Automatisk semantisk segmentering af nyrecyster i MR-billeder af patienter ramt af autosomal-dominant polycystisk nyresygdom

Kontakt: Audrey Hu Whatsapp/hp: 0086 13880143964 E-mail:audrey.hu@wecistanche.com

Timothy L. Kline^1,2· Marie E. Edwards²· Jeffrey Fetzer¹· Adriana V. Gregory²· Deema Anaam¹· Andrew J. Metzger²· Bradley J. Erickson¹

Abstrakt

FormålTil patienter ramt af autosomal-dominant polycystisknyresygdom(ADPKD), vellykket differentiering af cyster er nyttig til automatisk klassificering af patientfænotyper, klinisk beslutningstagning og sygdomsprogression. Målet var at udvikle og evaluere en fuldautomatisk semantisk segmenteringsmetode til at differentiere og analysere nyrecyster hos patienter med ADPKD.

Metoder En automatiseret dyb læringstilgang ved hjælp af et konvolutionelt neuralt netværk blev trænet, valideret og testet på et sæt 60 MR T2-vægtede billeder. En tredobbelt krydsvalideringstilgang blev brugt til at træne tre modeller om forskellige trænings- og valideringssæt (n=40). En ensemblemodel blev derefter bygget og testet på hold-out sagerne (n=20), hvor hver af sagerne blev sammenlignet med manuelle segmenteringer udført af to læsere. Segmenteringsaftale mellem læsere og den automatiserede metode blev vurderet.

ResultaterDen automatiserede tilgang viste sig at fungere på niveauet af interobservatørvariabilitet. Den automatiserede tilgang havde en terningskoefficient (gennemsnit ± standardafvigelse) på {{0}}.86 ± 0.10 vs. Reader-1 og {{10}}.84 ± {{20}}.11 vs. Læser-2. Interobservatørterninger var 0.86 ± 0,08. Med hensyn til total cystevolumen (TCV) havde den automatiserede tilgang en procentforskel på 3,9 ± 19,1 procent vs. Reader-1 og 8,0 ± 24,1 procent vs. Reader-2, hvorimod interobservatørvariabiliteten var -2,0 ± 16,4 procent.

Konklusion Denne undersøgelse udviklede og validerede en fuldautomatisk tilgang til at udføre semantisk segmentering afnyrecyster i MR-billeder af patienter ramt af ADPKD. Denne tilgang vil være nyttig til at udforske yderligere billeddannende biomarkører for ADPKD og automatisk klassificering af fænotyper.

NøgleordAutosomal-dominant polycystisknyresygdom· Semantisk cystesegmentering · Deep learning · Magnetisk resonansbilleddannelse

Cistanche deserticola fordel: forebyggernyresygdom

Introduktion

Autosomal-dominant polycystisknyresygdom(ADPKD) er den mest almindelige arvelige nyresygdom, som rammer omkring 12 millioner mennesker verden over, og er i øjeblikket den fjerde hyppigste årsag til nyresvigt [1, 2]. Dens patologi er sådan, at den kontinuerlige vækst af cyster forårsager en progressiv stigning i altnyrevolumen (TKV). En typisk ADPKD-patient udviser progressivt nedsat nyrefunktion og omkring 70 procent udvikler sig til nyresygdom i slutstadiet mellem 40 og 70 år [3, 4].

