice echipă de cercetare. Prin urmare, ne propunem:

1. utilizați o arhitectură CNN pentru segmentarea semantică arinichiparenchim,

2. descrie voxelii parenchimatoși cu agregate de caracteristici derivate din transformarea formelor de undă de intensitate a semnalului prin analiza componentelor principale (PCA);

3. discriminarea regiunilor cortexului, medular și pelvisului prin clasificarea vectorilor caracteristici PCA extrași.

Detalii despre algoritmii utilizați sunt prezentate în Secțiunea 2. În Secțiunea 3, evaluăm rezultatele segmentării și modul în care soluția proiectată afectează stabilitatea parametrilor PK estimați. În timpul efectuării acestei evaluări, emitem, de asemenea, ipoteza că este posibil să se construiască o schemă de calcul universală care să fie capabilă să producă segmentări corecte pentru subiecte noi bazate exclusiv pe date istorice. Credem că o astfel de schemă ar putea fi distribuită pe scară largă și implementată în clinici cu sau fără efort de adaptare la protocoalele personalizate de achiziție de imagini. Pentru a atinge acest obiectiv, am validat procesul de calcul propus într-o manieră de excludere a unui singur subiect. Am creat o serie de motoare de segmentare și clasificare, fiecare antrenat pe o cohortă diferită de pacienți. Apoi, un anumit motor a fost testat pe un subiect nevăzut în timpul fazei de antrenament. Discuția asupra rezultatelor obținute este dată în Secțiunea 4.

2. Materiale și metode

2.1. Mri Data

Experimentele și algoritmii prezentați în această lucrare au fost proiectați folosind un set de 20 secvențe de măsurare obținute de la 10 voluntari sănătoși. Examinările RMN au fost efectuate pe o unitate de 1,5 T (Siemens Magnetom Avanto, Erlangen, Germania). Protocolul de achiziție a datelor a inclus imagistica fiecărui subiect de două ori, la distanță de 10 zile, folosind metoda ecoului gradient stricat 3D cu contrast (TE/TR/FA=0.8/2.36/20 .ms/ms/-, în-). rezoluție plană=2,2 × 2,2 mm2, grosimea feliei=3 mm, matrice de achiziție=192 × 192, număr de felii=30). Agentul de contrast (0,025 mmol/kg de GdDOTA) a fost administrat intravenos la un debit de 3 mL/s. Fiecare secvență de măsurare a constat din 74 de cadre dobândite la intervale de timp de 2,3 s.

Pentru a reduce artefactele de mișcare, protocolul de imagistică a fost conceput pentru a obține imagini în reținerea respirației. În primul rând, au fost obținute opt volume de referință înainte de contrast în timpul perioadei de reținere a respirației 18-. La 7 s după injectarea de Gadoliniu, participanții au fost instruiți să-și țină respirația timp de 26 s pentru perfuzie fără mișcare, la prima trecere. Apoi, în timpul fazei de filtrare, perioadele de reținere a respirației au fost scurtate la 13 s și intercalate cu 26 s de respirație liberă. Pentru a ușura respirația, subiecții au primit oxigen la un debit de 1 l/min.

Restulrinichi mișcarea a fost corectată în post-procesare prin executarea înregistrării b-spline pe fiecare secvență DCE-MRI. În acest scop, am folosit implementarea algoritmului B-splines din biblioteca software Insight Toolkit (ITK) [27]. În fiecare secvență, am selectat un cadru de referință care corespunde unui punct de mijloc al fazei de perfuzie și apoi l-am folosit ca un volum fix cu care a fost adaptat fiecare alt volum (în mișcare). Înregistrarea B-splines a fost realizată complet automat, adică nu au fost marcate puncte fiduciale peste țesuturile de interes. În plus, procedura a fost lansată într-o configurație în mai multe etape. În fiecare etapă, au fost utilizate diverse setări ale dimensiunii grilei și ratelor de subeșantionare. Pentru o interpretare detaliată a acestor parametri, cititorul este trimis la documentația ITK. Pe scurt, au permis efectuarea înregistrării imaginilor la diferite scări, pornind de la potrivirea grosieră și apoi rafinarea rezultatului.

Pentru necesitatea proiectării și evaluării algoritmilor, toate volumele au fost adnotate manual de către un radiolog cu experiență în urografia RM. În fiecare interval de timp, în stânga și în dreaptarinichiau fost delimitate. Apoi, în două cadre legate de fazele de perfuzie și excreție, voxelii parenchimatoși au fost alocați cortexului, medularului sau pelvisului.

Între examinări, voluntarii au fost supuși procedurii de eliminare a iohexolului. Subiecților li sa administrat o doză de 5 ml de iohexol (300 mg I/ml; Omnipaque 300, GE Healthcare). Apoi, au fost determinate valorile GFR-ului adevărului pentru a permite validarea estimărilor de perfuzie derivate din imagine.

Participanții au fost instruiți să refuze alcoolul și mesele bogate în proteine, să evite efortul fizic excesiv, să fie în mod normal hidratați cu cel puțin 2 zile înainte de examinare și să nu aibă cofeină în ziua examinării. Pentru a asigura condiții de examinare comparabile între sesiunile de scanare și testul de eliminare a iohexolului, s-a recomandat, de asemenea, să se mențină ore regulate de masă și dietă. Toți voluntarii și-au dat consimțământul informat în scris pentru participarea la studiu, care a fost aprobat de Consiliul de revizuire instituțional de la Spitalul Universitar Haukeland Bergen, Norvegia.

2.2. Prezentare generală a conductei de segmentare

Conducta de segmentare propusă este vizualizată în Figura 1. Segmentarea grosieră inițială este realizată de o rețea neuronală complet convoluțională a structurii U-Net. Acest pas a fost efectuat pe secțiuni transversale bidimensionale ulterioare ale unei singure imagini volumetrice din secvența DCE-MRI. Această imagine corespunde cadrului cu cea mai mare intensificare a semnalului în regiunea cortexului, atunci când împărțirea parenchimului renal în cortex și medulară este clar vizibilă.

Am presupus că o singură secțiune transversală poate fi împărțită în părți din stânga și din dreapta, fiecare cu lățimea de 96-pixeli. Pe o anumită parte, este posibil să se localizeze central un petic de imagine de 96-pixeli înălțime care acoperă în întregime unulrinichi. În acest fel, ne-am asigurat că stânga și dreaptarinichisunt segmentate și procesate separat. În prezent, metoda noastră a cerut ca această ipoteză să fie valabilă în timpul fazei de rechemare a funcționării rețelei. În timpul antrenamentului, a fost suficient dacă un plasture de imagine conținea cel puțin o parte din parenchimul renal. Mai mult, dimensiunea patch-ului de 96 × 96 a fost ajustată la rezoluția în plan a datelor DCE-MRI disponibile în acest studiu și ar trebui modificată în diferite configurații de achiziție.

