Egészséges veseszegmentáció a Dce-Mr képekben konvolúciós neurális hálózat és időbeli jel karakterisztika használatával

Artur Klepaczko1 , Eli Eikefjord²és Arvid Lundervold^2,3,4

Absztrakt:A vese perfúzió dinamikus kontrasztanyagos mágneses rezonancia képalkotáson (DCE-MRI) alapuló kvantifikálása szükségessé teszi a jelintenzitás időbeli lefutásának meghatározását a vese parenchyma régiójában. Így a voxelek kiválasztása reprezentálja avesekülönös gonddal kell végrehajtani, és ez az egyik fő technikai korlát, amely gátolja ennek a technikának a szokásos klinikai rutinként való szélesebb körű alkalmazását. A veserészek manuális szegmentálása – még akkor is, ha szakértők végzik – a csökkent ismételhetőség és reprodukálhatóság gyakori forrása. Ebben a cikkben bemutatjuk az automatikus feldolgozási keretrendszertveseszegmentálás a DCE-MR képeken. A keret két szakaszból áll. Először,veseA maszkokat konvolúciós neurális hálózat segítségével állítják elő. Ezután a maszk voxeleket a DCE-MRI jelintenzitás időbeli lefutása alapján három régió – kéreg, velő és medence – egyikébe sorolják be. A javasolt megközelítést 10 egészséges önkéntesből álló csoporton értékelték, akik átestek a DCE-MRI vizsgálaton. Az MRI-vizsgálatot 10-napos intervallumon belül kétszer is megismételték. A szemantikus szegmentálási feladathoz a klasszikus U-Net architektúrát alkalmaztuk, míg a voxelosztályozási kísérleteket három alternatív algoritmus – támogató vektorgépek, logisztikai regresszió és extrém gradiensnövelő fák – segítségével végeztük, amelyek közül az SVM produkálta a legpontosabb eredményeket. Mind a szegmentálási, mind az osztályozási lépéseket modellek sorozatával hajtották végre, mindegyiket külön-külön képezték ki egy adott alany számára, kizárólag a többi résztvevőtől származó adatok felhasználásával. Az átlag az egész pontosságát érte elveseA szegmentáció 94 százalékos volt az IoU együttható tekintetében. A kéreg, a velő és a medence 90-93 százalékos IoU-val szegmentálva lett, a szövettől és a testoldaltól függően. Az eredményeket a képből származó perfúziós paraméterek és a földi igazság méréseinek összehasonlításával is validáltákglomeruláris filtrációs ráta(GFR). A GFR-számítás variációs koefficienssel értékelt ismételhetőségét a bal és a jobb vese esetében 14,5, illetve 17,5 százalékos szinten határoztuk meg, és a manuális szegmentációhoz képest javult. A reprodukálhatóságot pedig a képből származó és az iohexol alapú GFR értékek közötti egyezés mérésével értékelték. A becsült abszolút átlag különbségek 9,4 és 12,9 ml/perc/1,73 m2 értéknek feleltek meg az 1. és 2. szkennelési munkamenet és a javasolt automatizált szegmentálási módszer esetében. A 2. munkamenet eredménye összehasonlítható volt a kézi szegmentálással, míg az 1. munkamenet reprodukálhatósága az automatikus folyamatban gyengébb volt.

Kulcsszavak:dinamikus kontrasztos MRI; konvolúciós neurális hálózatok;veseszegmentálás; farmakokinetikai modellezés; perfúzió mennyiségi meghatározása; glomeruláris filtrációs ráta

Kapcsolatfelvétel: ali.ma@wecistanche.com

Kattintson a Cistanche herba vesebetegségre

1. Bemutatkozás

A vesefunkciót rutinszerűen a szérum kreatininszint mérésével értékelik. Értéke alapján aglomeruláris filtrációs ráta(GFR) megbecsülhető például a Diéta módosítása vesebetegségben egyenlettel [1]. Egy másik módszer a GFR meghatározására, amely a közelmúltban népszerűvé vált a klinikai környezetben, az iohexol plazma clearance teszt. Egyes szerzők azt feltételezik, hogy ez a módszer felváltja az inulin vizeletürítésén alapuló arany standard technikát [2]. Mindezek az eljárások azonban lehetővé teszik a GFR egyidejű mennyiségi meghatározását mindkettőnélvese. Ezért a dinamikus kontraszttal erősített mágneses rezonancia képalkotás (DCE-MRI) vonzó alternatívának tűnik – lehetővé teszi a szűrési teljesítmény noninvazív nyomon követését egyetlen alkalommal.vesemiközben térben felbontott információkat szolgáltat a szöveti elváltozásokról, például a fokális szegmentális glomerulosclerosisról.

Elvileg a DCE-MRI vizsgálat T1-súlyozott térfogatok sorozatát állítja elő, amelyeket a szkennelési eljárás több diszkrét időbeli lépésében szereztek be. A módszer egy gadolínium-alapú kontrasztanyag (CA) intravénás beadásából áll. Míg a CA bólus áthalad a hasi artériás fán, a kapilláris ágyon és a csőrendszerenvesehatékonyan növeli a behatolt szövetek T1 relaxációs idejét, így módosítja a kép kontrasztját. Ennek a képjel-intenzitás-változásnak az időbeli dinamikája a veseműködés fiziológiás körülményeit tükrözi, és a veseperfúzió farmakokinetikai (PK) modellezésének alapját képezi.

Számos javasolt PK modell megpróbálja matematikailag leírni a vér perfúziós folyamatát különböző szervekben. Tekintettel avese, a legtöbb modell azt feltételezi, hogy egy adott szöveti voxelben mért jel legalább két kompartmentből – intravaszkuláris (IV) és extracelluláris extravascularis (EEV) térből – származó hozzájárulások összege [3–6]. Ezen túlmenően, mint minden PK-modellben, a gadolínium nyomjelzőnek a tápláló artérián keresztül a kérdéses szervbe jutását az úgynevezett artériás bemeneti funkció (AIF) kapszulázza. Gyakorlatilag az AIF a vesevizsgálatok esetében a kontrasztanyag koncentrációjának időbeli lefutása a hasi aortában [7]. Az AIF mozgó és diszperziós kernellel való összevonásával nyomjelző koncentrációt kapunk az IV rekeszben. Végül az EEV-térbeli koncentráció időgörbéje arányos az IV-kompartment koncentrációjának integráljával, amelyet adott esetben egy exponenciális tényező módosít, amely a vesetubulusokból való kiáramlást reprezentálja. Az arányossági együttható, amelyet gyakran Ktrans-ként jelölnek, szabályozza a CA átviteli sebességet az IV-ből az EEV-rekeszbe. A szerv térfogatával megszorzott Ktrans közvetlenül a GFR kiszámításához vezet.

Léteznek bonyolultabb, több részre kiterjedő megközelítések (pl. [8]), bár lehetséges klinikai alkalmazásuk kérdéses. A nehézség abban rejlik, hogy biztosítani kell az ilyen modellparaméterek optimalizálásának stabilitását, miközben a modellgörbéket a megfigyelt adatokhoz illesztjük. Ezenkívül ezek a modellek megkövetelik a szegmentálástveseparenchyma a kéregbe és a velőbe. Ez a követelmény valójában a kétrekeszes modellekre is vonatkozik. A [3]-ban javasolt klasszikus modell, amely az általános Rutland–Patlak modellen [9,10] alapul, csak a kéregrégióra alkalmazható. Másrészt a kétkompartes szűrési modell [5] alkalmazása a teljes vesére elfogadható a felvételi fázisban. Ha valaki a perfúziót akarja mérni, az elemzést ismét csak a kéregre kell korlátozni. Mindenesetre ki kell zárni azt a medencerégiót, amely a kontrasztot gyűjti a vizsgálat kiválasztó fázisában. Ezért a DCE-MRI adatelemzési eljárás automatizálása nemcsak a vese körülhatárolását igényli, hanem az egyes vese voxelek kérgi, velős vagy kismedencei osztályba való jelölését is.

A probléma aveseszegmentációval számos szerző foglalkozott. A voxeleket gyakran intenzitásuk időbeli lefutása alapján osztályozzák. Például a [11]-ben a k-means algoritmust használják a voxelek klaszterekbe csoportosítására a jelintenzitás időbeli lefutása alapján. Ezt a megközelítést továbbfejlesztették [12]-ben, ahol a jelintenzitás időbeli lefutását diszkrét wavelet transzformációval dolgozták fel. Végül valamilyen heurisztikus módszert kell alkalmazni, amely a klaszterek sajátosságain és azok kapcsolatán alapul, hogy meghatározzuk, melyik klaszter képviseli a kéreget, a velőt, a medencét és a hátteret. A teljesen felügyelet nélküli következtetés zajos bemeneti adatoktól szenved, amelyeket nem lehet egyértelműen anatómiailag értelmes kategóriákba sorolni. Különösen szembetűnő a kéreg és a velő közötti határokon elhelyezkedő voxelek tekintetében. Az "egyéb részek" osztályhoz vannak hozzárendelve, amely a rajtuk kívülről is tartalmaz voxeleketvese.

