Sund nyresegmentering i Dce-Mr-billederne ved hjælp af et konvolutionelt neuralt netværk og tidsmæssige signalkarakteristika

Artur Klepaczko1 , Eli Eikefjord²og Arvid Lundervold^2,3,4

Abstrakt:Kvantificering af renal perfusion baseret på dynamisk kontrastforstærket magnetisk resonansbilleddannelse (DCE-MRI) kræver bestemmelse af signalintensitets-tidsforløb i regionen af ​​det renale parenkym. Således er udvalget af voxels, der repræsenterernyreskal udføres med særlig omhu og udgør en af ​​de største tekniske begrænsninger, som hæmmer bredere brug af denne teknik som en standard klinisk rutine. Manuel segmentering af nyrekompartmenter - selv hvis den udføres af eksperter - er en almindelig kilde til nedsat repeterbarhed og reproducerbarhed. I dette papir præsenterer vi en behandlingsramme for automatisknyresegmentering i DCE-MR billeder. Rammen består af to faser. For det første,nyremasker genereres ved hjælp af et foldet neuralt netværk. Derefter klassificeres maskevoxel til en af ​​tre regioner - cortex, medulla og bækken - baseret på DCE-MRI-signalintensitetstidsforløb. Den foreslåede tilgang blev evalueret på en kohorte på 10 raske frivillige, som gennemgik DCE-MRI-undersøgelsen. MR-scanning blev gentaget ved to-gange hændelser inden for et 10-dages interval. Til den semantiske segmenteringsopgave brugte vi en klassisk U-Net-arkitektur, hvorimod eksperimenter med voxel-klassificering blev udført ved hjælp af tre alternative algoritmer - støtte vektormaskiner, logistisk regression og ekstreme gradientforstærkende træer, blandt hvilke SVM producerede de mest nøjagtige resultater. Både segmenterings- og klassificeringstrin blev udført af en række modeller, der hver blev trænet separat for et givent emne ved kun at bruge data fra andre deltagere. Middel opnåede en nøjagtighed af helhedennyresegmentering var 94 procent i form af IoU-koefficient. Cortex, medulla og bækken blev segmenteret med IoU fra 90 til 93 procent afhængigt af væv og kropsside. Resultaterne blev også valideret ved at sammenligne billedafledte perfusionsparametre med jordsandhedsmålinger afglomerulær filtrationshastighed(GFR). Repeterbarheden af ​​GFR-beregning, som vurderet ved variationskoefficienten, blev bestemt på niveauet 14,5 og 17,5 procent for henholdsvis venstre og højre nyre, og den forbedredes i forhold til manuel segmentering. Reproducerbarhed blev til gengæld evalueret ved at måle overensstemmelse mellem billedafledte og iohexol-baserede GFR-værdier. De estimerede absolutte gennemsnitlige forskelle var lig med 9,4 og 12,9 mL/min/1,73 m2 for scanningssession 1 og 2 og den foreslåede automatiserede segmenteringsmetode. Resultatet for session 2 var sammenligneligt med manuel segmentering, hvorimod for session 1 var reproducerbarheden i den automatiske pipeline svagere.

Nøgleord:dynamisk kontrastforstærket MR; konvolutionelle neurale netværk;nyresegmentering; farmakokinetisk modellering; perfusion kvantificering; glomerulær filtrationshastighed

Kontakt: ali.ma@wecistanche.com

Klik til Cistanche herba for nyresygdom

1. Introduktion

Nyrefunktionen vurderes rutinemæssigt ved at måle serumkreatininniveauet. Baseret på dens værdiglomerulær filtrationshastighed(GFR) kan estimeres ved hjælp af f.eks. modifikation af diæt i nyresygdomsligningen [1]. En anden metode til at bestemme GFR, som for nylig har vundet popularitet i kliniske omgivelser, er iohexol plasma-clearance-testen. Nogle forfattere postulerer, at denne metode erstatter guldstandardteknikken baseret på urinclearance af inulin [2]. Alle disse procedurer giver dog mulighed for kvantificering af GFR samtidigt for beggenyrer. Derfor fremstår den dynamiske kontrastforstærkede magnetiske resonansbilleddannelse (DCE-MRI) som et attraktivt alternativ - det muliggør ikke-invasiv overvågning af filtreringsydelsen i en enkeltnyresamtidig med at den giver rumligt opløst information om vævslæsioner såsom fokal segmentel glomerulosklerose.