Segmentarea grosieră poate necesita uneori o rafinare suplimentară pentru a respinge mici grupuri extrarenale de pixeli fals segmentați. În algoritmul nostru, componentele conectate au fost identificate și doar cea mai mare a fost trecută în etapa următoare. În plus, rețineți că, deși etapa noastră de segmentare semantică a fost efectuată în 2D, a fost aplicată tuturor secțiunilor transversale ale unui anumit volum. Analizele care au urmat au fost realizate în funcție de voxel, astfel încât GFR a fost calculat efectiv din toți nefronii distribuiți în ROI-ul cortexului 3D.

Datorită înregistrării imaginii în domeniul temporal,rinichimăștile generate pentru un cadru ar putea fi aplicate tuturor celorlalte cadre ale seriei dinamice. Astfel, voxelilor renali li s-au prescris vectori caracteristici compuși din valori ale intensității semnalului RMN măsurate în momentele de timp ulterioare. Pentru a obține caracteristici mai generale ale dinamicii semnalului, am extras agregate de caracteristici folosind transformarea PCA. Cele 20 de agregate cele mai informative au fost selectate pentru a descrie fiecare voxel renal. În cele din urmă, un clasificator instruit să discrimineze între caracteristicile temporale ale regiunilor cortexului, medular și pelvisului a atribuit un voxel unei categorii adecvate.

Motivul din spatele abordării propuse în două etape a fost acela de a se asigura că recunoașterea finală se bazează pe adnotări de adevăr de bază cu încredere maximă. Dacă ar fi un CNN să segmenteze cortexul din medulă și pelvis, ar trebui create măști țintă exacte, iar adnotatorul ar trebui să ia o decizie unde se află granița reală dintre diferitele țesuturi. În multe cazuri, acest lucru nu a fost banal din cauza efectului de volum parțial. Prin urmare, o astfel de decizie și, în consecință, modelul de rețea antrenat, ar putea fi părtinitoare către o experiență unică a observatorului. Alternativ, am decis să antrenăm un clasificator folosind semnale numai din locații fără ambiguitate, așa cum este descris mai jos. Mai târziu, în timpul inferenței de trecere înainte, a fost responsabilitatea algoritmului să discrimineze în mod obiectiv voxelii aparținând oricăror regiuni discutabile.

În cele din urmă, toate unitățile de calcul ale procedurii propuse - CNN și modelul de clasificare, precum și matricea de transformare PCA - au fost obținute pentru o cohortă de pacienți independent de setul de date procesat în prezent. În următoarele subsecțiuni, oferim detaliile de implementare ale modulelor individuale ale algoritmului.

2.3. Cnnfor Segmentare Semantică

Printre variantele U-Net disponibile, am folosit implementarea publicată la [28]. Deoarece diferă de arhitectura descrisă în lucrarea originală [20], caracteristicile specifice ale acestei structuri, ajustate la nevoile studiului nostru, sunt rezumate mai întâi.

2.3.1. Arhitectura de rețea

Rețeaua neuronală convoluțională U-Net a fost dezvoltată inițial pentru segmentarea structurilor neuronale în stive microscopice electronice și s-a dovedit eficientă în numeroase alte aplicații biomedicale. După cum s-a spus, intrarea în modelul nostru a fost o imagine 2D la nivel de gri - o secțiune transversală a unui singur volum 3D DCE-MRI. Dimensiunea patch-ului a fost ajustată la 96 × 96 pixeli (vezi Figura 2).

Trăsătura caracteristică a U-Net este că conține două părți simetrice - o cale contractivă și una de expansiune. Scopul căii contractive este de a codifica modelele de intensitate ale pixelilor imaginii prin efectuarea de convoluție cu o serie de 3 × 3 filtre de greutăți antrenabile. Ieșirile filtrelor activează principalele componente de procesare ale rețelei - neuronii numiți unități liniare redresate (ReLU). Acestea permit modelarea relațiilor neliniare dintre caracteristicile imaginii și harta de segmentare a ieșirii. Astfel, etapa de codificare poate fi comparată cu un proces cunoscut în procesarea digitală a imaginii ca extracție de caracteristici. Este urmată de operația de pooling maxim care eșantionează în jos hărțile caracteristicilor.

Contracția se repetă de patru ori pentru a extrage descriptori de imagine pe diferite niveluri de scară. Fiecare nivel este, de fapt, format dintr-un bloc compus din două straturi convoluționale, fiecare urmat de un strat de normalizare a lotului, care menține constantă media și abaterea standard a înglobărilor de ieșire într-un lot dat. Astfel, normalizarea loturilor asigură că caracteristicile cu dinamică de intensitate scăzută au o importanță egală cu cele al căror interval este mai mare. Perechile de strat de convoluție și normalizare sunt separate de stratul de abandon, care setează aleatoriu 20 la sută din nodurile de intrare la 0. Acest mecanism, activ doar în faza de antrenament, previne supraadaptarea rețelei [29].

Ieșirea ultimului bloc de eșantionare redusă, denumit blocaj, este transmisă căii de expansiune sau decodare. Este construit din același număr de niveluri de supraeșantionare ca și partea contractivă și sarcina sa principală este de a recupera rezoluția spațială inițială. În acest studiu, eșantionarea a fost realizată prin convoluție transpusă. Fiecare bloc de decodare a fost, de asemenea, compus din două perechi de straturi convoluționale și de normalizare a loturilor. Spre deosebire de blocurile de codificare, totuși, nici un mecanism de abandon nu a fost inserat între ele. Mai mult, hărțile de caracteristici de înaltă rezoluție extrase în calea de eșantionare în jos nu numai că au alimentat straturile de codare ulterioare, ci au fost și concatenate la intrările straturilor de decodificare la nivelurile respective ale căii de eșantionare în sus. Aceste conexiuni suplimentare au ajutat blocurile de decodare să se restabileascărinichilocalizarea segmentelor mai precis.

După cum se poate vedea în Figura 2, blocurile de codificare au constat dintr-un număr tot mai mare de filtre convoluționale care merg mai adânc în calea contractivă. Pornind de la 64 de filtre din primele două straturi convoluționale, numărul hărților de caracteristici a ajuns la 1024 în blocaj, fiind dublat la fiecare nivel de eșantionare redusă. Dimpotrivă, numărul de filtre din calea de expansiune a fost împărțit cu un factor de doi la fiecare treaptă ascendentă. Ca rezultat, harta caracteristică finală a avut din nou o adâncime de 64.

