Automatizált teljes vesetérfogat mérések a preklinikai mágneses rezonancia képalkotásban a képalkotó adatok, megjegyzések és forráskód forrásként történő beszerzéséhez

Kapcsolatba lépni:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791

A Cistanche kivonat jót tesz a veseműködésnek

Marie E. Edwards1, Sigapriya Periyanan1, Deema Anaam2, Adriana V. Gregory1 és Timothy L. Kline1,21 Nephrology and Hypertension osztály, Mayo Clinic, Rochester, Minnesota, USA; és 2Department of Radiology, Mayo Clinic, Rochester, Minnesota, USA

A tanulmány célja egy teljesen automatizált összesítés validálása voltvesetérfogatmérési módszert a preklinikai rágcsálókísérletekhez, amely gyors, pontos, reprodukálható, és ezeket az erőforrásokat a kutatói közösség rendelkezésére bocsátja. A képalkotást is magában foglaló rágcsálóvizsgálatok kulcsfontosságúak a kezelés hatékonyságának nyomon követésében olyan betegségekben, mint a policisztásvesebetegség. A korábbi tanulmányok manuális vagy félautomata szegmentálást alkalmaznak, ami időigényes és potenciálisan torz. Automatizált rendszerünk fejlesztéséhez összesen 150 különböző egérmodellből származó axiális mágneses rezonancia képet (MRI) manuálisan szegmentáltunk, és egy automatizált algoritmus betanítására/validálására használtuk. A modell longitudinális alkalmazásának tesztelésére négy mutáns és négy vad típusú egeret egymás után három-tizenkét héten át MRI-vel leképeztünk. A vesék szegmentációit (a vesemedence kivételével) automatizált módszerrel és két különböző leolvasóval állítottuk elő, egy olvasó ismételte meg a méréseket. Hasonlósági mérőszámokat és longitudinális elemzést számoltunk ki, hogy felmérjük az automata teljesítményét a manuális módszerekkel összehasonlítva. Az automatizált megközelítés nem igényelt felhasználói beavatkozást, az utolsó vizuális minőség-ellenőrzési lépésen kívül. Az automatizált módszer és a manuális szegmentálás hasonlósági mutatói egyenrangúak voltak az olvasók közötti és az olvasókon belüli összehasonlításokkal. Így az itt leírt teljesen automatizált megközelítésünk biztonságosan használható longitudinális, preklinikai vizsgálatokban, amelyek a rágcsálóvesék szegmentációját foglalják magukban T2-súlyozott MRI-vizsgálatokban.

Ez a tanulmány egy teljesen automatizált módszert fejlesztett ki az összeg mérésérevesetérfogat preklinikai képalkotáshoz policisztás mutáns egérmodellbenvesebetegség, valamint a vad típusú egerek. Ez a tanulmány a preklinikai képalkotás során a teljes vesetérfogat mérésében az interreader és az intrareader eltéréseket is megállapította. Hasonló tanulmányok és algoritmikus megközelítések alkalmazhatók a klinikai képalkotó adatok módszereinek megállapítására, és szükségesek a betegség pontos prognózisához és a klinikai döntéshozatalhoz. A képadatokat, annotációkat és a forráskódot a kutatói közösség rendelkezésére bocsátjuk.

Kimutatták, hogy a szervtérfogat mérése korrelál a klinikai megnyilvánulásokkal és az olyan betegségek morbiditásával, mint például a teljesvesevolumen (TKV) autoszomális domináns policisztábanvesebetegség (PKD)1,2, és a kezelési beavatkozások hatékonyságának megállapítására szolgál.3 A kutatások, a klinikai vizsgálatok és egyre inkább a klinikai nefrológia ezeket a méréseket használja a betegség progressziójának nyomon követésére mind állatmodelleknél4, mind betegeknél5, a terápiák hatékonyságának értékelésére,6 és előre jelezni az eredményeket.7

Jelenleg példátlan mértékben folynak a preklinikai vizsgálatok, amelyek célja új kezelések keresése a PKD progressziójának lassítására. A mágneses rezonancia képalkotás (MRI) fő előnye a PKD állatmodelljeiben az in vivo képalkotás lehetősége, amely lehetővé teszi longitudinális volumetrikus vizsgálatok elvégzését ugyanazon állaton.8 Számos vizsgálat, amely magában foglalja a manuális, 4,9–12 félautomatizált, 13,14 és az egér regisztráció alapú automatizált szegmentálása15,16vesekorábban elvégezték.