Ezért egy gyakran követett stratégia először egy egész szétválasztásából állvesea kép más részeiből. A körülhatárolt érdeklődési területeknek pontosan illeszkedniük kell a vese határaihoz, hogy megszabaduljanak az összes szomszédos voxeltől. Ilyen megoldás például a görbe alatti terület térkép (AUC), amelyet például [13] használ. A DCE-MRI szekvenciában a nyomjelző szer által áthatolt voxelek fényesen jelennek meg az AUC térképeken a jelintenzitás időbeli lefutása alatti legnagyobb terület miatt. Tanulságos megjegyezni, hogy ez a megközelítés manuális vagy automatikus utófeldolgozást igényel a vesén kívüli struktúrák, nagy erek és vizeletgyűjtő csatornák eltávolítása érdekében.

A durva-finom szegmentálási stratégiát [14]-ben is alkalmazták, ahol bevezették a Maximálisan Stabil Temporal Volume (MSTV) koncepcióját. Az MSTV funkciói lehetővé teszik a felismeréstvesetérben homogén és időben stabil struktúrák kimutatásával. A finomszemcsés szegmentálást úgy kapjuk meg, hogy a voxelek időbeli lefutását főkomponensek vektoraira redukáljuk, amelyeket ezután k-középpel több klaszterre particionálunk. Végül azonban a kapott szegmentációkat iteratívan finomítani kell, hogy eltávolítsuk a fennmaradó zajokat. Hasonlóan, a [15]-ben leírt tanulmányban a szegmentációs eljárás első szakasza a hasi szövetek jelfokozó dinamikájának jellemzése. Megfigyelhető, hogy a velő a kéreggel, a májjal vagy a léptel ellentétben a jelintenzitás folyamatos növekedését mutatja, ami a felvételi szekvencia későbbi szakaszában következik be. A medulla voxelek azonosítása után tágítást hajtanak végre, majd a GrubCut algoritmussal vesemaszkokat készítenek. A finomhangolás a voxelek előre betanított véletlenszerű erdőosztályozóval történő osztályozásával érhető el. A voxeleket a megfelelő képintenzitásuk jellemzi a dinamikus sorozat kiválasztott időkereteiben, valamint az első szakaszban megszerkesztett ROI-kon belüli elhelyezkedésük.

Bár úgy tűnik, hogy az MSTV és a GrubCut alapú hozzájárulások is kielégítő eredményeket hoznak több adathalmaz esetében, ezek fogalmilag meglehetősen összetett algoritmusok, amelyek sem kereskedelmi, sem nyílt forráskódú szoftverekben nem érhetők el. Mint ilyenek, a klinikai közösség nem tudja könnyen átvenni őket.

Másrészt a konvolúciós neurális hálózatok architektúráinak közelmúltbeli fejlődése és szoftvermegvalósításaik széles körű elérhetősége a mély tanulási módszereket különösen vonzóvá teszik az orvosi képek biológiai szöveteinek szegmentálásához. A CNN-ek hatékonyságát az MRI adatok elemzésének sokoldalú forgatókönyveiben alaposan tárgyalja [16] átfogó áttekintése. Pontosabban [17] különböző hálózati architektúrákban, például a teljesen konvolúciós hálózatban [18], a SegNetben [19], az U-Netben [20] és a DeepLabV3 plusban [21], tesztelték a prosztatarák szemantikai szegmentációját T-ben. 2-súlyozott MRI. Anatómiai MR képeket is elemeztek [22]-ben. A szerzők egyéni CNN-architektúrát fejlesztettek ki a policiszta automatikus körvonalazásáravese. Egy másik érdekes megközelítést mutattak be a [23]-ban, ahol a mély tanulást alkalmazták az agy perfúziós térképeinek közvetlen következtetésére egy DCE-MRI szekvenciából anélkül, hogy PK-modellt kifejezetten illesztettek volna a mért jelekhez.

Számos tanulmány jelent meg a CNN-ek szegmentálására való alkalmazásárólvesekomputertomográfiás képeken [24,25]. Azonban a DL-vezérelt szegmentáció avesea kontrasztos MRI-adatkészletekben továbbra is kimerítetlen téma. A kifejezetten a vese-DCE-MRI vizsgálatokkal foglalkozó publikált munkák kivételes példájaként említhető Haghighi et al. [26]. Felépítettek és betanítottak két CNN-hálózat kaszkádját. Ennek a kaszkádos szerkezetnek a bemenete egy 4D DCE-MR kép. Az első hálózat nagyjából a bal és a jobb vesét lokalizálja a képen, míg a második a vesehatárok pontos elhatárolásáért felelős. Azonban nem végeztünk további szegmentációt a kéregbe vagy a medullába, mivel csak a teljes veseparenchymát használtuk a GFR kiszámításához.

A fenti megfontolások fényében az ebben a cikkben bemutatott megközelítés válasz egy olyan automatikus algoritmus szükségességére, amely az egyik oldalon pontosan felismeri aveserekeszek a DCE-MR képen belül, míg a másik oldalon viszonylag könnyen reprodukálható bármely kutatócsoport számára. Ezért a következőket javasoljuk:

1. használjon CNN architektúrát a szemantikai szegmentálásáhozveseparenchima,

2. írja le a parenchimális voxeleket a jelintenzitás hullámformáinak főkomponens-analízissel (PCA) történő transzformációjából származó jellemző-aggregátumokkal,

3. megkülönböztetni a kéreg, a velő és a medence régióit a kivont PCA jellemzővektorok osztályozásával.

Az alkalmazott algoritmusok részleteit a 2. részben mutatjuk be. A 3. részben értékeljük a szegmentálási eredményeket, és azt, hogy a tervezett megoldás hogyan befolyásolja a becsült PK paraméterek stabilitását. Az értékelés során azt is feltételezzük, hogy lehetséges olyan univerzális számítási séma felépítése, amely képes az új alanyok helyes szegmentációinak előállítására pusztán történelmi adatok alapján. Úgy gondoljuk, hogy egy ilyen sémát széles körben el lehetne terjeszteni és a klinikákon megvalósítani anélkül, hogy erőfeszítést igényelnének az egyéni képgyűjtési protokollokhoz való alkalmazkodásban. E cél elérése érdekében a javasolt számítási folyamatot egy alany elhagyása módszerrel validáltuk. Létrehoztunk egy sor szegmentáló és osztályozó motort, amelyek mindegyike más-más betegcsoportra lett kiképezve. Ezután egy adott motort teszteltek egy olyan alanyon, amelyet a képzési szakaszban nem láttak. A kapott eredmények tárgyalását a 4. szakasz tartalmazza.

2. Anyagok és módszerek

2.1. Mri Data

Az ebben a cikkben bemutatott kísérleteket és algoritmusokat 10 egészséges önkéntestől kapott 20 mérési sorozat felhasználásával tervezték meg. Az MRI vizsgálatokat 1,5 T egységen végeztük (Siemens Magnetom Avanto, Erlangen, Németország). Az adatgyűjtési protokoll magába foglalta az egyes alanyok kétszeri, 10 napos különbséggel történő leképezését a kontrasztos 3D elrontott gradiens visszhang módszerrel (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- síkfelbontás=2,2 × 2,2 mm2, szeletvastagság=3 mm, felvételi mátrix=192 × 192, szeletek száma=30). Kontrasztanyagot (0,025 mmol/kg GdDOTA) intravénásan adtunk be 3 ml/s áramlási sebességgel. Minden mérési sorozat 74 képkockából állt, amelyeket 2,3 másodperces időközönként vettek fel.

A mozgási műtermékek csökkentése érdekében a képalkotó protokollt úgy alakították ki, hogy lélegzetvisszatartás esetén képeket készítsen. Először is nyolc kiindulási kontraszt előtti térfogatot mértek a 18--es lélegzetvisszatartási időszak alatt. A Gadolinium injekció beadása után 7 másodperccel a résztvevőket arra utasították, hogy 26 másodpercig tartsák vissza a lélegzetüket a mozgásmentes, első lépéses perfúzió érdekében. Ezután a szűrési szakaszban a légzésvisszatartási periódusokat 13 másodpercre lerövidítettük, és 26 másodpercnyi szabad légzéssel közbeiktattuk. A légzés megkönnyítése érdekében az alanyok nazálisan 1 l/perc áramlási sebességgel kaptak oxigént.