Ieșirea ultimului bloc de eșantionare a fost conectată la un strat convoluțional cu 1 × 1-filtre de dimensiune. A efectuat convoluția în funcție de pixeli a nucleului de filtru cu un vector de caracteristică a elementului 64-și apoi a transmis rezultatul unei funcții de activare a ieșirii. În proiectarea noastră, a fost utilizată o activare sigmoid, deoarece decizia finală a fost binară - un pixel aparținea parenchimului sau fundalului renal.

2.3.2. Instruire

Greutățile rețelei au fost inițiate într-o stare aleatorie prin metoda lui He et al. [30]. Procesul de instruire a fost efectuat pe patch-uri de imagine decupate din volumele DCE-MRI, fiecare conținând un singur, stânga sau dreaptarinichisecțiune transversală. După cum s-a descris mai sus, patch-uri de imagine de 96 × 96-pixeli au fost extrase din volumele secvenței DCE corespunzătoare fazei de perfuzie, adică intervalele de timp ale contrastului maxim de semnal între cortex și medular. Pentru a crește numărul de imagini de antrenament, pentru fiecare studiu, am selectat de fapt trei astfel de cadre de timp - cel cu îmbunătățirea maximă a semnalului în regiunea cortexului, unul precedent și unul care urmează. În fiecare volum de imagine, un singurrinichia fost vizibil pe 12 felii în medie. A oferit aproximativ 1440 de petice de antrenament.

Deși rețelele U-Net pot face față de obicei cu mostre de antrenament mici, am decis să lărgim și mai mult setul de date prin creșterea datelor. Acest lucru a fost realizat prin alegerea a 10 poziții verticale diferite ale patch-ului de imagine și prin oglindirea aleatorie în direcția orizontală. În timpul selectării pozițiilor plasturelui, ne-am asigurat că acesta cuprinde o porțiune suficient de mare a centrului imaginii care conține fragmente semnificative ale parenchimului renal (vezi Figura 3). Per total, numărul de imagini disponibile pentru antrenament a ajuns la valoarea de 13.964. O treime din imaginile de antrenament au fost separate în scopuri de validare.

Am antrenat 10 modele CNN diferite, unul pentru fiecare pacient. În timpul construirii unui model dedicat unui subiect dat, patch-urile de imagine corespunzătoare (indiferent de sesiunea de examinare) au fost eliminate din seturile de instruire și validare și utilizate numai pentru testare. Greutățile rețelei au fost actualizate utilizând algoritmul de coborâre a gradientului stocastic cu rata de învățare constantă=0,01 și impuls=0,99. Funcția de pierdere aleasă pentru optimizare a fost criteriul de entropie încrucișată binar, definit ca

unde N este numărul de voxeli, Yi este adevărata etichetă a voxelului și p(Yi) este predicția rețelei că vectorul i aparține într-adevăr clasei Yi, cu 0 < p(Yi) < 1. În plus , pentru a monitoriza calitatearinichisegmentare pe epoci de antrenament, am calculat coeficientul Jaccard, denumit în continuare IoU (intersecție peste unire)

unde K desemnează numărul de pixeli dintr-o secțiune procesată și y este categoria de pixeli prezisă. Aici, categoriile aveau valori booleene și un pixel era etichetat „Adevărat” dacă aparținearinichi, Fals altfel. În cazul fiecărui subiect, algoritmul de optimizare a fost rulat pentru 50 de epoci. Modelul stocat corespunde epocii cu scorul minim pe funcția de pierdere obținut pentru setul de date de validare.

2.4. ClasificareaRinichiVoxeli

2.4.1. Extragerea caracteristicilor

Diferențierea voxelilor care reprezintă anumite compartimente renale s-ar putea baza pe cursuri de timp brute ale intensității semnalului. Ne propunem, totuși, să transformăm formele de undă ale semnalului, adică vectori a 74 de caracteristici temporale, în spațiul de dimensionalitate redusă folosind analiza componentelor principale (PCA). Scopul acestei transformări nu este doar de a reduce complexitatea modelului de clasificare rezultat, ci și de a extrage caracteristici mai generale alerinichitesut, un reprezentant pentru diverse subiecte. Mai mult, chiar și în aceeași unitate clinică, imagistica DCE poate fi efectuată într-o secvență care, deși acoperă un interval de timp similar, are o rezoluție temporală diferită. Prin urmare, un sistem de luare a deciziilor care acceptă un model de caracteristici uniform, prin utilizarea obiectului de transformare PCA ca adaptor, poate fi aplicat vectorilor de date de intrare cu lungime variabilă.

Am presupus că componentele PCA extrase ar trebui să explice cel puțin 90 la sută din varianța setului de date inițial. Pentru a îndeplini această cerință pentru fiecare subiect, au trebuit să fie construite cel puțin 20 de agregate de caracteristici. După cum am observat, un număr mai mare de componente nu a condus la o precizie mai mare de clasificare.

2.4.2. Clasificarea Vectorilor Caracteristici

Alocarea voxelilor renali la cortex, medular sau pelvis este efectuată de un clasificator instruit într-o manieră supravegheată. În abordarea noastră, datele istorice servesc ca modele pentru construirea regulilor de decizie adecvate, aplicate ulterior unor noi studii. Am testat trei algoritmi de clasificare pentru a găsi cea mai bună schemă pentru toate subiectele. Metodele examinate au inclus regresie logistică, mașini de vectori de suport și arbori de decizie XGBoost. În cele ce urmează, reamintim caracteristicile algoritmilor utilizați și descriem modul în care au fost pregătite datele de antrenament.

Antrenează și testează seturi de date.Vectorii de antrenament au fost achiziționați din regiunile de interes adnotate manual în locațiile parenchimatoase respective. Adnotările au fost făcute numai în voxeli a căror apartenență nu era ambiguă (vezi Figura 4a,b), lăsând astfel un clasificator instruit să decidă despre categoria dominantă de țesut în cazul voxelilor parțial umpluți cu diferite compartimente. Numărul de vectori de antrenament colectați din cele 20 de examinări disponibile a depășit valoarea de 60,000. Acest set de date a fost împărțit în 10 pliuri, fiecare conținând vectori de date de la toți subiectii, cu excepția unuia, lăsați deoparte în scopuri de testare. Într-un pliu dat, distribuția claselor a fost aproximativă după cum urmează: cortex-58 la sută, medular-31 la sută, pelvis-11 la sută. Pentru a oferi clasificatorilor șansa de a învăța să discrimineze categoriile cu aceeași acuratețe, în fiecare pliu de antrenament au fost reeșantionate subseturile reprezentând cortexul și medulara pentru a se potrivi cu dimensiunea categoriei pelvisului. În medie, setul de antrenament după reeșantionare a cuprins peste 16,000 vectori pe ori. Într-un fel de antrenament dat, au fost incluse datele de la ambele sesiuni de examinare. Pe de altă parte, pliurile de testare au conținut 600 până la 4800 de vectori, în funcție de pacient și de sesiunea de examinare. Clasificatorii au fost evaluați folosind scorul de precizie echilibrat calculat pe seturile de testare.