Az automatizáltnak tekintett módszerek közül sok továbbra is felhasználói bevitelt igényel. E preklinikai vizsgálatok többsége manuális szegmentációt használ, amely időigényes és költséges, valamint megfigyelői torzítást vezet be. Ezért laboratóriumunk felmérte a TKV mérésének variabilitását, és kifejlesztett egy automatizált elemző programot a TKV mérésére a betegség egérmodelljeinek mágneses rezonancia vizsgálataiban.

EREDMÉNYEK

Manuális vese intra- és interobserver variabilitása

szegmentálások

Az 1. ábra a TKV Bland-Altman analízisének eredményeit mutatja 2 olvasó által manuálisan mérve (interobserver variancia) és a 2. olvasó által végzett ismételt méréseket (intraobserver variancia). Amikor az 1. olvasót összehasonlítottuk a 2. olvasóval, az átlagos százalékos eltérés 7,7 százalék volt, a 95 százalékos konfidenciaintervallum pedig 4,5 százalék volt. Amikor a 2. olvasó ugyanazon a képen ismételt méréseket végzett, az átlagos százalékos eltérés 0,5 százalék, a 95 százalékos konfidenciaintervallum pedig 3,9 százalék volt. A regressziós elemzés azt mutatta, hogy a TKV-ban nagy az egyezés az összes módszer között, az R2 érték $0.99.

Az automatizált szegmentáló algoritmus érvényesítése

Az automatizált módszer az egyes olvasókkal összehasonlítva a TKV százalékos különbsége tekintetében hasonló volt a megfigyelők közötti és a megfigyelőkön belüli variancia módszeréhez, amint azt az 1. ábrán a Bland-Altman diagramok javasolják. Az 1. olvasót az automatizált módszerrel összehasonlítva átlagos százalékos különbség 5,2 százalék és 95 százalékos konfidenciaintervallum 5,8 százalék . Amikor a 2. olvasót összehasonlítottuk az automatizált módszerrel, az átlagos százalékos eltérés 2,5 százalék volt, a 95 százalékos konfidenciaintervallum pedig 6,5 százalék volt.

A vad típusú és mutáns egerek megkülönböztetése

Az átlagot és az SD TKV-kat minden egyes módszernél minden időpontban ábrázoltuk, és genotípusonként (mutáns vs. vad típus) különítettük el. Amint a 2. ábrán látható, az átlagos TKV mindig kisebb a vad típusú egerekben minden időpontban, mint a mutáns egerekben. Mindhárom módszer (automatikus, olvasó 1 és olvasó 2) az egér típusának jelentős elkülönülését mutatja 9 és 12 hetes korban.

VITA

Az elemzésveseA PKD mennyisége az egyik legfontosabb mérőszám, amelyet jelenleg a betegség állapotának jellemzésére használnak. Munkánk előtt nem volt alternatíva a kézi nyomkövetésnekvesea PKD modellrendszereiben. A struktúrák nyomon követéséhez szükséges idő, valamint a mérések elvégzésére egy személy betanításához szükséges idő, valamint az operátorok közötti változékonyság lehetősége miatt ebben a tanulmányban egy teljesen automatizált szegmentációs módszert fejlesztettünk ki és validáltunk a TKV számára. Az automatizált szegmentálások kiszámítása percek alatt történik (a számítási teljesítménytől függően), míg a kézi szegmentálás 20-40 percet vesz igénybe. A kézi vagy akár félautomata szegmentálási módszerekkel ellentétben ez az automatizált módszer minden alkalommal ugyanazt az eredményt adja, amikor ugyanarra a képre alkalmazza.