A maradékvese A mozgást az utófeldolgozás során korrigáltuk a b-spline regisztráció végrehajtásával minden DCE-MRI szekvencián. Erre a célra az Insight Toolkit (ITK) szoftverkönyvtárból származó B-splines algoritmus implementációját alkalmaztuk [27]. Minden sorozatban kiválasztottunk egy referenciakeretet, amely megfelel a perfúziós fázis felezőpontjának, majd rögzített térfogatként használtuk, amelyhez minden más (mozgó) térfogat illeszkedett. A B-spline-regisztráció teljesen automatikusan megtörtént, azaz a vizsgált szövetek felett nem jelöltünk kiindulási pontot. Ezenkívül az eljárást többlépcsős konfigurációban indították el. Minden szakaszban a rácsméret és a részmintavételi gyakoriság különböző beállításait használtuk. Ezen paraméterek részletes értelmezéséhez az olvasó az ITK dokumentációjában található. Röviden, lehetővé tették a képek különböző léptékű regisztrálását – kezdve a durva illesztéstől, majd az eredmény finomításától.

Az algoritmusok tervezése és kiértékelése érdekében az összes kötetet manuálisan kommentálta egy radiológus, aki jártas az MR-urográfiában. Minden időkeretben, balra és jobbravesekörvonalazták. Ezután két, a perfúziós és kiválasztási fázishoz kapcsolódó keretben a parenchimális voxeleket a kéreghez, a medullához vagy a medencéhez rendelték.

A vizsgálatok között az önkéntesek iohexol-clearance eljáráson estek át. Az alanyok 5 ml iohexolt (300 mg l/ml; Omnipaque 300, GE Healthcare) kaptak. Ezt követően meghatározták az alap-igazság GFR-értékeket, hogy lehetővé tegyék a képből származó perfúziós becslések validálását.

A résztvevőket arra utasították, hogy tagadják meg az alkoholos és fehérjedús ételeket, kerüljék a túlzott fizikai megerőltetést, legyenek normálisan hidratáltak legalább 2 nappal a vizsgálat előtt, és ne legyen koffeinjük a vizsgálat napján. A szkennelés és az iohexol-clearance teszt közötti összehasonlítható vizsgálati körülmények biztosítása érdekében javasolt a rendszeres étkezési idő és diéta betartása is. Minden önkéntes írásos beleegyezését adta a tanulmányban való részvételhez, amelyet a norvégiai Haukeland Egyetemi Kórház bergeni intézményi felülvizsgálati bizottsága hagyott jóvá.

2.2. A szegmentációs csővezeték áttekintése

A javasolt szegmentációs csővezetéket az 1. ábra szemlélteti. A kezdeti durva szegmentálást az U-Net struktúra teljesen konvolúciós neurális hálózata hajtja végre. Ezt a lépést a DCE-MRI szekvenciából származó egyetlen volumetrikus kép további kétdimenziós keresztmetszetein hajtották végre. Ez a kép megfelel a kéregrégióban a legmagasabb jelfokozódás keretének, amikor jól látható a vese parenchyma kéregben és velőben való felosztása.

Feltételeztük, hogy egyetlen keresztmetszet felosztható bal és jobb oldalra, amelyek mindegyike 96-pixel szélességű. Egy adott oldalon központilag meg lehet találni egy 96- pixel magasságú képfoltot, amely teljes egészében lefedivese. Ily módon biztosítottuk, hogy balra és jobbraveseszegmentálva vannak és külön dolgozzák fel. Jelenleg a módszerünk megkövetelte, hogy ez a feltételezés érvényesüljön a hálózati működés visszahívási szakaszában. Edzés közben elegendő volt, ha egy képtapasz a vese parenchyma legalább egy részét tartalmazta. Ezenkívül a 96 × 96-os foltméretet az ebben a tanulmányban rendelkezésre álló DCE-MRI adatok síkbeli felbontásához igazították, és módosítani kell különböző gyűjtési konfigurációkban.

A durva szegmentálás néha további finomítást igényelhet a hamisan szegmentált pixelek kis extrarenális klasztereinek elutasításához. Algoritmusunkban azonosítottuk a kapcsolt komponenseket, és csak a legnagyobbat vittük át a következő szakaszba. Ezenkívül vegye figyelembe, hogy bár a szemantikai szegmentálási lépésünket 2D-ben hajtottuk végre, azt egy adott térfogat összes keresztmetszetére alkalmaztuk. A következő elemzéseket voxelenként végezték el, így a GFR-t a 3D kéreg ROI-jában eloszló összes nefronból számították ki.

A képregisztrációnak köszönhetően az időtartományban,veseAz egy képkockához generált maszkok alkalmazhatók a dinamikus sorozat összes többi képkockájára. Így a vese voxeleket a következő időpontokban mért MRI jelintenzitás értékekből álló jellemzővektorok írták elő. A jeldinamika általánosabb jellemzőinek megszerzése érdekében jellemző aggregátumokat vontunk ki PCA transzformáció segítségével. A 20 leginformatívabb aggregátumot választottuk ki az egyes vese voxel leírására. Végül egy osztályozó, akit arra képeztek ki, hogy különbséget tegyen a kéreg, a velő és a medencei régiók időbeli jellemzői között, egy voxelt egy megfelelő kategóriába sorolt.

A javasolt kétlépcsős megközelítés mögött az volt az indoklás, hogy a végső felismerés maximálisan magabiztos alapigazság-annotációkon alapuljon. Ha egy CNN lenne a kéreg szegmentálása a velőből és a medencéből, akkor pontos célmaszkokat kellene létrehozni, és az annotátornak el kellene döntenie, hol húzódik a tényleges határ a különböző szövetek között. Ez sok esetben a részleges térfogathatás miatt nem volt triviális. Ennélfogva egy ilyen döntés, és következésképpen a betanított hálózati modell egy egyedi megfigyelői élmény felé torzulhat. Alternatív megoldásként úgy döntöttünk, hogy egy osztályozót csak egyértelmű helyekről származó jelek felhasználásával tanítunk, az alábbiak szerint. Később, az előre-pass következtetés során az algoritmus feladata volt objektíven megkülönböztetni a vitatható régiókhoz tartozó voxeleket.

Végül a javasolt eljárás összes számítási egységét – a CNN-t és az osztályozó modellt, valamint a PCA transzformációs mátrixot – a jelenleg feldolgozott adatkészlettől független betegek csoportjára kaptuk. A következő alfejezetekben az algoritmus egyes moduljainak megvalósítási részleteit adjuk meg.

2.3. Cnnfor szemantikai szegmentáció

Az elérhető U-Net változatok közül a [28]-ban publikált implementációt alkalmaztuk. Mivel eltért az eredeti cikkben [20] leírt architektúrától, először ennek a szerkezetnek a sajátos jellemzőit foglaljuk össze, a tanulmányunk igényeihez igazítva.

2.3.1. Hálózati architektúra

Az U-Net konvolúciós neurális hálózatot eredetileg az idegi struktúrák elektronmikroszkópikus halmazokban történő szegmentálására fejlesztették ki, és számos más orvosbiológiai alkalmazásban hatékonynak bizonyult. Mint említettük, modellünk bemenete egy 2D szürkeszintű kép volt – egyetlen 3D DCE-MRI kötet keresztmetszete. A patch méretét 96 × 96 pixelre állítottuk be (lásd a 2. ábrát).

Az U-Net jellemzője, hogy két szimmetrikus részt tartalmaz – egy összehúzódó és egy tágulási utat. A kontrakciós út célja a képpixelek intenzitási mintázatának kódolása, konvolúció végrehajtásával 3 × 3 szűrőből álló, betanítható súlyokkal. A szűrőkimenetek aktiválják a hálózat fő feldolgozó komponenseit – a rektifikált lineáris egységeknek (ReLU) nevezett neuronokat. Lehetővé teszik a kép jellemzői és a kimeneti szegmentációs térkép közötti nemlineáris kapcsolatok modellezését. Így a kódolási szakasz a digitális képfeldolgozásban jellemző kivonásként ismert eljáráshoz hasonlítható. Ezt követi a max-pooling művelet, amely lemintázza a jellemzőtérképeket.

Az összehúzódást négyszer megismételjük, hogy a képleírókat különböző léptékű szinten kinyerjük. Valójában mindegyik szintet egy blokk alkotja, amely két konvolúciós rétegből áll, és mindegyiket egy kötegnormalizációs réteg követi, amely fenntartja a kimeneti beágyazások állandó átlagát és szórását egy adott kötegen belül. Így a kötegelt normalizálás biztosítja, hogy az alacsony intenzitású dinamikájú jellemzők ugyanolyan fontossággal bírjanak, mint azok, amelyek tartománya nagyobb. A konvolúciós és normalizációs rétegpárokat a kiesési réteg választja el, amely a bemeneti csomópontok 20 százalékát véletlenszerűen 0-ra állítja. Ez a mechanizmus, amely csak a betanítási fázisban aktív, megakadályozza a hálózat túlillesztését [29].