TKV har i en række undersøgelser vist sig at være en nyttig prædiktor for ADPKD-progression [5-7]. På samme måde bidrager evnen til at afgrænse og måle cystisk byrde yderligere til vores viden om sygdomsprogression, struktur og genotypiske varianser. Det er velforstået, at udviklingen og væksten af ​​cyster er stærkt korreleret med nedsat nyrefunktion [6, 8]. Derudover er det vist, at der er en direkte sammenhæng mellem TKV-vækst og cystevækst; dog afhænger den hastighed, hvormed cysterne vokser og nye cyster dannes, af den enkelte [9]. Endvidere har longitudinelle undersøgelser fundet, at patienter med ADPKD over tid oplever en stigning i TKV og cystevolumen og et fald i total parenkymvolumen, hvilket tyder på, at den ikke-cystiskenyrevæverstattes af flere cyster og løbende forstørrende cyster [10]. Interessant nok varierer cystevækst og cystisk indeks (forholdet mellem cystevolumen og TKV) signifikant mellem PKD1- og PKD2-genotyperne, da patienter i PKD1-populationen har tendens til at udvikle cyster tidligere [11, 12]. Yderligere analyse af cystisk byrde og vækst har potentialet til at informere om sygdomstendenser og terapeutiske strategier.

Efterhånden som nye billeddannende biomarkører dukker op, søger forskerne hurtige og effektive metoder til at isolere de cystiske og ikke-cystiskenyreregioner for en mere dybdegående, kvantitativ analyse af vævsegenskaber [13, 14]. Tidligere er cyste- og nyreregioner blevet segmenteret manuelt, hvilket er meget arbejdskrævende og subjektivt [15]. Forskellige semi-automatiserede cystesegmenteringstilgange er blevet foreslået ved brug af intensitetsbaseret tærskelværdi som initialisering [16, 17] såvel som klassiske maskinlæringsteknikker såsom k-betyder clustering [18], konturmetoder [19] og form forudgående sandsynlighed kort [20]. En fuldt automatiseret dyb læringstilgang ved hjælp af neurale netværk har dog potentialet til at befri billedanalytikeren for kedeligheden ved manuel sporing og give reproducerbare og robuste volumenberegninger og segmenteringer. Deep learning er unik for de ovennævnte segmenteringsmetoder, idet modellen er i stand til at "lære" vigtige billedfunktioner fra de datainput, der gør det muligt for den at udføre sin ultimative segmenteringsopgave. Gennem træning er modellen i stand til at detektere mønstre, pixelintensiteter og forminformationer, som måske ikke er let detekterbare for det menneskelige øje.

Konvolutionelle neurale netværk (CNN'er), der begynder med at reducere rumlig opløsning efterfulgt af genoprettelse af opløsning, udmærker sig ved pixel/voxel-niveau medicinske billedsegmenteringsopgaver på grund af deres unikke arkitektur. Kort sagt er den første sammentrækningssektion en række foldnings- og opløsningsreducerende lag, som bruges til at reducere kompleksiteten af ​​billedet, og den anden ekspansionssektion er i det væsentlige et spejlbillede af den første vej, der bruges til at kombinere funktioner og rumlig information. U-Net-arkitekturen [21] er et sådant netværk, der er blevet væsentligt udnyttet i medicinsk billedanalyse til at løse segmenteringsopgaver. En særlig fordel ved denne arkitektur er, at den ikke kræver et stort træningssæt sammenlignet med andre netværk og giver meget nøjagtige segmenteringsoutput.

I denne undersøgelse bruger vi et datasæt af MR-billeder af PKDnyrermed cystesporing af to læsere, der fungerer som grundsandhed. Der udvikles en automatiseret tilgang (en modificeret U-Net-typearkitektur), og en ensemblemodel etableres og testes på et testdatasæt. Den dybe neurale netværksmodel beskrevet i denne undersøgelse giver mulighed for semantisk segmentering afnyrecyster til bestemmelse af total cystevolumen (TCV) og kan vise sig nyttige til yderligere evaluering af sygdomsfænotyper.

cistanche tubolosa fordele

Materialer og metoder

MR billeddata

Denne retrospektive undersøgelse modtog godkendelse fra det institutionelle revisionsudvalg på https://github.com/TLKline/ AutoKidneyCyst. MR-scanninger af 60 unikke patienter med ADPKD af varierende sværhedsgrad blev hentet fra vores PKD-billeddatabase. T2-vægtet fedt (N=42) og ikke-fedtmættet (N=18) scanninger blev brugt i denne analyse. MR-billederne var koronale enkeltskuds-hurtigt spin-ekko (SSFSE) T2-sekvenser, erhvervet med en GE-scanner, med matrixstørrelse 256 × 256xZ (med Z stor nok til at dække hele omfanget af nyrerne inden for det afbildede volumen). Billedvoxelstørrelser var i størrelsesordenen 1,5 mm i planet med typisk 3,0 mm skivetykkelser.