A preklinikai vizsgálatok gyakran tartalmaznak kontrollcsoportot és kezelési csoporto(ka)t is; ezért az automatizált módszernek kellően érzékenynek kell lennie ahhoz, hogy megfelelően érzékelje a csoportok közötti térfogati különbségeket.17 A 2. ábra azt mutatja, hogy a kézi szegmentálás és az automatizált szegmentálás egyaránt jelentős elkülönülést mutat a vad típusú és a mutáns csoportokban 9 hetes korban. Bár az általános egyetértés kiváló volt, a vizuális összehasonlítások kisebb nézeteltéréseket sugalltak a tekintetben, hogy a vesemedencet a szeletek egy kis részhalmazában be kell-e venni vagy kizárni. Bár bevett gyakorlat kizárni a

1. ábra|Bland-Altman és (a,e) interobserver és (b,f) intraobserver teljes vesetérfogat (TKV) regressziós elemzése

mérések (milliliterben mérve) az automatizált (Auto) módszer mellett, összehasonlítva a (c,g) 1. és (d,h) 2. olvasóval.

A Bland-Altman diagramok az átlagos különbséget (folytonos vonal) és a 95 százalékos konfidencia intervallumot (szaggatott vonalak) mutatják. A regressziós elemzés megmutatja az összehasonlított módszerek közötti összefüggést.

2. ábra|A vad típusú és mutáns egerek teljes vesetérfogatát az idő függvényében (3-12 hetes korig) ábrázoltuk az automatizált (Auto)

módszer (balra), olvasó 1 (középen) és olvasó 2 (jobbra). Mindhárom módszer szignifikánsan elkülönül az egér típusától 9 hetes korban.

A hibasávok az SD-t jelzik. *P <>

vesemedence, a változékonyság csökkenhet, ha az olvasókat arra utasítják, hogy mindig vegyék fel ezt a szerkezetet.

A jelen tanulmányban bemutatott automatizált módszert még nem alkalmazták külső képekre. Fontos megjegyezni, hogy a jelintenzitás különböző helyszíneken, szkennereken és MRI-felvételekenként változik. Valószínűleg egy nagyobb képzési adathalmaz változatosabb esetekkel a különböző MRI gépekből robusztusabb modellt eredményezhet a mély tanulási algoritmusok természete miatt. Az ilyen automatizált algoritmusokat gyakran át kell képezni a külső adathalmazokon az MRI-jelek eltérései miatt. Ezért a képadatokat, annotációkat és a forráskódot a kutatói közösség rendelkezésére bocsátjuk, hogy más csoportok ugyanazt a modellt használhassák, vagy kidolgozhassák a sajátjukat.

MÓD

Képzési/érvényesítési adatok

A modellt 100 esetben képezték ki, és 50 esetben validálták. Ez a 150 eset különböző betegség súlyosságú és különböző életkorú egerekből állt. A tesztkészlet egy teljesen kitartott készlet, és ezt értékeltük ebben a cikkben.

A vizsgálati kohorsz tesztelése

Ezt a tanulmányt a Mayo Clinic Institutional Animal Care and Use Committee felülvizsgálta és jóváhagyta. A kohorsz vad típusú C57Bl6 129s6Svev/Tac (n ¼ 4; 2 nőstény/2 hím) és C57Bl6 129s6Svev/Tac (n ¼ 4; 2 nőstény/2 hím) Pkd1RC mutánsból állt. /RC modell egerek. A mutáns egerek mind genetikailag, mind fenotípusosan tükrözik a PKD1 emberi megnyilvánulását.18 Az egyik mutáns egér a kísérlet közepén elpusztult, és a 9. héten egy másik, azonos korú mutáns egérrel helyettesítették.

Képszerzések

A képalkotást Avance DRX 700WB (Bruker BioSpin, Billerica, MA) spektrométerrel végeztük. Teljes lefedettség aveseegy axiális TurboRARE T{{0}}súlyozott adatgyűjtéssel kaptuk, amelyet 0,1 mm-es síkbeli felbontással és 1-mm-es szeletvastagsággal rekonstruáltunk (mátrixméret, 256 256 Z, Z-t nagyként választottuk). elég ahhoz, hogy a teljes terjedelmét lefedjevese). A teljes szkennelési idő 5 és 10 perc között volt. A tesztvizsgálati kohorszban minden egeret 4-időpontokban (3, 6, 9 és 12 hetes korban) készítettünk. Az egyes egerek időpontjait 2 napon belül határoztuk meg, hogy biztosítsuk a képalkotási paraméterek következetességét és korlátozzuk a környezeti eltéréseket.