Regresie logistică.Clasificatorul de regresie logistică modelează probabilitatea ca un vector caracteristic să aparțină uneia dintre cele două categorii. Algoritmul adaptează o funcție liniară la datele de antrenament și rezultatul ecuației de regresie pentru un anumit punct de date este transmis transformării logistice

unde p(yi|xi) denotă probabilitatea unei clase yi având în vedere un punct de date xi cu Yi e {{{{0}}, 1}, în timp ce vectorul de greutate w împreună cu intersecția w0 determină regresia ajustată linia.

Ca atare, ecuația (3) se aplică problemelor de clasificare binară. Prin urmare, în cazul a trei regiuni renale, fie trebuie construite trei clasificatoare unu versus rest, fie un model de regresie multinomial este potrivit [31]. În experimentele noastre, folosim cea din urmă variantă. Parametrii w ai modelului liniar se găsesc prin minimizarea funcției cost log-pierdere cu termenul de regularizare L2:

în care studiul nostru K=3 și pi,c este probabilitatea prezisă ca vectorul să aparțină clasei c. Problema de optimizare de mai sus a fost rezolvată cu algoritmul de coborâre Stochastic Average Gradient (SAG) [32] implementat în pachetul Scikit-Learn [33]. Am ales SAG datorită recomandării sale pentru seturi mari de date și suport pentru regularizarea L2.

Suport mașini vectoriale. Mașinile vectoriale suport (SVM) constituie o clasă de algoritmi care construiesc un hiperplan de marjă maximă discriminând diferite categorii [34]. Decizia privind apartenența la categorie a unui vector x este determinată de semnul ecuației hiperplanului

unde notez indexul unui exemplu de antrenament, xi este un vector caracteristică corespunzător și Yi este adevărata sa etichetă de clasă. În timp ce se adaptează acest model la datele de antrenament, se rezolvă o problemă de optimizare pătratică constrânsă. Ca rezultat, se găsește un set de multiplicatori Langrage ai non-zero, care împreună cu vectorii lor suport respectivi xi și parametrul de deplasare b determină locația și orientarea graniței căutate.

Un produs punctual din (5) poate fi înlocuit cu o funcție de nucleu pentru a permite aplicarea SVM la probleme neliniare. Trucul nucleului transformă implicit vectorii caracteristici într-un spațiu de dimensiune superioară, în care devine posibilă determinarea hiperplanului de separare. Figura 4c arată distribuția subsetului de vectori de antrenament pentru unul dintre participanți. Această vizualizare a fost obținută prin transformarea datelor din spațiul a 20 de agregate de caracteristici PCA într-un spațiu de trei dimensiuni folosind metoda t-distributed stochastic neighbor embedding (TSNE) [35]. Se poate observa că, deși separarea liniară a claselor de cortex, medular și pelvis este plauzibilă, limita de separare poate fi mai bine modelată de o funcție neliniară. În experimentele noastre, cele mai bune rezultate au fost asigurate de nucleul funcției de bază radială

unde |.|denotă norma é2-. Întrucât în ​​seturile de date reale, separarea perfectă a claselor este rară, criteriul de optimizare permite — printr-un parametru suplimentar de metodă desemnat de obicei cu litera C — să permită unui anumit număr de puncte de date să încalce limita de decizie. Parametrii și C contribuie invers la complexitatea modelului SVM. Prin urmare, le-am ajustat valorile utilizând algoritmul de căutare exhaustiv în grilă într-un experiment de validare încrucișată de cinci ori. Cele mai bune rezultate au fost raportate pentru=0,05 și

C = 1.

Arborele de decizie XGBoost.Conceptul de creștere a gradientului extrem (XGBoost) a fost introdus de Chen și Guestrin [36] pentru a facilita antrenamentul unui ansamblu de arbori de clasificare și regresie (CART). Spre deosebire de pădurile aleatoare clasice, algoritmul de învățare formalizează mecanismul de regularizare și utilizarea funcțiilor versatile de pierdere a obiectivelor. Datorită acestor avantaje, sa dovedit recent eficient în numeroase probleme de învățare automată care implică seturi de date mari, cu dimensiuni mari.

Construcția unui ansamblu XGBoost se bazează pe strategia așa-numitului antrenament aditiv. La fiecare pas t, un nou arbore este adăugat la model care minimizează funcția de pierdere globală

unde t ü 1) este eticheta de clasă prezisă de ansamblul construit până acum, l măsoară eroarea dintre eticheta Yi prezisă și cea adevărată, în timp ce ft corespunde unei structuri arborescente de T frunze, care atribuie fiecărui vector de date un scor wq (xi), cu q fiind o funcție care alocă punctul de date xi la o frunză de arbore dată. Atât T cât și ponderile wj definesc termenul de regularizare

unde și parametrii λ controlează impactul mărimii arborelui și lasă scoruri pe valoarea penalizării. În configurația utilizată în studiul nostru, și λ au fost setate la {{0}},1 și, respectiv, 0,9. Mai mult, numărul de arbori din ansamblu a fost egal cu 10, iar adâncimea maximă admisă a unui arbore a fost de 4. În cele din urmă, am folosit funcția soft-max ca criteriu obiectiv l.

2.5. Modelarea farmacocinetică

Pe lângă evaluarea rezultatelor segmentării direct cu utilizarea coeficientului IoU, am comparat și valorile GFR derivate din imagine cu măsurătorile bazate pe iohexol. În scopul determinării GFR, am folositrinichi-model specific de filtrare cu două compartimente (2CFM) [5]. Acest model PK a descompus țesutul renal în spațiile intravasculare (IV) și extracelulare extravasculare (EEV) și nu a presupus nicio ieșire tubulară în perioada de modelare. Deși modelul ar putea fi utilizat pentru a estima perfuzia renală fie în cortex, fie în întregul parenchim renal, doar regiunea anterioară a trebuit să fie luată în considerare la calcularea RFG.