Manuelle segmenteringer

Nyre- og cystesporingen blev udført manuelt af to billedanalytikere (https://github.com/TLKline/AutoK idneyCyst) med mange års erfaring med at udføre disse sporinger. Trænings-/valideringssættet blev sporet af én læser, og testsættet blev sporet af begge for at vurdere inter-observatør variabilitet. Billedanalyseprotokollen udelukker nyrebækkenet og vaskulære strukturer. Ud fra sporingerne blev TKV og TCV beregnet som antallet af voxels ganget med voxelvolumenet. Hver analytiker var blind for den andens spor. Disse sporinger blev eksporteret som NIfTI-filer.

Datastratificering

Ud fra de TKV-segmenteringer, der blev genereret for hver scanning, blev scanningerne sorteret i 40 trænings-/valideringscases og 20 cases til hold-out-testsættet. Trænings-/valideringsdatasættet havde 28 fedtmættede tilfælde og 12 ikke-fedtmættede tilfælde (70 procent fedtmættet). Hold-out-testsættet havde 14 fedtmættede tilfælde og 6 ikke-fedtmættede tilfælde (70 procent fedtmættet).

Forbehandling

Modellen blev trænet som en to-kanals tilgang med MR-billedsnittet som den ene kanal og nyresegmenteringen som den anden. Bemærk, at med denne to-kanals tilgang lærer det neurale netværk kun at identificere cyster i nyren. Billederne blev omskaleret til 256 × 256 matrixstørrelse ved brug af interkubisk interpolation for MR-billederne og nærmeste-nabo-interpolation for nyre- og cystesegmenteringsmaskerne. Intensiteten af ​​hver MR-scanning blev først normaliseret til alle at have det samme 95. percentilniveau, og derefter blev standard skalarnormalisering anvendt (nul middelværdi, enhedsstandardafvigelse).

Semantisk segmenteringsmodel

Netværksarkitekturen lignede vores tidligere værker [22, 23]. Konvolutionsblokkene består af 2D-foldninger efterfulgt af dropout (udfald=0.1), batchnormalisering, 2D-foldninger og maks. pooling (poolstørrelse=2 ×2). Lagene med højere opløsning har større kerner (går fra 7 × 7 til 5 × 5 til 3 × 3 i blokke ned ad koderstien og omvendt op ad dekoderstien) for at lære større og mere komplekse filtertyper. Overspringsforbindelserne er implementeret som additive lag (Resnet-lignende [24]). Optimeringsværktøjet er Adam [25] med en indledende indlæringshastighed på 1e-3 og henfald på 1e-5. Tabsmetrikken er terningelighedsmetrikken. Modellen er trænet i 200 epoker med en batchstørrelse=8, og modellen med den bedste valideringsmåling gemmes under træningsprocessen. Modellen blev implementeret i Keras med TensorFlow som backend. Modellen blev trænet på en Nvidia Tesla P40 GPU (24 GB hukommelse). Input til modellen er en to-kanal matrix (256× 256 ×2). Den første kanal er et MR-billede, og den anden er den tilsvarende nyremaske. Outputtet er forudsigelsen for cystesegmenteringen. I alt blev tre modeller trænet på de tre forskellige trænings-/valideringsfolder, og en ensemble-model med flertalsafstemning blev derefter lavet og anvendt på holdout-testsættet. Koden er tilgængelig på:

Evaluering

Som beskrevet i modelafsnittet blev trænings-/valideringssættet opdelt i tre gange for at træne på forskellige delmængder af dataene. For hver fold blev der genereret trænings- og valideringskurver under læringsprocessen, og den bedste model fra hver fold blev gemt. En majoritetsensemblemodel blev derefter genereret og anvendt på hold-out-testdatasættet. Sammenligning af cystevolumen og cysteindeks blev udført ved lineær regression, og det cystiske indeks blev også vurderet ved Bland-Altman-analyse for at vurdere bias og præcision af målingerne. Derudover blev der lavet visuelle overlejringer for kvalitativt at vurdere den automatiserede metode, og lighedsmetrikker blev genereret til kvantitativ vurdering. I hvert tilfælde blev de to læsersegmenteringer sammenlignet for at vurdere interobservatørvariabilitet, og den automatiserede tilgang blev sammenlignet individuelt med hver læser.

ørken cistanche fordele: forbedre nyrefunktionen

Resultater

Der var ingen signifikant forskel mellem trænings-, validerings- og testdatasættene med hensyn til sygdommens sværhedsgrad (dvs. TKV). Vist i fig. 1 er volumenfordelingerne visualiseret som kernedensitetsplot. Disse er vist for de tre folder, samt den overordnede fordeling mellem træning/validering og testsættet. Denne overordnede fordeling er repræsentativ for den store grad af variabilitet, der ses i ADPKD-patientpopulationen.

Den automatiserede metode havde lignende præstationstræning på de tre forskellige folder. Figur 2 viser indlæringskurverne for de tre forskellige fold, inklusive både træning og validering af terninger under modeltræning. Modelvægtene opdateres på træningssættet og evalueres i slutningen af ​​hver epoke på det separate valideringssæt. Modellen med den bedste valideringsydelse gemmes under træningsprocessen og bruges til at udvikle den endelige ensemblemodel.

Den automatiserede tilgang var fremragende til at segmentere cysterne nøjagtigt. Vist i fig. 3 og 4 er de lineære regressionssammenligninger for interobservatørvariabilitet, den automatiserede metode vs. Reader-1 og den automatiserede metode vs. Reader-2 for cystevolumen (fig. 3) samt cysteindeks (Fig. 4). Derudover udførte den automatiserede metode på samme niveau som menneskelige læsere. Vist i fig. 5 er Bland-Altman-sammenligningerne for cystisk indeks. Bemærk, at patienterne omfatter en lang række sygdommes sværhedsgrad, fra tilfælde med meget få cyster, til tilfælde, der næsten vil fuldføre erstatning af nyreparenkym med cyster. Det cystiske indeks varierede fra ~ 0 til > 90 procent.

Visuelt var der en exceptionel overensstemmelse mellem den automatiserede segmenteringstilgang og de manuelle læsere. Figur 6 viser de visuelle sammenligninger for et af de bedre tilfælde (øverste række, terninger=0.98), det værste tilfælde (midterste række, terninger=0.50) og et gennemsnitligt tilfælde (nederste række , Terninger=0.86).

Generelt kunne den automatiserede tilgang ikke skelnes fra variabiliteten set af to forskellige læsere, der udførte sporingerne. Vist i tabel 1 er lighedsstatistikken, der sammenligner interobservatørvariabiliteten med den, der opnås mellem den automatiserede tilgang og Reader-1, såvel som den automatiserede tilgang og Reader-2.

cistanche tubolosa ekstrakt: acteosid

Diskussion

Dyb læring inden for kunstig intelligens har givet videnskabsfolk utallige værktøjer til at evaluere data effektivt og grundigt, især inden for medicinsk billedanalyse. Algoritmen udviklet i denne undersøgelse segmenterede nøjagtigt nyrecyster fra nyrevæv uden brugerintervention. Forud for denne model implementerede tilgange til at afgrænse cystiske strukturer fra organvæv semi-automatiserede intensitetsbaserede tærskelteknikker [16, 17, 20]. En begrænsning af intensitetsbaserede tilgange er, at i modsætning til CT kan MR-pixelværdier variere drastisk mellem optagelser og endda mellem udsnit inden for en opsamling, hvilket kræver omfattende forbehandlingsteknikker for at normalisere dataene korrekt [26]. Desuden vil denne teknik med intensitetsbaseret tærskelværdi fuldstændigt savne komplekse cyster, der har lavere signalintensitet [16].