Az utolsó lefelé mintavételezési blokk kimenete, amelyet szűk keresztmetszetnek nevezünk, továbbadódik a bővítési vagy dekódolási útvonalnak. Ugyanannyi fel-mintavételi szintből épül fel, mint a kontrakciós rész, és fő feladata az eredeti térbeli felbontás visszaállítása. Ebben a vizsgálatban a felfelé mintavételt transzponált konvolúcióval valósítottuk meg. Mindegyik dekódoló blokk két pár konvolúciós és kötegelt normalizálási rétegből állt. A kódolási blokkokkal ellentétben azonban nem kerültek közé lemorzsolódási mechanizmus. Ezenkívül a lefelé mintavételezési útvonalon kivont nagyfelbontású jellemzőtérképek nemcsak a következő kódoló rétegeket táplálták, hanem a dekódoló rétegek bemeneteihez is fűzték a felfelé mintavételi útvonal megfelelő szintjein. Ezek a további kapcsolatok segítették a dekódoló blokkok helyreállításátveseszegmensek lokalizálása pontosabban.

Amint a 2. ábrán látható, a kódolási blokkok egyre több konvolúciós szűrőből álltak, amelyek mélyebbre mentek a kontrakciós útvonalon. Az első két konvolúciós réteg 64 szűrőjéből kiindulva a jellemzőtérképek száma elérte az 1024-et a szűk keresztmetszetben, ami minden lefelé mintavételi szinten megduplázódott. Ellenkezőleg, a tágulási úton lévő szűrők számát minden felfelé lépésnél elosztottuk a kettővel. Ennek eredményeként a végső tereptérkép ismét 64 mélységű volt.

Az utolsó fel-mintavételezési blokk kimenetét egy konvolúciós réteghez kötöttük 1 × 1- méretű szűrőkkel. Végrehajtotta a szűrő kernel képpontonkénti konvolúcióját egy 64- elem jellemzővektorral, majd az eredményt egy kimeneti aktiváló függvénybe küldte. Tervezésünkben szigmoid aktiválást használtunk, mivel a végső döntés bináris volt – egy pixel a vese parenchimához vagy háttérhez tartozott.

2.3.2. Kiképzés

A hálózati súlyokat He et al. módszerével véletlenszerű állapotba indítottuk. [30]. A képzési folyamatot a DCE-MRI kötetekből kivágott képfoltokon végezték, amelyek mindegyike egyetlen, bal vagy jobb oldalt tartalmazott.vesekeresztmetszet. A fent leírtak szerint 96 × 96- pixeles képfoltokat vontunk ki a DCE szekvencia térfogataiból, amelyek megfelelnek a perfúziós fázisnak, azaz a kéreg és a velő közötti maximális jelkontraszt időkereteinek. A képzési képek számának növelése érdekében minden egyes vizsgálathoz ténylegesen három ilyen időkeretet választottunk ki – a kéregrégióban a maximális jelerősítést, egy megelőző és egy következő időkeretet. Minden képkötetben egyetlenveseátlagosan 12 szeleten volt látható. Körülbelül 1440 edzésfoltot adott.

Bár az U-Net hálózatok általában megbirkóznak kis betanítási mintákkal, úgy döntöttünk, hogy tovább bővítjük az adathalmazt adatkiegészítéssel. Ezt a képfolt 10 különböző függőleges helyzetének kiválasztásával és vízszintes irányú véletlenszerű tükrözésével sikerült elérni. A tapaszpozíciók kiválasztása során ügyeltünk arra, hogy a képközpont kellően nagy részét átfogja, amely a vese parenchyma jelentős töredékeit tartalmazza (lásd 3. ábra). Összességében a képzésre rendelkezésre álló képek száma elérte a 13 964 értéket. A képzési képek egyharmadát validálás céljából elkülönítették.

10 különböző CNN-modellt képeztünk ki, minden páciensnek egyet. Egy adott alanynak szentelt modell felépítése során a hozzá tartozó képfoltok (a vizsgaidőszaktól függetlenül) kikerültek a képzési és validációs halmazokból, és csak tesztelésre használták őket. A hálózat súlyait a sztochasztikus gradiens süllyedési algoritmussal frissítettük, állandó tanulási sebességgel=0,01 és impulzussal=0,99. Az optimalizálásra választott veszteségfüggvény a bináris keresztentrópia kritérium volt, amelyet a következőképpen határoztunk meg

ahol N a voxelek száma, Yi a valódi voxelcímke, és p(Yi) a hálózati előrejelzés, hogy az i-edik vektor valóban az Yi osztályba tartozik, ahol 0 < p(Yi) < 1. , minőségének ellenőrzése érdekébenveseA képzési korszakok közötti szegmentálás során kiszámítottuk a Jaccard-együtthatót, amelyet a továbbiakban IoU-nak nevezünk (intersection-over-union).

ahol K a feldolgozott szeletben lévő pixelek számát jelöli, y pedig az előre jelzett pixelkategóriát. Itt a kategóriák logikai értékűek voltak, és egy pixel True címkével lett ellátva, ha az avese, Hamis egyébként. Az optimalizáló algoritmust minden tantárgy esetében 50 korszakon keresztül futtattuk. A tárolt modell megfelelt annak a korszaknak, amelynél az érvényesítési adatkészletre kapott veszteségfüggvény minimális pontszáma volt.

2.4. OsztályozásaVeseVoxelek

2.4.1. Funkció kivonás

Az egyes vesekompartmenteket képviselő voxelek megkülönböztetése a nyers jelintenzitás időbeli lefutásán alapulhat. Javasoljuk azonban, hogy a jelhullámformákat, azaz 74 időbeli jellemző vektorait főkomponens-analízis (PCA) segítségével a redukált dimenziós térbe transzformáljuk. Ennek az átalakításnak nem csak az a célja, hogy csökkentse a kapott osztályozási modell összetettségét, hanem az is, hogy általánosabb jellemzőket vonjon ki a rendszerből.veseszövet, a különböző témák képviselője. Sőt, még ugyanabban a klinikai egységben is elvégezhető a DCE képalkotás olyan sorrendben, amely bár hasonló időintervallumot fed le, időbeli felbontása eltérő. Így egy olyan döntéshozó rendszer, amely elfogad egy egységes jellemzőmintát, PCA transzformációs objektumot adapterként használva, alkalmazható változó hosszúságú bemeneti adatvektorokra.

Feltételeztük, hogy a kinyert PCA komponenseknek az eredeti adatkészlet variancia legalább 90 százalékát meg kell magyarázniuk. Ahhoz, hogy ez a követelmény minden tantárgy esetében teljesüljön, legalább 20 jellemző aggregátumot kellett összeállítani. Amint azt megfigyeltük, a nagyobb számú komponens nem vezetett nagyobb osztályozási pontossághoz.

2.4.2. Funkcióvektorok osztályozása

A vesevoxeleknek a kéreghez, a velőhöz vagy a medencéhez való hozzárendelését egy felügyelt módon képzett osztályozó végzi. Megközelítésünkben a historikus adatok mintául szolgálnak a megfelelő döntési szabályok felépítéséhez, amelyeket később új vizsgálatokban alkalmaznak. Három osztályozási algoritmust teszteltünk, hogy megtaláljuk a legjobb sémát az összes témakörben. A vizsgált módszerek közé tartozott a logisztikus regresszió, a támogatási vektor gépek és az XGBoost döntési fák. A következőkben felidézzük az alkalmazott algoritmusok jellemzőit, és leírjuk, hogyan készültek a betanítási adatok.

Vonatozási és vizsgálati adatkészletek.A tréningvektorokat az érdekes régiókból szereztük be, amelyeket manuálisan jelöltünk meg a megfelelő parenchimális helyeken. A megjegyzések csak olyan voxelekben készültek, amelyek tagsága egyértelmű volt (lásd 4a, b ábra), így egy képzett osztályozó dönthetett a domináns szöveti kategóriáról a különböző rekeszekkel részben megtöltött voxelek esetében. A rendelkezésre álló 20 vizsgálatból összegyűjtött képzési vektorok száma meghaladta a 60,000 értéket. Ezt az adatkészletet 10 hajtásra osztották fel, amelyek mindegyike egy kivételével az összes alany adatvektorát tartalmazza, amelyeket tesztelési célokra külön hagytak. Egy adott redőben az osztályok megoszlása ​​hozzávetőlegesen a következő volt: kéreg – 58 százalék, velő – 31 százalék, medence – 11 százalék. Annak érdekében, hogy az osztályozók esélyt kapjanak a kategóriák azonos pontosságú megkülönböztetésére, minden képzési hajtásban újra mintavételre kerültek a kéreg és a velő részhalmazai, hogy megfeleljenek a medencekategória méretének. Átlagosan a képzési halmaz az újramintavétel után több mint 16,000 vektort ölelt fel hajtásonként. Egy adott képzési hajtásban mindkét vizsgaülés adatai szerepeltek. Másrészt a vizsgáló redők 600-4800 vektort tartalmaztak a pácienstől és a vizsgálati üléstől függően. Az osztályozókat a tesztkészleteken számított kiegyensúlyozott pontossági pontszám alapján értékeltük ki.