Independent de regiunea renală considerată, pentru a se potrivi modelul la un semnal măsurat S(t), o intensitate medie de timp a imaginii trebuie convertită în forma de undă de concentrație Cțesut(t). Am realizat-o folosind transformarea descrisă în [37] ajustată la secvența ecoului de gradient. Pe de altă parte, țesutul C (t) descris de modelul 2CFM este guvernat de ecuație

unde C denotă funcția de intrare arterială, VP - fracțiunea de volum plasmatic și C - concentrația de CA în plasma sanguină. Primul termen din (9) reprezintă concentrația CA în spațiul EEV, în timp ce al doilea termen acoperă concentrația în spațiul IV obținută prin convoluția funcției de intrare arterială cu funcția de răspuns la impuls vascular (VIRF), definită ca

Ca atare, VIRF modelează întârzierea și dispersia AIF în raport cu fluxul de CA prin patul capilar. Variabilele Tg — constanta de timp de dispersie și X — intervalul de întârziere, împreună cu fracția de volum VP și constanta de transfer Ktrans formează setul complet al parametrilor modelului 2CFM. Estimarea lor este de obicei efectuată în procedura de ajustare a curbei neliniare a celor mai mici pătrate (NLLS). Metoda Trust Region-Reflective [38], folosită în acest studiu, este unul dintre posibilii optimizatori utilizați pentru rezolvarea numerică a problemei NLLS. Spre deosebire de metodele down-simplex, permite stabilirea de constrângeri asupra valorilor parametrilor și astfel să se asigure că estimările finale se încadrează în intervalul fiziologic. Constrângerile presupuse în studiul nostru sunt enumerate în Tabelul 1.

Am implementat algoritmul de optimizare a modelului 2CFM în software-ul personalizat scris în Python, disponibil pentru descărcare la [39]. Algoritmul a fost lansat pentru fiecare pacient folosind regiunile cortexului fie obținute automat prin conducta de segmentare descrisă mai sus, fie adnotate manual. În orice caz, FIA a fost determinat automat utilizând metoda noastră publicată mai devreme în [40].

2.6. Analize statistice

Unul dintre obiectivele automatizării procesului de segmentare a imaginii DCE-MR este de a asigura estimări de perfuzie stabile și repetabile. Prin urmare, am efectuat testul t al lui Student pentru probele aferente (repetate) pentru a verifica ipoteza nulă a mediei egale a GFR estimată pe două evenimente de examinare. Mai mult, am calculat coeficientul de repetabilitate definit ca [41]

unde σdiff este abaterea standard a diferențelor dintre GFR-urile făcute pe același subiect și ╱pool denotă media tuturor măsurătorilor. Mărimea ′2σdiff, denumită și deviația standard de măsurare unică (σsm), este o estimare a abaterii standard a diferențelor în perechi de măsurători consecutive potențial multe [42]. Pe lângă evaluarea repetabilității, reproductibilitatea estimării GFR bazată pe imagini a fost evaluată folosind diagrame Bland-Altman. În cele din urmă, rezultatele analizei obținute pentru segmentele renale găsite automat au fost comparate cu adnotările manuale.

Cistanche poate ușurarinichiîn mod eficient

3. Rezultate

Figura 5 prezintă exemple de rezultate ale rețelei de segmentare semantică pentru doi dintre subiecții participanți, împreună cu măștile de adnotare a adevărului de bază. Procesele de instruire corespunzătoare sunt vizualizate în Figura 6, care prezintă grafic evoluția metricilor de pierdere și evaluare atât pentru seturile de instruire, cât și pentru seturile de validare. Se poate observa că, după primele epoci, curbele IoU pentru seturile de antrenament și validare s-au apropiat una de cealaltă și rețeaua nu a intrat în starea de supraadaptare. Simultan, a avut loc o scădere monotonă a funcției de pierdere, ceea ce a demonstrat că rețeaua a câștigat capacitatea de generalizare. Coeficienții IoU de similitudine între adnotările manuale și cele găsite automatrinichiregiunile obținute după îndepărtarea insulelor extrarenale deconectate de segmentele principale, sunt colectate în Tabelul 2. IoU medie pentru toți subiecții și studiile=0.94 și a apărut lateral indiferent.

În etapa următoare, voxelii parenchimatoși au fost clasificați în compartimente renale separate. O comparație a celor trei clasificatori testați este prezentată în Tabelul 3. Ea evaluează fiecare metodă în raport cu trei metrici - precizie echilibrată, reamintire și precizie. Ultimele două au fost determinate pentru fiecare categorie renală separat. Metrica de acuratețe echilibrată a fost obținută ca medie a ratelor adevărate pozitive obținute pentru anumite clase. Toate scorurile prezentate au fost valori medii la 20 de subiecți de testare. Cei trei clasificatori testați au obținut performanțe similare în ceea ce privește ratele adevărate pozitive (aproximativ 95 la sută). În general, totuși, SVM a fost cel care a prezentat cea mai bună acuratețe echilibrată (96 la sută) și, de asemenea, a câștigat o capacitate mai mare decât celelalte metode de a evita detectările fals-pozitive. Era deosebit de evident

pentru regiunea pelvisului, unde precizia=92 la sută față de 89 la sută oferită de regresia logistică și clasificatorii XGBoost.

Ratele ridicate de precizie a clasificării s-au tradus în rezultate la fel de bune de segmentare (Tabelul 2), care au fost din nou evaluate folosind coeficientul Jaccard. De data aceasta, totuși, a fost calculată ca suma IoU-urilor determinată pentru fiecare regiune separat și apoi ponderată de suportul său, adică numărul de voxeli de adevăr de bază reprezentând o clasă dată. Pentru a permite compararea cu celelalte lucrări, am recalculat ratele Jaccard obținute la coeficienții Dice (scor F1-) cu formula.

Folosind algoritmul nostru, am atins coeficientul Jaccard mediu pentru clasa cortexului din stângarinichiegal cu 93,2 la sută . În cazul celorlalte regiuni, IoU a echivalat cu aproximativ 91 la sută, cu excepția clasei pelvisului din stânga.rinichi unde a scăzut la 90,1 la sută . Calitatea segmentării fine poate fi confirmată vizual prin analizarea exemplelor derinichi descompunerea în regiuni prezentată în Figura 7. Pentru a permite evaluarea într-un context mai larg, am efectuat și segmentarea cu două metode alternative propuse în literatură. Prima constă în extragerea caracteristicilor semnalului DCE utilizând transformarea wavelet discretă (DWT) cu wavelet Daubechies-4, așa cum este postulat, de exemplu, în [12]. Apoi am clasificat vectorii coeficientului DWT cu ajutorul algoritmului SVM. În a doua metodă comparată, vectorii caracteristici PCA au fost grupați folosind un algoritm k-means (cu k=3), așa cum este descris în [14]. Această a doua abordare nu a reușit să facă distincția corectă între cortex și medular. Majoritatea voxelilor reprezentând ambele regiuni au fost îmbrățișați într-un grup comun și doar pelvisul a fost recunoscut ca o parte autonomă a parenchimului pe majoritatea secțiunilor transversale. Spre deosebire de rezultatele obținute prin clustering, regiunile produse într-o manieră supravegheată folosind descrierea voxelilor bazate pe DWT sunt mai precise. Cu toate acestea, numărul de recunoașteri false este aparent mai mare decât în ​​cazul vectorilor caracteristici PCA. Scorul de acuratețe echilibrat obținut pentru clasificatorul SVM a fost de numai 78 la sută în acest caz. Consultați ultimele două rânduri din Tabelul 3 pentru compararea cantitativă a acestor scheme de partiționare alternative cu Xgboost, regresie liniară și cel mai bun algoritm din studiul nostru SVM/PCA.