Modellen præsenteret i denne undersøgelse opnåede en gennemsnitlig terning-score på 85 procent for cystesegmentering, dette resultat kan sammenlignes med de andre state-of-the-art teknikker implementeret til organsegmentering. I ADPKD har alle automatiserede tilgange ved hjælp af dyb læring rapporteret i litteraturen fokuseret på organsegmenteringsopgaven, mest til nyresegmentering. Nogle af disse tilgange inkluderer et tilpasset VGG-16-netværk implementeret af Sharma et. al [27] for at segmentere nyrer i CT-billeder. Den gennemsnitlige terningescore fra denne undersøgelse var 86 procent. Keshwani et. al, [28] på samme måde brugte CT-scanninger til at forudsige nyresegmenteringer, blev et multi-task 3D foldet neuralt netværk implementeret, hvilket opnåede en gennemsnitlig Dice-score på 95 procent. Mu et al. [29] brugte på den anden side MR-billeder til automatisk at generere nyresegmentering ved hjælp af en V-Net-model, og den rapporterede Dice-score var 95 procent.

Den automatiserede tilgang sammenlignede meget tæt med manuelle sporinger i alle metrikker. Med hensyn til lineære regressioner sammenlignede den automatiserede tilgang meget tæt med begge læserne. Derudover havde det cystiske indeks en lignende bias og præcision som menneskelige læsere. Den bedre præcision skyldes sandsynligvis det faktum, at den automatiserede tilgang vil være mere konsekvent end en menneskelig læser. Det blev fundet, at den største forskel blev set i Hausdorf-afstanden, hvilket kan være resultatet af nogle mindre falske positiver, som sandsynligvis kunne håndteres ved simpel efterbehandling (f.eks. multiplicering af output fra modellens cystesegmenteringsmaske med nyremasken ). Derudover var den visuelle enighed utrolig stærk. Det værste tilfælde, hvad angår lighedsmålinger, var for en meget mild præsentation af sygdommen. I dette tilfælde kunne en menneskelig læser hurtigt give en kvalitetsvurdering for at afslutte cystesegmenteringen. Generelt segmenterer tilgangen nøjagtigt cyster af en bred vifte af størrelser. I denne undersøgelse blev cyster målt ned til ~ 3-5 mm. Dette er begrænset af den rekonstruerede billedopløsning, som i planet er i størrelsesordenen ~ 1,5 mm. Derudover havde den største cyste en diameter på 118 mm.

At have evnen til automatisk at vurdere cystisk byrde åbner døren til retrospektive undersøgelser, der anvender den her præsenterede teknik. Tidligere undersøgelser har anvendt mere grundlæggende tilgange til vurdering af cystisk byrde og har vist den lovende informative værdi af disse billedafledte parametre. Tidligere korttidsstudier har vist, at tolvaptan reducerede cystevolumen hos behandlede ADPKD-patienter, når cystevolumen blev målt på en lille kohorte [30]. Yderligere analyse bør gennemføres for at vurdere, om disse virkninger fortsætter under den langsigtede administration af lægemidlet. Den automatiserede metode præsenteret i denne undersøgelse vil give mulighed for hurtig og nem analyse af et større datasæt. Sporing af cystevækst kan også informere om specifikke genotyper. En undersøgelse viste, at patienter med PKD1 har et større antal cyster end patienter med PKD2. Mere specifikt udvikler patienter med PKD1 sig hurtigere, fordi flere cyster udvikler sig tidligt, ikke fordi de vokser hurtigere [11].