Logisztikus regresszió.A logisztikus regressziós osztályozó modellezi annak valószínűségét, hogy egy jellemzővektor két kategória valamelyikébe tartozik. Az algoritmus egy lineáris függvényt illeszt a betanítási adatokhoz, és az adott adatpont regressziós egyenletének eredményét elküldi a logisztikus transzformációnak.

ahol p(yi|xi) egy yi osztály valószínűségét jelöli egy xi adatponttal, ahol Yi e {{0}}, 1}, míg a w súlyvektor a w0 metszőponttal együtt határozza meg az illesztett regressziót vonal.

Mint ilyen, a (3) egyenlet bináris osztályozási problémákra vonatkozik. Ezért három veserégió esetén vagy három egy versus-pihenő osztályozót kell építeni, vagy egy multinomiális regressziós modell felel meg [31]. Kísérleteink során az utóbbi változatot használjuk. A lineáris modell w paramétereit úgy találjuk meg, hogy minimalizáljuk a log-veszteség költségfüggvényét L2 szabályzási taggal:

ahol a K=3 és pi,c vizsgálatunk annak a megjósolt valószínűsége, hogy a vektor a c osztályba tartozik. A fenti optimalizálási problémát a Scikit-Learn csomagban [33] implementált Stochastic Average Gradient (SAG) süllyedési algoritmussal [32] oldottuk meg. Az SAG-t a nagy adatkészletekre vonatkozó ajánlása és az L2-es rendszeresítés támogatása miatt választottuk.

Támogatja a vektoros gépeket. A támogató vektorgépek (SVM) az algoritmusok egy osztályát alkotják, amelyek egy maximális marginális hipersíkot alkotnak, megkülönböztetve a különböző kategóriákat [34]. Az x vektor kategóriatagságáról szóló döntést a hipersík egyenlet előjele határozza meg

ahol egy betanítási példa indexét jelölöm, xi a megfelelő jellemzővektor, Yi pedig a valódi osztálycímkéje. Ennek a modellnek a betanítási adatokhoz való illesztése során egy kényszerű kvadratikus optimalizálási probléma megoldódik. Ennek eredményeként egy nullától eltérő ai nyelvi szorzót találunk, amelyek a megfelelő xi támaszvektorukkal és a b eltolási paraméterrel együtt meghatározzák a keresett határ helyét és tájolását.

Az (5) pontban szereplő ponttermék lecserélhető egy kernelfüggvénnyel, amely lehetővé teszi az SVM alkalmazását nemlineáris problémákra. A kerneltrükk implicit módon transzformálja a jellemzővektorokat egy magasabb dimenziójú térbe, amelyben lehetővé válik az elválasztó hipersík meghatározása. A 4c. ábra a képzési vektorok részhalmazának eloszlását mutatja az egyik résztvevő esetében. Ezt a vizualizációt úgy kaptuk meg, hogy a 20 PCA jellemző aggregátum teréből származó adatokat háromdimenziós térré transzformáltuk a t-eloszlású sztochasztikus szomszéd beágyazás (TSNE) módszerével [35]. Látható, hogy bár a kéreg, a velő és a medence osztályok lineáris elválasztása valószínű, az elválasztó határ jobban modellezhető valamilyen nemlineáris függvény segítségével. Kísérleteinkben a legjobb eredményeket a radiális bázisfüggvény kernel biztosította

ahol |.|az é2-normát jelöli. Mivel a valós adathalmazokban ritka az osztályok tökéletes szétválasztása, az optimalizálási kritérium lehetővé teszi – egy további metódusparaméteren keresztül, amelyet általában C betűvel jelölnek –, hogy bizonyos számú adatpont megsértse a döntési határt. A és a C paraméterek fordítva járulnak hozzá az SVM modell összetettségéhez. Ezért értékeiket a kimerítő rácskereső algoritmus segítségével hangoltuk egy ötszörös keresztellenőrzési kísérletben. A legjobb eredményeket a=0.05 és a

C = 1.

XGBoost döntési fák.Az extrém gradiens növelés (XGBoost) koncepcióját Chen és Guestrin [36] vezette be, hogy megkönnyítse az osztályozási és regressziós fák (CART) együttesének képzését. A klasszikus véletlen erdőkkel ellentétben a tanuló algoritmus formalizálja a szabályosítási mechanizmust és a sokoldalú célvesztési függvények használatát. Ezeknek az előnyöknek köszönhetően a közelmúltban hatékonynak bizonyult számos gépi tanulási problémában, amelyek nagy, nagy dimenziós adatkészleteket tartalmaznak.

Az XGBoost együttes felépítése az úgynevezett additív tréning stratégiáján alapul. Minden t lépésben egy új fa kerül a modellbe, amely minimalizálja a teljes veszteségfüggvényt

ahol t ü 1) az eddig megszerkesztett együttes által megjósolt osztálycímke, l a megjósolt és az igazi Yi címke közötti hibát méri, míg ft a T levelek fastruktúrájának felel meg, amely mindegyik adatvektorral egy wq pontszámot rendel (xi), ahol q egy olyan függvény, amely lefoglalja az xi adatpontot egy adott falevélnél. Mind a T, mind a súlyok definiálják a regularizációs tagot

ahol és λ paraméterek szabályozzák a fa méretének hatását, és pontszámokat hagynak a büntetés értékére. A vizsgálatunkban használt konfigurációban a λ-t {{0}}.1-re, illetve 0,9-re állítottuk. Ráadásul az együttesben lévő fák száma 10 volt, a fa legnagyobb megengedett mélysége pedig 4. Végül a soft-max függvényt használtuk objektív kritériumként l.

2.5. Farmakokinetikai modellezés

A szegmentálási eredmények IoU együttható használatával történő közvetlen kiértékelése mellett a képből származó GFR értékeket is összehasonlítottuk a valódi iohexol alapú mérésekkel. A GFR meghatározásához avese-specifikus kétrekeszes szűrési modell (2CFM) [5]. Ez a PK-modell a veseszövetet intravaszkuláris (IV) és extracelluláris extravaszkuláris (EEV) térre bontotta, és nem feltételezett tubuláris kiáramlást a modellezési időszakban. Bár a modell felhasználható volt a vese perfúziójának becslésére akár a kéregben, akár a teljes veseparenchymában, a GFR kiszámításakor csak az előző régiót kellett figyelembe venni.

A vizsgált veserégiótól függetlenül, ahhoz, hogy a modellt egy mért S(t) jelre illesszük, a megfelelő átlagos képintenzitás időfolyamát át kell alakítani a Ctissue(t) koncentráció hullámformává. Ezt a [37]-ben leírt transzformáció segítségével valósítottuk meg a gradiens visszhang szekvenciához igazítva. Másrészt a 2CFM modell által leírt C szövet(t) az egyenlet által szabályozott

ahol C jelöli az artériás bemeneti funkciót, a VP-plazma térfogatfrakcióját és a C-CA-koncentrációt a vérplazmában. A (9) pontban szereplő első tag az EEV-tér CA-koncentrációját jelöli, míg a második tag az artériás bemeneti funkció és a vaszkuláris impulzusválasz funkció (VIRF) összevonásával kapott IV-térbeli koncentrációt jelöli.

Mint ilyen, a VIRF modellezi az AIF késleltetését és diszperzióját a kapilláriságyon áthaladó CA áramláshoz viszonyítva. A Tg változók – a diszperziós időállandó és az X – a késleltetési intervallum, a VP térfogathányaddal és a Ktrans átviteli állandóval együtt alkotják a 2CFM modell paramétereinek teljes készletét. Becslésüket általában a nem lineáris legkisebb négyzetek (NLLS) görbeillesztési eljárással végzik. A jelen tanulmányban alkalmazott Trust Region-Reflective módszer [38] az egyik lehetséges optimalizáló, amelyet az NLLS probléma numerikus megoldására használnak. A down-simplex módszerekkel ellentétben lehetővé teszi a paraméterértékekre vonatkozó megszorításokat, így biztosítva, hogy a végső becslések a fiziológiás tartományba esnek. A tanulmányunkban feltételezett korlátokat az 1. táblázat tartalmazza.

A 2CFM modell optimalizálására szolgáló algoritmust Python nyelven írt egyedi szoftverben implementáltuk, amely letölthető a [39] címről. Az algoritmust minden betegnél elindítottuk a fent leírt szegmentációs csővezetékkel automatikusan nyert vagy manuálisan annotált kérgi régiók felhasználásával. Mindenesetre az AIF meghatározása automatikusan történt a korábban [40]-ben publikált módszerünkkel.