Képelemzés

Az érdeklődésre számot tartó régiókat minden egyes vizsgálatnál egy képalkotó szoftvercsomag (Analyze, 12-es verzió.{1}}, Biomedical Imaging Resource, Mayo Clinic, Rochester, MN) segítségével követtük. Minden olvasót arra utasítottak, hogy zárja ki a vesemedencet, ha a vesemedencét nem zárja be avesekapszula a képszeleten belül. A kézi szegmentálás esettől függően 20-40 percig tartott. A tévéket úgy számították ki, hogy először összeadták a szegmentáción belüli voxelek számát az egyes szeleteken, majd megszorozták a voxelek számát a képfejlécből kapott voxeltérfogattal. A vizsgálati adatokhoz 2 kettős vak olvasó (1 és 2), mindkettő kézi MRI szegmentációban jártas, végzettvesesegmentations on all scans. For intrareader analysis, reader 2 repeated the measurements at 2-time points (>3 hónap különbséggel).

Automatizált módszer

A neurális hálózati modellt korábbi modellünkből adaptáltuk a TKV mérésére a koronális T{0}}súlyozott mágneses rezonancia képekből klinikai vizsgálatokból.19 A forráskód, a képek és a megjegyzések nyilvánosan elérhetők a következő címen: https:// github.com/ TLKline/AutoTKV_EgérMRI.

Statisztikai analízis

Az egyes időpontokban (3., 6., 9. és 12. hét) egérenként (n ¼ 8) nyert axiális T2-súlyozott mágneses rezonancia képeket használtuk a statisztikai elemzéshez. Összesen 32 kép tette lehetővé a különböző képek összehasonlítását a legkülönbözőbb korok és fenotípusok különbségei között. A teljesen automatizált módszer validálásához összehasonlító statisztikákat használtunk annak értékelésére, hogy az egyes módszerek mennyire képesek elkülöníteni a vad típusú és mutáns csoportokat. Ezt úgy értük el, hogy a TKV-t időpont szerint ábrázoltuk, és egértípus szerint elválasztottuk. A TKV-méréseket és a növekedési rátákat mindegyik módszernél Bland-Altman és lineáris regressziós diagramok segítségével is értékeltük.

KÖZZÉTÉTEL

Egyik szerző sem nyilatkozott egymással versengő érdekekről.

KÖSZÖNETNYILVÁNÍTÁS

Ezt a munkát a Mayo Clinic Robert M. és Billie Kelley Pirnie Translational Polycystic támogattaVeseBetegségközpont és az Országos Diabétesz és Emésztési Intézet ésVeseBetegségek (P30DK090728 és K01DK110136 támogatási szám). A szerzők köszönetet mondanak Lynnae M. Henrynek a kézirat elkészítéséhez és formázásához nyújtott adminisztratív támogatásáért.

IRODALOM

1. Grantham JJ, Torres VE, Chapman AB, et al. Volumen progresszió policisztás vesebetegségben.N Engl Med.2006;354:2122-2130.

2. Torres VE, Chapman AB, Devuyst O, et al.Tolvaptan autoszomális domináns policisztás vesebetegségben szenvedő betegeknél.N Engl J Med.2012;367:2407-2418.

3. Caroli A, Perico N, Perna A és munkatársai. A hosszú hatású szomatosztatin analóg hatása a vese és a ciszta növekedésére autoszomális domináns policisztás vesebetegségben (ALADIN): randomizált, placebo-kontrollos, többcentrikus vizsgálat. Lancet.2013;382:1485-1495.

4. Wallace DP, Hou YP, Huang ZL et al.Tracking Vese volume in mice 14. Almajdub M, Magnier L, Juillard L, et al.Vesetérfogat kvantifikálása policisztás vesebetegséggel mágneses rezonancia képalkotással. Vese Int.2008;73:778-781.