En begrænsning ved denne undersøgelse er, at den evaluerede en relativt lille kohorte (n=60). Generering af guldstandard cystesegmenteringer tog dog op til 8 timer afhængigt af sygdommens sværhedsgrad. På grund af denne begrænsning udviklede vi denne særlige kohorte til at spænde over det fulde omfang af sygdomsfænotypiske præsentationer, fra nyrer sammensat af få cyster (cystisk indeks=0,5 procent ) op til nyrer med nyreparenkym næsten fuldstændig erstattet af cyster (cystisk indeks=90 procent ). At have etableret en metode til at vurdere cystisk byrde over det fulde omfang af sygdomsfænotyper vil gøre denne tilgang stærkt generaliserbar. En anden begrænsning er, at vi ikke opdager mikroskopiske cyster under billeddannelsesopløsningen. Disse mikrocyster bidrager dog med en relativt lille mængde til det samlede cystevolumen [31]

Fremtidige undersøgelser kan evaluere større kohorter, og automatiserede metoder kan udforskes til at segmentere og differentiere individuelle cyster. Dette vil lette automatisk optælling af antallet af cyster og evaluering af cystestørrelsesfordelinger. Dette kan også give mulighed for automatisk klassificering af typiske patienter fra atypiske patienter, hvilket informerer om risikoen for progression og sandsynligheden for at få gavn af lægemiddelbehandlinger. De fleste af de kriterier, der adskiller de atypiske fra de typiske tilfælde, afhænger af cysteindeks, antal og størrelse. For eksempel betragtes en patient som atypisk, hvis Mindre end eller lig med 5 cyster tegner sig for Større end eller lig med 50 procent TKV, og der er mild udskiftning af nyrevæv fra cyster [32]. Et værktøj, der beregner dette automatisk, ville give mulighed for ekstremt hurtige og objektive klassifikationer under den kritiske studietilmeldingsfase.

Cystestruktur og sammensætning ses også som meget informativ, når ADPKD vurderes. Når først de cystiske regioner er afgrænset fra det renale parenkym, kan yderligere intensitets- og/eller teksturbaseret analyse udføres for at bestemme procentdelen eller fordelingen af ​​komplekse cyster. Typisk er disse komplekse cyster karakteriseret ved "mørkere" intensiteter i T2-vægtet MR-billeddannelse. Tilsyneladende kan sundt parenkymvæv analyseres på lignende måde efter at være blevet isoleret fra større cyster. En anden tilgang vil være at inkorporere flere billedopsamlinger (f.eks. ved at kombinere T1- og T2-vægtede MR-billeder) for ikke kun at hjælpe med segmenteringen af ​​cyster, men også at hjælpe med at klassificere dem. Udvidelse til andre billeddannende modaliteter (f.eks. CT) og organer (f.eks. lever) vil også være vigtig for at give en omfattende karakterisering af PKD-fænotypen og udføre store undersøgelser, hvor blandede billeddannelsesdata (f.eks. ultralyd, computertomografi og/ eller magnetisk resonansbilleddannelse) er tilgængelige for forskellige patienter, og ekstrarenale manifestationer (f.eks. PLD) er til stede.

Konklusioner

Vi har udviklet en fuldautomatisk metode til semantisk segmentering af nyrecyster fra MR-billeder af patienter ramt af ADPKD. Metoden fungerer på niveau med menneskelige læsere og vil være nyttig i fremtidige retrospektive og prospektive undersøgelser til at evaluere patientfænotyper og overordnet cystisk belastning.

Referencer

1. PA Gabow, "Autosomal dominant polycystisk nyresygdom," N Engl J Med, vol. 329, nr. 5, s. 332-42, 29. juli 1993,

2. PC Harris og VE Torres, "Polycystic kidney disease," Annu Rev Med, vol. 60, s. 321-37, 2009

3. AB Chapman et al., "Autosomal-dominant polycystisk nyresygdom (ADPKD): executive summary from a Kidney Disease: Improving Global Outcomes (KDIGO) Controversies Conference," Kidney Int, vol. 88, nr.