2.6. Statisztikai analízis

A DCE-MR képszegmentálási folyamat automatizálásának egyik célja a stabil és megismételhető perfúziós becslések biztosítása. Ezért a kapcsolódó (ismételt) mintákra Student-féle t-próbát hajtottunk végre, hogy igazoljuk a két vizsgálati eseményre becsült egyenlő GFR átlag nullhipotézisét. Ezenkívül kiszámítottuk az ismételhetőségi együtthatót, amelyet a következőképpen határoztunk meg: [41]

ahol σdiff az azonos tárgyban készített GFR-ek közötti különbségek szórása, a ╱pool pedig az összes mérés átlagát jelöli. A ′2σdiff mennyiség, amelyet egyszeri mérési szórásnak (σsm) is neveznek, a potenciálisan sok egymást követő mérés párjai közötti különbségek szórásának becslése [42]. Az ismételhetőség értékelése mellett a kép alapú GFR becslés reprodukálhatóságát Bland–Altman diagramok segítségével értékeltük. Végül az automatikusan talált veseszegmensek elemzési eredményeit összehasonlították a manuális megjegyzésekkel.

Cistanche enyhíthetivesehatékonyan

3. Eredmények

Az 5. ábra a szemantikai szegmentációs hálózat példakimeneteit mutatja két résztvevő alany esetében, valamint az alapigazság-annotációs maszkokat. A megfelelő betanítási folyamatokat a 6. ábra szemlélteti, amely a veszteség- és értékelési mérőszámok alakulását ábrázolja mind a képzési, mind az érvényesítési halmazokra vonatkozóan. Megfigyelhető, hogy az első néhány korszak után a betanítási és validációs halmazok IoU görbéi közel helyezkedtek el egymáshoz, és a hálózat nem került túlillesztési állapotba. Ezzel párhuzamosan a veszteségfüggvény monoton csökkenése következett be, ami azt igazolta, hogy a hálózat elnyerte az általánosító képességet. Az IoU hasonlósági együtthatói a kézi megjegyzések és az automatikusan megtalált megjegyzések közöttvesea fő szegmensektől elválasztott extrarenális szigetek eltávolítása után kapott régiókat a 2. táblázatban gyűjtöttük össze. Az átlagos IoU minden alany és vizsgálat esetében=0,94, és oldalirányban közömbösnek tűnt.

A következő szakaszban a parenchymalis voxeleket külön vese kompartmentekbe soroltuk. A három tesztelt osztályozó összehasonlítását a 3. táblázat mutatja be. Az egyes módszereket három mérőszám – kiegyensúlyozott pontosság, visszahívás és precizitás – tekintetében értékeli. Az utóbbi kettőt vesekategóriánként külön-külön határoztuk meg. A kiegyensúlyozott pontossági mérőszámot az egyes osztályokra kapott valódi pozitív arányok átlagaként kaptuk meg. Az összes bemutatott pontszám 20 kísérleti alany átlagértéke volt. A három tesztelt osztályozó hasonló teljesítményt ért el a valódi pozitív arányok tekintetében (körülbelül 95 százalék). Összességében azonban az SVM mutatta a legjobban kiegyensúlyozott pontosságot (96 százalék), és a többi módszernél nagyobb képességet kapott a téves pozitív észlelések elkerülésére. Különösen szembetűnő volt

a medence régióban, ahol a pontosság=92 százalék a logisztikus regresszió és az XGBoost osztályozók által kínált 89 százalékhoz képest.

A magas osztályozási pontosság ugyanolyan jó szegmentálási eredményeket eredményezett (2. táblázat), amelyeket ismét a Jaccard-együttható segítségével értékeltünk ki. Ezúttal azonban az egyes régiókra külön-külön meghatározott IoU-k összegeként számítottuk ki, majd súlyoztuk a támogatásával, azaz az adott osztályt képviselő alapigazság-voxelek számával. A többi munkával való összehasonlítás érdekében a kapott Jaccard-árfolyamokat a képlettel újraszámoltuk kocka-együtthatóvá (F1-pontszám).

Algoritmusunk segítségével elértük a bal oldali cortex osztály átlagos Jaccard együtthatóját.veseegyenlő 93,2 százalékkal. A többi régió esetében az IoU körülbelül 91 százaléknak felelt meg, kivéve a bal oldali medenceosztályt.vese ahol 90,1 százalékra esett . A finom szegmentálás minősége vizuálisan ellenőrizhető avese A tágabb kontextusban történő értékelés érdekében két, a szakirodalomban javasolt alternatív módszerrel szegmentálást is végeztünk. Az első a DCE jel jellemzőinek kinyerése a diszkrét wavelet transzformáció (DWT) segítségével a Daubechies-4 wavelettel, amint azt például [12] feltételezi. Ezután az SVM algoritmus segítségével osztályoztuk a DWT együttható vektorokat. A második összehasonlított módszerben a PCA jellemzővektorokat k-közép algoritmussal (k=3) klasztereztük, a [14]-ben leírtak szerint. Ez a második megközelítés nem tudott megfelelő különbséget tenni a kéreg és a velő között. A mindkét régiót reprezentáló voxelek többsége közös klaszterbe került, és a legtöbb keresztmetszeten csak a medence volt felismerve a parenchyma autonóm részeként. A klaszterezéssel kapott eredményekkel ellentétben a DWT-alapú voxelleírással felügyelt módon előállított régiók pontosabbak. A hamis felismerések száma azonban láthatóan magasabb, mint a PCA jellemzővektorok esetében. Az SVM osztályozó kiegyensúlyozott pontossági pontszáma ebben az esetben csak 78 százalék volt. Tekintse meg a 3. táblázat utolsó két sorát ezen alternatív particionálási sémák mennyiségi összehasonlításához Xgboosttal, lineáris regresszióval és tanulmányunk legjobb SVM/PCA algoritmusával.

A szegmentációs szakasz eredményeit használták fel a vesekéreg átlagos jeleinek meghatározására. Ezt a jelet azután a 2CFM farmakokinetikai modellhez illesztettük. A 8. ábra azt mutatja be, hogyanveseglomeruláris filtrációs sebességAz így kapott (SK-GFR) értékek megfelelnek a kézi megjegyzések felhasználásával kapott releváns pontszámoknak. Az automatikus és kézi szegmentálás után kapott átlagos SK-GFR értékek minden alany és vizsgálat során hasonlóak (56 versus 55 ml/perc/1,73 m2), és a megfigyelt különbség statisztikailag jelentéktelen (T-statisztika=0,75, p-érték=0.46). Ezen túlmenően a két méréstípus közötti lineáris illeszkedés bizonyítja, hogy az 1. és 2. MR vizsgálati alkalmakkor r2=0.13 és 0.49 jó megfelelnek.

A 9. ábrán látható Bland–Altman diagramok lehetővé teszik számunkra, hogy felmérjük a teljes GFR-ek egyezését az alapigazság iohexol-alapú arányaival. A Bland–Altman módszer alkalmazása előtt a mérések normál eloszlását Shapiro–Wilk teszttel igazoltuk. A kapott p-értékeket a megfelelő telekmagyarázat tartalmazza. Az 1. MR vizsgálat átlagos eltérése az abszolút értékekben kisebb volt a kézi szegmentálásnál (ü0,8 szemben az ü7,4 mL/perc/1,73 m2-rel). A 2. szekció esetében a ╱d értékei konzisztensek voltak a szegmentációs módszerek között, bár a referenciamódszerrel való egyezés gyengébb volt. A javasolt algoritmus azonban valamivel jobban teljesített (ü 12,9 versus ü 14,1 ml/perc/1,73 m2). A kapott eredmények alapján nem lehetett eldönteni, hogy melyik szegmentációs megközelítés biztosított szűkebb egyetértési határokat. Az 1. munkamenet esetében az összehasonlítás a kézi szegmentálást részesítette előnyben (π=31,3 versus 35,5 ml/perc/1,73 m2). Az egyetértési és megbízhatósági intervallumok legszűkebb határait azonban az összes kísérletben a 2. munkamenetnél és az automatikus címkézésnél kaptuk (π=25,1 ml/perc/1,73 m2). Mindkét szegmentálási megközelítés megismételhető eredményekhez vezetett (lásd a 4. táblázatot), ahol a variációs együttható a legrosszabb esetben 30,2 százalék volt (manuális szegmentálás, balravese). Úgy tűnik, az automatikus szegmentálás jobb stabilitást biztosított, kétszer olyan alacsony variációs együttható mellett, mint a kézi szegmentálások esetében. A Student-féle t-próbákban a kapcsolódó mintákra kapott p-értékek mindegyike meghaladta az a=0,05 konfidenciaszintet, ami nem mutat elegendő bizonyítékot a nullhipotézissel szemben, miszerint nincs szignifikáns különbség az SK-GFR mérések megfigyelt átlagai között. A bal vesére és a kézi szegmentációra számított p-érték azonban viszonylag kicsi volt. A mérések megismételhetőségének megerősítéséhez vagy elutasításához ebben az esetben további, potenciálisan nagyobb mintát érintő vizsgálatok szükségesek.