Rezultatele etapei de segmentare au fost utilizate pentru a determina semnalele medii în cortexul renal. Acest semnal a fost apoi adaptat modelului farmacocinetic 2CFM. Figura 8 prezintă modul în carerinichiratele de filtrare glomerulară(SK-GFR) obținute în acest fel corespund scorurilor relevante derivate folosind adnotările manuale. Valorile medii SK-GFR la toți subiecții și studiile obținute după segmentarea automată și manuală sunt similare (56 față de 55 mL/min/1,73 m2) și diferența observată este nesemnificativă din punct de vedere statistic (T-statistic=0,75, valoarea p=0.46). În plus, potrivirea liniară dintre cele două tipuri de măsurători demonstrează corespondența lor bună cu r2=0.13 și 0.49 pentru sesiunile de examinare MR 1 și, respectiv, 2.

Graficele Bland-Altman prezentate în Figura 9 ne permit să evaluăm acordul GFR-urilor totale cu ratele bazate pe iohexol adevărul de bază. Înainte de aplicarea metodei Bland-Altman, distribuția normală a măsurătorilor a fost confirmată folosind testul Shapiro-Wilk. Valorile p obținute sunt date în legendele grafice relevante. Diferența medie pentru ședința 1 de examinare RM în ceea ce privește valorile absolute a fost mai mică pentru segmentările manuale ( ü0,8 față de ü7,4 mL/min/1,73 m2). În cazul sesiunii 2, valorile lui ╱d au fost consistente între metodele de segmentare, deși acordul cu metoda de referință a fost mai slab. Cu toate acestea, algoritmul propus a părut să funcționeze puțin mai bine ( ü 12,9 față de ü 14,1 ml/min/1,73 m2). Pe baza rezultatelor obținute, nu s-a putut decide care abordare de segmentare a asigurat limite mai restrânse de acord. În cazul sesiunii 1, comparația a favorizat segmentarea manuală (π=31,3 versus 35,5 mL/min/1,73 m2). Cu toate acestea, cele mai înguste limite de acord și intervale de încredere din toate experimentele au fost obținute pentru sesiunea 2 și etichetarea automată (π=25.1 mL/min/1.73 m2). Ambele abordări de segmentare au condus la rezultate repetabile (a se vedea tabelul 4) cu coeficientul de variație egal cu 30,2 la sută în cel mai rău caz (segmentare manuală, stânga).rinichi). Aparent, segmentarea automată a asigurat o mai bună stabilitate cu coeficienți de variație de două ori mai mici decât în ​​cazul omologilor manuale. Valorile p obținute în testele t Student pentru probele aferente au fost toate peste nivelul de încredere a=0.05, arătând dovezi insuficiente împotriva ipotezei nule că nu există nicio diferență semnificativă între mediile observate ale măsurătorilor SK-GFR. Cu toate acestea, valoarea p calculată pentru rinichiul stâng și segmentarea manuală a fost relativ mică. Investigații suplimentare, care pot implica un eșantion mai mare, sunt necesare pentru a confirma sau respinge repetabilitatea măsurătorilor în acest caz.

4. Discutie

Scopul principal al acestui studiu a fost proiectarea unei metode eficiente pentrurinichisegmentare în imagini DCE-MR. Am combinat conceptele propuse parțial în lucrările publicate anterior într-un cadru de calcul uniform. Acesta include segmentarea semantică grosieră a parenchimului renal, transformarea PCA a cursurilor de timp ale semnalului MR pentru a crea reprezentarea numerică a voxelilor și apoi a permite clasificarea acestora pentru a produce o segmentare fină a țesutului renal în cortex, medulă și pelvis. Abordarea propusă conduce la rezultate precise, permițând recunoașterea rinichilor la o rată de 94% în termeni de coeficient Jaccard. Segmentarea anumitor compartimente renale poate fi realizată cu IoU între 90% și 93% (96-95% din coeficientul Dice), în funcție de tipul de țesut.

Când ne referim la alte rezultate publicate, rapoartele obținute sunt fie în bună concordanță, fie ușor mai mici. În [14], scorul Dice pentru cei sănătoșirinichisegmentarea a fost raportată la nivelul de 99% (cortex), 98% (medular) și 96% (pelvis). Cu toate acestea, s-a arătat, de asemenea, pentru datele simulate, că zgomotul imaginii poate degrada semnificativ acuratețea la 82–85 la sută. Deoarece protocoalele de imagistică utilizate în studiu și în studiul nostru diferă atât în ​​ceea ce privește rezoluția spațială, cât și temporală, discrepanțele observate în intervalul 1-2% pot fi atribuite diferitelor niveluri de zgomot din studiile noastre. Condiții de scanare comparabile au fost utilizate la un grup de copii și adolescenți în [15]. Scorul mediu F1-observat acolo a fost egal cu 93 la sută pentru întregrinichiși 86 procente pentru cortexul renal. În [12] segmentarea bazată pe clustering a fost evaluată folosind scoruri de acuratețe. Rezultatele medii obținute au fost: 88 la sută — cortex, 91 la sută — medular și 98 la sută — pelvis. Aceste valori pot fi denumite colectiv scorul de precizie echilibrat, care ia în considerare dimensiunea unui anumit segment. Astfel, modelul nostru SVM pare să depășească abordarea bazată pe clustering, oferind precizie de clasificare, precum și rate de reamintire la nivelul de 96% chiar și pentru cea mai mare regiune a cortexului.

În cele din urmă, rețeaua CNN s-a dedicat recunoașterii întreguluirinichidescrise în [26] au arătat performanțe mai scăzute decât designul nostru U-Net, obținând un scor F1-= 91,4 la sută pentru subiecții de testare normali.