4. EM Spithoven et al., "Nyrerstatningsterapi for autosomal dominant polycystisk nyresygdom (ADPKD) i Europa: prævalens og overlevelse--en analyse af data fra ERA-EDTA Registry," Nephrol Dial Transplant, vol. 29 Suppl 4, s. iv15-25, sep. 2014,

5. RD Perrone et al., "Totalt nyrevolumen er en prognostisk biomarkør for nedsat nyrefunktion og progression til slutstadiet af nyresygdom hos patienter med autosomal dominant polycystisk nyresygdom," Kidney Int Rep, vol. 2, nr. 3, s. 442-450, maj 2017, DOI:

6. AB Chapman et al., "Nyrevolumen og funktionelle resultater ved autosomal dominant polycystisk nyresygdom," Clin J Am Soc Nephrol, vol. 7, nr. 3, s. 479-86, marts 2012

7. JJ Grantham, AB Chapman og VE Torres, "Volumeprogression i autosomal dominant polycystisk nyresygdom: den vigtigste faktor, der bestemmer kliniske resultater," Clin J Am

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2. og 1505-11, august 2000. [Online]. Tilgængelig: https://www.ncbi.nlm.

11. PC Harris et al., "Cysteantal, men ikke hastigheden af ​​cystisk vækst er forbundet med det muterede gen ved autosomal dominant polycystisk nyresygdom," J Am Soc Nephrol, vol. 17, nr. 11, s. 3013-9, nov 2006, https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Mechanisms of progression in autosomal dominant polycystic kidney disease," Kidney Int Suppl, vol. 63, s. S93-7, dec. 1997. [Online]. Tilgængelig: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. TL Kline et al., "Billedteksturfunktioner forudsiger nedsat nyrefunktion hos patienter med autosomal dominant polycystisk nyresygdom," Kidney Int, vol. 92, nr. 5, s. 1206-1216, nov. 2017, https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline et al., "Quantitative MRI of kidneys in renal disease," Abdom Radiol (NY), vol. 43, nr. 3, s. 629-638, marts 2018

15. KT Bae, PK Kommentar og J. Lee, "Volumetrisk måling af nyrecyster og parenkym ved hjælp af MRI: fantomer og patienter med polycystisk nyresygdom," J Comput Assist Tomogr, vol. 24, nr. 4, s. 614-9, juli-aug 2000

16. KT Bae et al., "Ny metodologi til at evaluere nyrecyster ved polycystisk nyresygdom," Am J Nephrol, vol. 39, nr. 3, s. 210- 7, 2014

17. AB Chapman et al., "Nyrestruktur i tidlig autosomal-dominant polycystisk nyresygdom (ADPKD): The Consortium for Radiologisk Imaging Studies of Polycystic Kidney Disease (CRISP) cohort," Kidney Int, vol. 64, nr. 3, s. 1035-45, sep. 2003,

18. K. Bae et al., "Segmentering af individuelle nyrecyster fra MR-billeder hos patienter med autosomal dominant polycystisk nyresygdom," Clin J Am Soc Nephrol, vol. 8, nr. 7, s. 1089-97, juli 2013, DOI: https://doi.org/10.2215/CJN.10561012.

19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres og BJ Erickson, "Semiautomated Segmentation of Polycystic Kidneys in T2-Weighted MR Images," AJR Am J Roentgenol, vol. 207, nr. 3, s. 605-13, september 2016, https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim et al., "Automatisk segmentering af lever- og levercyster fra afgrænsede abdominale MR-billeder hos patienter med autosomal dominant polycystisk nyresygdom," Phys Med Biol, vol. 61, nr. 22, s. 7864-7880, nov 21 2016, DOI:

cistanche sundhedsmæssige fordele: forbedre nyrefunktionen