4. Megbeszélés

A tanulmány elsődleges célja egy hatékony módszer kidolgozása voltveseszegmentálás a DCE-MR képeken. A korábban publikált munkákban részben javasolt fogalmakat egységes számítási keretbe foglaltuk össze. Felöleli a vese parenchyma durva szemantikai szegmentációját, az MR-jelek időpályáinak PCA-transzformációját, hogy létrehozza a voxelek numerikus reprezentációját, majd lehetővé teszi azok osztályozását a veseszövet kéregre, velőre és medencére történő finom szegmentálására. A javasolt megközelítés pontos eredményekhez vezet, lehetővé téve a vese felismerését 94 százalékos arányban a Jaccard-együttható alapján. Az egyes veserészek szegmentálása 90 és 93 százalék közötti IoU-val érhető el (a kocka együttható 96-95 százaléka), a szövet típusától függően.

Más publikált eredményekre hivatkozva a kapott arányok vagy jó összhangban vannak, vagy valamivel alacsonyabbak. A [14]-ben a Dice pontszám az egészségeseknélveseszegmentációt 99 százalékos (kéreg), 98 százalékos (medulla) és 96 százalékos (medence) szinten jelentettek. A szimulált adatoknál azonban azt is kimutatták, hogy a képzaj jelentősen, 82-85 százalékra ronthatja a pontosságot. Mivel az ott és a mi vizsgálatunkban használt képalkotó protokollok térbeli és időbeli felbontásban is eltértek egymástól, a megfigyelt 1-2 százalékos eltérések különböző zajszintekre vezethetők vissza vizsgálataink során. Hasonló szkennelési körülményeket alkalmaztak a gyermekbetegek egy csoportjában [15]. Az ott megfigyelt átlagos F1-pontszám az egészre nézve 93 százalék voltvese, és 86 százalék a vesekéreg esetében. A [12]-ben a klaszterezés alapú szegmentációt pontossági pontszámok segítségével értékelték. Az átlagos kapott eredmények a következők voltak: 88 százalék – kéreg, 91 százalék – velő és 98 százalék – medence. Ezeket az értékeket együttesen a kiegyensúlyozott pontossági pontszámnak nevezhetjük, amely figyelembe veszi egy adott szegmens méretét. Így úgy tűnik, hogy SVM-modellünk felülmúlja a klaszterezésen alapuló megközelítést, amely osztályozási pontosságot, valamint 96 százalékos visszahívási arányt kínál még a legnagyobb kéregrégió esetében is.

Végül a CNN hálózat az egész elismerésének szentelte magátveseA [26]-ban leírtak gyengébb teljesítményt mutattak, mint az U-Net tervünk, és az F1-pontszámot=91,4%-kal érte el a normál kísérleti alanyoknál.

A szegmentálási eredményekben megfigyelt különbségeket az algoritmus betanítási-visszahívási konfigurációjának tükrében is meg kell vizsgálni. Ellentétben néhány alternatív megközelítéssel [11,14], stratégiánk betegfüggetlen. A szemantikai szegmentálási és osztályozási modellek felépítése után új tanulmányokra kerülnek alkalmazásra, amelyek nem szerepelnek a képzési halmazban. Ezért a páciens-specifikus jellemzők nem irányíthatják a felismerési mechanizmust, és előfordulhat, hogy nem illeszkednek a betanított modellhez, ami csökkenti az általános pontossági arányt. Ezen túlmenően, amint azt fentebb tárgyaltuk, a kéreg, a velő és a medence határain továbbra is fennálló részleges térfogathatás miatt továbbra is marad némi bizonytalanság a referencia kézi szegmentációkkal kapcsolatban, amelyet figyelembe kell venni a jelentett mutatók elemzésekor. Noha az SVM-osztályozót gondosan kiválasztott, szövet-megkülönböztető alap-igazság jelekre képezték ki, a hitelesítési adatok, amelyeknek minden vese-voxelre vonatkozniuk kell, még mindig szenvedhetnek a megfigyelői megjegyzések szubjektivitásától.

A pontos szegmentálási eredményeket biztosító megfigyelt képesség mellett stratégiánk egy előnyös tulajdonsággal is rendelkezik. Mivel felügyelt osztályozót használunk, hogy képvoxeleket rendeljünk a megfelelőhözveserégiókban, nincs szükség külön címkézési lépésre. Klaszterezés esetén szükség van bizonyos heurisztikára az egyes klaszterek aktuális kategóriájának értelmezéséhez, ha biztosítani akarjuk a teljes eljárás automatizálását.

Ahogy a 10. ábrán látható, az automatikus és a kézi megjegyzések között főként kétféle eltérés van. Először is, a kéreg és a velős piramisok közötti határ nem egyértelmű, és a megfelelő voxelek részben tele vannak mindkét típussal.

a veseszövetből. Míg az automatikus módszer hajlamos az ilyen voxeleket a kéregosztályba beilleszteni, a szakértő gyakran medullaként jelölte meg őket. Másrészt, még a kézi szegmentálás sem konzisztens ebből a szempontból, ami azt bizonyítja, hogy nehéz önkényesen dönteni arról, hogy melyik voxelosztályban a részleges hangerő dominál. Másodszor, hamis észlelések figyelhetők meg pl. a külső kérgi széleken. Ezek a hatások a képek időtartományban való helytelen regisztrációjának tudhatók be. Az alkalmazott b-spline regisztrációs módszert nem optimalizáltuk ennek a tanulmánynak az igényeihez, és ez a jövőbeni vizsgálatunk témája marad.

Az elvégzett kísérletek azt is kimutatták, hogy a javasolt szegmentációs algoritmus javítja a kép alapú SK-GFR becslés megismételhetőségét. A számított variációs együttható 14,5 százalékot, a bal és jobb oldalra pedig 17,5 százalékot tett ki.vese, ill. A kézi megjegyzések esetében a CoV=30,2 százalékot és 29,4 százalékot kaptunk. Ezeket az eredményeket a független tényezők, például az étrend és a napszak által okozott természetes GFR-változások alapján kell értékelni. A GFR-rel jól korreláló szérum kreatininszint várhatóan akár 10 százalékos eltérést is elérhet [43]. Ezért a CoV kb. A 15 százalék az automatizált eljárás jó megismételhetőségét jelziveseszegmentálás. Ezenkívül a kapott ismételhetőségi mutatók a máshol bemutatott értéktartományba esnek, például [44] CoV=32 százalékban és 27 százalékban, míg a [13]-ban CoV=17,5 százalék és 15,4 százalék a bal és a jobbvese, ill. Az utóbbi vizsgálatban azonban a CoV-t csak a σsm és az összes mérés átlagának arányából számították ki, a ′2 további tényező nélkül. Ha ezt a korrekciós tényezőt tükrözzük, a jelentett CoV-értékük 24,7 százalék és 21,8 százalék lesz, ami meglehetősen közel áll a mi megállapításainkhoz.

Tanulmányunknak három korlátja vethető fel. Először is, a képfoltokba való feltételezett particionálás a szemantikai szegmentációs hálózatot tanulásra késztethetivesecsak a folt egyik szélének közelében található. Ezért modelljeink továbbfejlesztése során megvizsgáljuk, hogyan teljesít az algoritmus, ha az akvizíciós látómező eltérően van konfigurálva. Másodszor, a szegmentációs algoritmust csak egészséges alanyok felhasználásával tervezték. Különösen jelentős következményei lehetnek a vese parenchyma finom szegmentációja esetén. A besorolási modellnek a beteg vesékhez való igazítása szükségessé teheti az osztályok számának háromnál több kategóriába történő kiterjesztését (kéreg, velő és medence), hogy tükrözze a veseszöveti elváltozások különböző időbeli jellemzőit. Harmadszor, a GFR kiszámításához a 2CFM modellt a szegmentált kéregben becsült átlagos DCE jelhez illesztettük. A részleges térfogathatás miatt mind a kézi, mind az automatikus szegmentálás egyes voxeleket medullárisnak minősíthet, bár ezek tartalmaznak vese glomerulusokat. Az ilyen voxelek figyelmen kívül hagyása lehet az egyik oka a képből származó és az iohexol alapú GFR-mérések között megfigyelt eltéréseknek. Ennek a problémának a leküzdése érdekében egyes szerzők [5] a teljes vese ROI-t javasolják annak biztosítására, hogy a vese szűrésében közreműködő összes voxel bekerüljön a PK-modell-illesztési folyamatba. Azt találtuk azonban, hogy ez a megközelítés a GFR figyelemreméltó túlbecsléséhez vezet a tanulmányunkban rendelkezésre álló adatsorok esetében. Ezért a jövőben mély tanuláson alapuló szuperfelbontási technikák alkalmazását tervezzük, és megpróbáljuk elérni a kérgi voxelek pontosabb annotációit.