Diferențele observate în rezultatele segmentării ar trebui, de asemenea, privite în lumina configurației de antrenament-rechemare a algoritmului. Spre deosebire de unele abordări alternative [11,14], strategia noastră este independentă de pacient. Odată construite modelele de segmentare și clasificare semantică, acestea sunt aplicate unor noi studii, care nu sunt întâlnite în setul de instruire. Prin urmare, caracteristicile specifice pacientului nu pot ghida mecanismul de recunoaștere și pot să nu se potrivească modelului antrenat, scăzând rata de precizie generală. Mai mult, așa cum s-a discutat mai sus, din cauza efectului de volum parțial care persistă la granițele dintre cortex, medular și pelvis, rămâne o doză de incertitudine cu privire la segmentările manuale de referință care trebuie luate în considerare la analiza metricilor raportate. Deși clasificatorul SVM a fost antrenat pe semnale ale adevărului de bază, distincte de țesut, selectate cu grijă, datele de validare, care trebuie să cuprindă toți voxelii renali, pot suferi totuși de subiectivismul adnotărilor observatorului.

Pe lângă puterea observată de a produce rezultate de segmentare precise, strategia noastră posedă o caracteristică avantajoasă. Deoarece folosim un clasificator supravegheat pentru a atribui voxeli de imagine corespunzatoarerinichiregiuni, nu este nevoie de o etapă separată de etichetare. În cazul grupării, este necesar să se furnizeze unele euristice pentru interpretarea categoriei efective a fiecărui cluster, dacă se dorește asigurarea automatizării întregii proceduri.

După cum este ilustrat în Figura 10, există în principal două surse de discrepanță între adnotările automate și manuale. În primul rând, granița dintre cortex și piramidele medulare este ambiguă, iar voxelii corespunzători sunt parțial umpluți cu ambele tipuri.

a țesutului renal. În timp ce metoda automată tinde să includă astfel de voxeli în clasa cortexului, ei au fost adesea desemnați ca medular de către expert. Pe de altă parte, nici măcar segmentarea manuală nu este consecventă în acest sens, ceea ce demonstrează dificultatea de a decide în mod arbitrar asupra clasei de voxeli în care efectul de volum parțial este dominant. În al doilea rând, pot fi observate detecții false, de exemplu, pe marginile corticale externe. Aceste efecte pot fi atribuite înregistrării greșite a imaginilor în domeniul timpului. Metoda de înregistrare b-spline aplicată nu a fost optimizată pentru necesitatea acestui studiu și rămâne subiectul viitoarei noastre investigații.

Experimentele efectuate au arătat, de asemenea, că algoritmul de segmentare propus îmbunătățește repetabilitatea estimării SK-GFR bazate pe imagini. Coeficienții de variație calculați s-au ridicat la 14,5 la sută și 17,5 la sută pentru stânga și dreaptarinichi, respectiv. În cazul adnotărilor manuale, am obținut CoV=30,2 la sută și 29,4 la sută . Aceste rezultate trebuie evaluate în funcție de variația naturală a RFG cauzată de factori independenți, cum ar fi dieta și ora din zi. Este de așteptat ca nivelul creatininei serice, care se corelează bine cu RFG, să atingă un grad de variație de până la 10 la sută [43]. Prin urmare, CoV de aprox. 15 la sută indică repetabilitate bună a procedurii care utilizează automatrinichisegmentare. În plus, valorile de repetabilitate obținute se încadrează în intervalul de valori prezentat în altă parte, de exemplu, în [44] CoV=32 procente și 27 la sută, în timp ce în [13], CoV=17,5 la sută și 15,4 la sută pentru stânga și dreaptarinichi, respectiv. În acest din urmă studiu, totuși, CoV a fost calculat numai din raportul dintre σsm și media tuturor măsurătorilor, fără factorul suplimentar de ′2. Dacă acest factor de corecție este reflectat, CoV-urile lor raportate devin 24,7% și 21,8%, care sunt destul de apropiate de constatările noastre.

Pot fi ridicate trei limitări ale studiului nostru. În primul rând, împărțirea presupusă în patch-uri de imagine poate înclina rețeaua de segmentare semantică să învețerinichilocații numai în apropierea uneia dintre marginile patch-urilor. Prin urmare, în dezvoltarea ulterioară a modelelor noastre, se va studia modul în care algoritmul funcționează dacă câmpul vizual de achiziție este configurat diferit. În al doilea rând, algoritmul de segmentare a fost conceput utilizând numai subiecți sănătoși. Poate avea consecinţe deosebit de semnificative în cazul segmentării fine a parenchimului renal. Ajustarea modelului de clasificare la rinichii bolnavi poate necesita extinderea numărului de clase la mai mult de trei categorii (cortex, medular și pelvis) pentru a reflecta diversele caracteristici temporale ale leziunilor de țesut renal. În al treilea rând, pentru a calcula GFR, am adaptat modelul 2CFM la semnalul DCE mediu estimat în cortexul segmentat. Datorită efectului de volum parțial, atât segmentarea manuală, cât și cea automată pot clasifica unii voxeli drept medulari, deși conțin glomeruli renali. Ignorarea unor astfel de voxeli poate fi unul dintre motivele discrepanțelor observate între măsurătorile GFR derivate din imagine și cele bazate pe iohexol. Pentru a depăși această problemă, unii autori [5] propun să utilizeze întregul ROI al rinichilor pentru a se asigura că toți voxelii care contribuie la filtrarea renală sunt incluși în procesul de adaptare a modelului PK. Am descoperit, totuși, că această abordare duce la o supraestimare remarcabilă a GFR pentru seturile de date disponibile în studiul nostru. Prin urmare, în viitor, intenționăm să aplicăm tehnici de super-rezoluție bazate pe învățarea profundă și să încercăm să obținem adnotări mai precise ale voxelilor corticali.

Mai mult, ar trebui exploatată o abordare complet 3D a segmentării semantice. Se poate aștepta ca o rețea neuronală capabilă să proceseze volume întregi de MR să producă mai preciserinichiadnotări datorită informațiilor suplimentare de profunzime. Cu toate acestea, problema din acest studiu a trebuit să fie redusă la două dimensiuni din cauza numărului relativ mic de studii disponibile pentru formare. Descompunerea imaginilor volumetrice în secțiuni transversale 2D a permis creșterea semnificativă a setului de date de antrenament.