5. Grantham J, Torres VE, A teljes vesetérfogat jelentősége a policisztás vesebetegség progressziójának értékelésében. Nat Rev Nephrol. 2016;12:667-677.

6. Higashihara E, Torres VE, Chapman AB, et al. Tolvaptán autoszomális 16. Gleason SS, Sari-Sarraf H, Abidi MA, et al. Új deformálódó domináns policisztás vesebetegség: három év tapasztalat. Cin J Am Soc Nephrol. 20116:2499-2507.

7. Irazabal MV, Rangel L, Berastralh EJ és munkatársai, Az autoszomális domináns policisztás vesebetegség képalkotó osztályozása: egyszerű modell a betegek kiválasztásához klinikai vizsgálatokhoz. JAm Soc Nephrol.2015;26:160-172.

8. Olazabal MV, Mishra PK, Torres VE, et al. Ultra-nagy mező MRI alkalmazása policisztás kis rágcsálómodellekbenvesebetegség Vivo fenotipizáláshoz és gyógyszermonitoringhoz. J Vis Exp.2015;100:e52757.

9. Erokwu BO, Anderson CE, Flask CA, et al. Kvantitatív mágneses rezonancia képalkotás az autoszomális recesszív policisztás vesebetegség progressziójának és a terápiára adott válasznak állatmodellben. Pediatr Res.2018;83:1067-1074.

10. Doctor RB, Serkova NU, Hasebroock KM, et al. A vese és máj ciszta növekedésének megkülönböztető mintái pkd2(WS25/-) egerekben. Nephrol Dial Transplant. 2010;25:3496-3504.

11. Franke M, Baessler B, VechtelJ et al. Mágneses rezonancia T2 térképezés és diffúziós súlyozott képalkotás a cisztogenezis és a terápiára adott válasz korai kimutatására policisztás vesebetegség egérmodelljében. Kidney Int. 2017:92:1544-1554.

12. Zhou X, Bao H, Takakura A et al. Policisztás vesebetegség értékelése mágneses rezonancia képalkotással ischaemia-reperfúziós sérült PKD1 knockout egérmodellben: a T2-súlyozott FSE és a true-FISP összehasonlítása. Invest Radiol.2010;45:24-28.

13. Fei B, Flask C, Wang H és munkatársai. Soros MR-képek képszegmentálása, regisztrálása és vizualizálása policisztás terápiás értékeléshezvesebetegség transzgenikus egerekben. Conf Proc IEEE Eng Med Biol Soc. 2005;1:467-469.

14. Almadub M, Maanier L, Juillard L és munkatársai,Vesetérfogat mennyiségi meghatározása kontrasztanyagos in vivo röntgen mikro-CT segítségével egereken. Contrast Media Mol Imaging.2008;3:1 20-126.

15. Hadjidemetriou S, Reichardt W, Hennig J, et al. MRI adatok térfogati elemzése policisztás kezelés monitorozásavesebetegség egérmodellben. MAGMA.2011;24:109-119.modell röntgen-CT-képek elemzésére egereken végzett preklinikai vizsgálatok során policisztás vesebetegség miatt.IEEE Trans Med Imaging. 2002;21:1302-1309.

16. Gleason SS, Sari-Sarraf H, Abidi MA, et al. Új deformálható modell röntgen-CT-képek elemzéséhez policisztás vesebetegség egereken végzett preklinikai vizsgálataiban. IEEE Trans Med Imaging.2002;21:1302-1309.

17. Reichardt W, Romaker D, Becker A et al. Vese és vese ciszta térfogatának monitorozása MR-megközelítésekkel az ADPKD rapamicinnel kezelt egérmodelljén. MAGMA.2009;22:143-149.

18. Hopp K, Ward C, Hommerding C és mtsai. A funkcionális policisztin-1 adagja szabályozza az autoszomális domináns policisztátvesea betegség súlyossága. J Cin Invest. 2012:122:4257-4273.

19. Kine TLKorfatis P, Edwards ME, et al, Performance of an mesterséges multi-observer deep neural network for full automated segmentation of polycysticvese.JDigit Imaging.2017;30:442-448.