Ezenkívül ki kell használni a szemantikai szegmentálás teljesen 3D-s megközelítését. Várható, hogy egy teljes MR-kötet feldolgozására alkalmas neurális hálózat pontosabb eredményt adnavesemegjegyzéseket a további mélységi információknak köszönhetően. Ennek a tanulmánynak a problémáját azonban két dimenzióra kellett csökkenteni, mivel viszonylag kevés tanulmány áll rendelkezésre a képzéshez. A térfogati képek 2D-s keresztmetszetekre bontása lehetővé tette a képzési adatkészlet jelentős növelését.

Végül, amint azt korábban leírtuk, a javasolt megközelítést az egy-egy alany elhagyása módszerrel érvényesítették. Hatékony, 10 független neurális hálózat és osztályozó modell készült. Jogos kérdés, hogy ezek a modellek hogyan alkalmazhatók a jelen tanulmányban rendelkezésre álló mintán kívüli új alanyokra. Az egyik lehetőség egy együttes létrehozása és egy szavazási mechanizmus bevezetése lenne. Alternatív megoldásként egy új szegmentációs séma tanítható (amely durva és finomszemcsés lépéseket is magában foglal) a teljes 10- alany minta alapján. Teljesítményének az új adatkészletek tekintetében összevethetőnek kell lennie a fent bemutatott eredményekkel.

cistanche enyhíthetivesefájdalom, kattintson ide, ha többet szeretne megtudni

5. Következtetések

Végezetül, ebben a cikkben bemutattunk egy számítási keretet a mennyiségi értékelés támogatásáraveseperfúzió a veserészek automatizált szegmentálásának biztosításával. A kapott pontossági eredmények igazolják a tervezett módszer megbízható működését. Sőt, kísérleteinkben a kéreg-, velő- és medenceszegmensek megkülönböztetésére szolgáló alternatív megközelítések, amelyek wavelet transzformáción és klaszterező algoritmusokon alapulnak, kevésbé teljesítenek hatékonyan. Az automatikusan talált szegmenseken alapuló SK-GFR mérés megismételhetősége javul a kézi feldolgozás eredményeihez képest, és jó összhangban marad más publikált eredményekkel. A tervezett szegmentációs módszer lehetővé teszi a képből származó perfúziós paraméterek objektivizmusának növelését és a vesekárosodás potenciálisan gyorsabb diagnosztizálását is. Ezek az eredmények közelebb hozzák a DCE-MR képalkotás klinikai alkalmazását rutin módszerként.vesediagnosztika. Végül, annak érdekében, hogy megkönnyítsük ezt az elmozdulást a kutatásról az alkalmazási területre, elérhetővé tesszük a farmakokinetikai modellezéshez szükséges szoftverkeretrendszerünket a [39] címen. A repository tartalmazza a DCE jel alapú jellemzők kinyeréséhez és osztályozásához szükséges szkripteket is.

A szerző hozzájárulásai:Fogalomalkotás, AK; módszertan, AK és EE; szoftver, AK; érvényesítés, AK; formális elemzés, AK; nyomozás, AK; források, EE és AL; adatkezelés, EE; írás – eredeti tervezet előkészítése, AK; írás – áttekintés és szerkesztés, AL és EE; vizualizáció, AK; felügyelet, AL; projekt adminisztráció, AK Minden szerző elolvasta és elfogadta a kézirat közzétett változatát.

Finanszírozás:Ez a kutatás nem kapott külső támogatást.

Az intézményi felülvizsgálati bizottság nyilatkozata:A vizsgálatot a Helsinki Deklarációnak megfelelően végezték, és a protokollt a Nyugat-Norvégia Orvosi Kutatási Etikai Regionális Bizottsága hagyta jóvá (REC West 2012/1869).

Tájékozott beleegyező nyilatkozat:Minden alany beleegyezését adta a felvételhez, mielőtt részt vett a vizsgálatban.

Adatelérhetőségi nyilatkozat:A jelen tanulmányban felhasznált DCE-MR képeket nem lehet hozzáférhetővé tenni, mert a résztvevők által aláírt írásbeli hozzájárulás nem terjedt ki a megszerzett adatok nyilvános terjesztésére vonatkozó megállapodásra.

Összeférhetetlenség:A szerzők nem nyilatkoznak összeférhetetlenségről.

Hivatkozások

1. Zabell, JR; Larson, G.; Koffel, J.; Fedő.; Anderson, JK; Súly, CJ Az étrend módosításának alkalmazása vesebetegség egyenletében a becsléshez Glomeruláris szűrési sebességaz urológiai irodalomban. 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. Iohexol plazma clearance méréshezglomeruláris filtrációs rátaa klinikai gyakorlatban és a kutatásban: Áttekintés. 1. rész: Hogyan kell mérniglomeruláris szűrési rátaiohexollal? Clin.VeseJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Glomeruláris szűrési sebesség: Dinamikus kontrasztos MRI-vel és kérgi rekesz modellel végzett vizsgálat nyúlonvese. J. Magn. Reson. Képalkotás 2004, 20, 843–849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO A perfúzió és a glomeruláris szűrés MRI mérése emberbenveseszétválasztható rekeszes modellel. Investig. Radiol. 2008, 43, 40–48.

5. Tofts, P.; Cutajar, M.; Mendichovszky, I.; Peters, A.; Gordon, I. A vese filtációs és vaszkuláris paramétereinek pontos mérése kétkompartes modell segítségével a dinamikus kontrasztos MRI-hezvesereális normál értékeket ad. Eur. Radiol. 2012, 22, 1320–1330.

6. Chen, B.; Zhang, Y.; Dal, X.; Wang, X.; Zhang, J.; Fang, J. A vesefunkció kvantitatív becslése dinamikus kontrasztjavított MRI-vel módosított kétkompartmentes modell használatával. PLoS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovszky, I.; Tofts, P.; Gordon, I. Az AIF ROI szelekció jelentősége a DCE-MRI renográfiában: A veseperfúzió és -szűrés reprodukálhatósága és változékonysága. Eur. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, H.; Bokacseva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; herceg, K.; Song, T.; Kramer, EL; et al. Vesefunkció mérések MR-renográfiával és egy egyszerűsített többkompartmentális modellel. Am. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS; Blasberg, RG Vér-agy átviteli állandók grafikus értékelése többszörös időfelvételi adatokból. Általánosítások. J. Cereb. Blood Flow Metab. 1985, 5, 584–590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Egyetlen-veseglomeruláris filtációs rátát kontrasztos dinamikus gradiens-echo szekvencia és a Rutland-Patlak plot technika segítségével. J. Magn. Reson. Képalkotás 2003, 18, 714–725.

11. Zöllner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rørvik, J.; Santos, A.; Lundervold, A. A 3D DCE-MRI értékelésevesenem merev képregisztráció és a voxelidő-folyamatok szegmentálása. Comput. Med. Képalkotó grafikon. 2009, 33, 171–181.

12. Li, S.; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. A veserészek Wavelet-alapú szegmentációja az emberi DCE-MRI-benvese: Kezdeti eredmények betegeknél és egészséges önkénteseknél. Comput. Med. Képalkotó grafikon. 2012, 36, 108–118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. A vesefunkció dinamikus kontrasztos MRI mérése egészséges résztvevőknél. Acta Radiol. 2017, 58, 748–757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Vesekompartment szegmentációja DCE-MRI képeken. Med. Image Anal. 2016, 32, 269–280.

15. Yoruk, U.; Hargreaves, BA; Vasanawala, SS Automatikus veseszegmentáció MR-urográfiához 3D-GrabCut és véletlenszerű erdők segítségével. Magn. Reson. Med. 2018, 79, 1696–1707.

16. Lundervold, AS; Lundervold, A. Az orvosi képalkotás mély tanulásának áttekintése az MRI-re összpontosítva. Z. Für Med. Phys. 2019, 29, 102–127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Mély idegi hálózatok értékelése a prosztata szemantikus szegmentálásához T2W MRI-ben. Érzékelők 2020, 20, 3183.

18. Shelhamer, E.; Long, J.; Darrell, T. Fully Convolutional Networks for Semantic Segmentation. IEEE Trans. Pattern Anal. Mach. Intell. 2017, 39, 640–651.

19. Badrinarayanan, V.; Kendall, A.; Cipolla, R. SegNet: Mélykonvolúciós kódoló-dekódoló architektúra képszegmentációhoz. IEEE Trans. Pattern Anal. Mach. Intell. 2017, 39, 2481–2495.

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