În cele din urmă, așa cum s-a descris anterior, abordarea propusă a fost validată în modul de excludere a unui singur subiect. Au fost create 10 rețele neuronale independente și modele de clasificare eficiente. O întrebare legitimă este cum ar putea fi aplicate aceste modele unor noi subiecți din afara eșantionului disponibil în acest studiu. O opțiune ar fi crearea unui ansamblu și introducerea unui mecanism de vot. Alternativ, ar putea fi antrenată o nouă schemă de segmentare (cuprinzând atât pași grosier, cât și pași cu granulație fină) pe baza întregului eșantion de subiect 10-. Performanța sa în ceea ce privește noile seturi de date ar trebui să fie comparabilă cu rezultatele prezentate mai sus.

cistanche poate ușurarinichidurere, dați clic aici pentru a afla mai multe

5. Concluzii

În concluzie, în această lucrare am demonstrat un cadru de calcul pentru susținerea evaluării cantitative arinichiperfuzie prin furnizarea unui mod automat de segmentare a compartimentelor renale. Rezultatele de acuratețe obținute dovedesc funcționarea fiabilă a metodei proiectate. Mai mult, în experimentele noastre, abordările alternative pentru a discrimina segmentele cortexului, medular și pelvisului, bazate pe transformări wavelet și algoritmi de grupare, funcționează mai puțin eficient. Repetabilitatea măsurării SK-GFR bazată pe segmentele găsite automat se îmbunătățește în comparație cu rezultatele prelucrării manuale și, de asemenea, rămâne în acord cu alte rezultate publicate. Metoda de segmentare proiectată permite un obiectiv sporit al parametrilor de perfuzie derivați din imagine și, de asemenea, un diagnostic potențial mai rapid al insuficiențelor renale. Aceste descoperiri aduc mai aproape aplicarea clinică a imagistică DCE-MR ca metodă de rutină înrinichidiagnostice. În cele din urmă, pentru a facilita această trecere de la cercetare la domeniul aplicației, facem disponibil cadru software pentru modelarea farmacocinetică la [39]. Depozitul include, de asemenea, scripturile pentru extragerea și clasificarea caracteristicilor bazate pe semnal DCE.

Contribuții ale autorului:Conceptualizare, AK; metodologie, AK și EE; software, AK; validare, AK; analiza formală, AK; anchetă, AK; resurse, EE și AL; curatarea datelor, EE; scris — pregătire originală a proiectului, AK; scriere – revizuire și editare, AL și EE; vizualizare, AK; supraveghere, AL; administrarea proiectului, AK Toți autorii au citit și au fost de acord cu versiunea publicată a manuscrisului.

Finanțarea:Această cercetare nu a primit finanțare externă.

Declarația Comisiei de revizuire instituțională:Studiul a fost realizat în conformitate cu Declarația de la Helsinki, iar protocolul a fost aprobat de Comitetele Regionale de Etică a Cercetării Medicale – Norvegia de Vest (REC West 2012/1869).

Declarație de consimțământ informat:Toți subiecții și-au dat consimțământul informat pentru includere înainte de a participa la studiu.

Declarație de disponibilitate a datelor:Imaginile DCE-MR utilizate în acest studiu nu pot fi puse la dispoziție deoarece consimțământul scris semnat de participanți nu a acoperit acordul de difuzare publică a datelor dobândite.

Conflicte de interes:Autorii nu declară niciun conflict de interese.

Referințe

1. Zabell, JR; Larson, G.; Koffel, J.; Li, D.; Anderson, JK; Greutate, CJ Utilizarea ecuației de modificare a dietei în bolile renale pentru estimare Rată de filtrare glomerularăîn literatura urologică. 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. Clearance-ul plasmatic al iohexolului pentru măsurarerată de filtrare glomerularăîn practica clinică și cercetare: o revizuire. Partea 1: Cum se măsoarărata de filtrare glomerularăcu iohexol? Clin.RinichiJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Rata de filtrare glomerulară: Evaluare cu RMN dinamic îmbunătățit cu contrast și un model de compartiment cortical la iepurerinichi. J. Magn. Reson. Imagistica 2004, 20, 843–849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO Măsurarea RMN a perfuziei și a filtrării glomerulare la omrinichicu un model cu compartiment separabil. Investig. Radiol. 2008, 43, 40–48.

5. Tofts, P.; Cutajar, M.; Mendichovsky, I.; Peters, A.; Gordon, I. Măsurarea precisă a filtrării renale și a parametrilor vasculari folosind un model cu două compartimente pentru RMN-ul dinamic îmbunătățit cu contrastrinichioferă valori normale realiste. EURO. Radiol. 2012, 22, 1320–1330.

6. Chen, B.; Zhang, Y.; Cântec, X.; Wang, X.; Zhang, J.; Fang, J. Estimarea cantitativă a funcției renale cu RMN dinamic îmbunătățit cu contrast utilizând un model cu două compartimente modificat. PLoS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovsky, I.; Tofts, P.; Gordon, I. Importanța selecției AIF ROI în renografia DCE-RMN: reproductibilitatea și variabilitatea perfuziei și filtrării renale. EURO. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, H.; Bokacheva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; Prince, K.; Song, T.; Kramer, EL; et al. Măsurătorile funcției renale din renografia RM și un model multicompartimental simplificat. A.m. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS; Blasberg, RG Evaluarea grafică a constantelor de transfer sânge-la-creier din date de absorbție în timp multiplu. Generalizări. J. Cereb. Blood Flow Metab. 1985, 5, 584–590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Măsurarea unui singurrinichirata de filtrare glomerulară utilizând o secvență dinamică de gradient-eco cu contrast și tehnica plotului Rutland-Patlak. J. Magn. Reson. Imagistica 2003, 18, 714–725.

11. Zöllner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rørvik, J.; Santos, A.; Lundervold, A. Evaluarea 3D DCE-RMN alrinichifolosind înregistrarea imaginilor non-rigide și segmentarea cursurilor de timp voxel. Calculator. Med. Graficul de imagistică. 2009, 33, 171–181.

12. Li, S.; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Segmentarea bazată pe Wavelet a compartimentelor renale în DCE-RMN a omuluirinichi: Rezultate inițiale la pacienți și voluntari sănătoși. Calculator. Med. Graficul de imagistică. 2012, 36, 108–118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Măsurarea RMN dinamică cu contrast a funcției renale la participanții sănătoși. Acta Radiol. 2017, 58, 748–757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Segmentarea compartimentului renal în imagini DCE-MRI. Med. Imagine Anal. 2016, 32, 269–280.

15. Yoruk, U.; Hargreaves, BA; Vasanawala, SS Segmentare renală automată pentru urografia RM folosind 3D-GrabCut și păduri aleatorii. Magn. Reson. Med. 2018, 79, 1696–1707.

16. Lundervold, AS; Lundervold, A. O privire de ansamblu asupra învățării profunde în imagistica medicală care se concentrează pe RMN. Z. Für Med. Fiz. 2019, 29, 102–127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Evaluarea rețelelor neuronale profunde pentru segmentarea semantică a prostatei în RMN T2W. Senzori 2020, 20, 3183.

18. Shelhamer, E.; Long, J.; Darrell, T. Rețele complet convoluționale pentru segmentarea semantică. IEEE Trans. Model Anal. Mach. Intelege. 2017, 39, 640–651.

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

20. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Rețele convoluționale pentru segmentarea imaginilor biomedicale. În Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention, München, Germania, 5–9 octombrie 2015; p. 234–241.