I princippet producerer DCE-MRI-undersøgelsen en række T1-vægtede volumener, der er erhvervet på flere diskrete tidstrin af scanningsproceduren. Metoden består af intravenøs administration af en bolus af et gadolinium-baseret kontrastmiddel (CA). Mens CA-bolus passerer gennem det abdominale arterielle træ, kapillærlejet og rørsystemerne inyrerdet øger effektivt T1-relaksationstiden for de penetrerede væv og modificerer dermed kontrasten i billedet. Den tidsmæssige dynamik af denne billedsignalintensitetsændring afspejler fysiologiske tilstande for nyrefunktion og udgør grundlaget for farmakokinetisk (PK) modellering af nyreperfusion.

En række af de foreslåede PK-modeller forsøger matematisk at beskrive processen med blodperfusion i forskellige organer. Med hensyn tilnyre, antager de fleste af modellerne, at signal målt i en given vævsvoxel er en sum af bidrag, der stammer fra mindst to kompartmenter - intravaskulære (IV) og ekstracellulære ekstravaskulære (EEV) rum [3-6]. Ydermere, som i hver PK-model, er leveringen af ​​gadoliniumsporeren gennem en fødearterie til det interessante organ indkapslet af den såkaldte arterielle inputfunktion (AIF). I praksis er AIF i tilfælde af nyreundersøgelser tidsforløbet for kontrastmiddelkoncentrationen i abdominal aorta [7]. Ved at konvolvere AIF'en med en forskydnings- og spredningskerne opnår man sporstofkoncentration i IV-rummet. Til sidst er tidskurven for koncentrationen i EEV-rummet proportional med integralet af koncentrationen i IV-kompartementet, eventuelt moduleret af en eksponentiel faktor, der repræsenterer udstrømningen fra nyretubuli. Proportionalitetskoefficienten, ofte betegnet som Ktrans, styrer hastigheden af ​​CA-overførsel fra IV til EEV-rum. Ktrans ganget med organets volumen fører direkte til beregningen af ​​GFR.

Mere komplicerede, multi-kompartmentelle tilgange findes (f.eks. [8]), selvom deres potentielle kliniske anvendelse er tvivlsom. Vanskeligheden ligger i behovet for at sikre stabiliteten af ​​optimering af sådanne modelparametre, samtidig med at modelkurver tilpasses de observerede data. Desuden kræver disse modeller segmentering afnyreparenkym ind i cortex og medulla. Dette krav gælder faktisk også for modeller med to rum. Den klassiske model foreslået i [3], som er baseret på den generelle Rutland-Patlak model [9,10], er kun anvendelig til cortex-regionen. På den anden side er anvendelsen af ​​to-kompartment filtreringsmodellen [5] på hele nyren acceptabel for optagelsesfasen. Hvis man ønsker at måle perfusion, skal analysen igen begrænses til kun cortex. Under alle omstændigheder skal man udelukke bækkenregionen, som opsamler kontrasten ved udskillelsesfasen af ​​undersøgelsen. Derfor kræver automatisering af proceduren for DCE-MRI-dataanalyse ikke kun afgrænsning af nyren, men også mærkning af hver nyrevoxel som tilhørende enten den kortikale, medullære eller bækkenklasse.

Problemet mednyresegmentering er blevet tacklet af mange forfattere. Ofte klassificeres voxels baseret på deres intensitetstidsforløb. For eksempel i [11] bruges k-middel-algoritmen til at gruppere voxels i klynger baseret på deres signalintensitets-tidsforløb. Denne tilgang blev videreudviklet i [12], hvor signalintensitets-tidsforløb blev forbehandlet af den diskrete wavelet-transformation. I sidste ende skal der anvendes en slags heuristisk baseret på både iboende klyngers egenskaber og forholdet dertil for at bestemme hvilken klynge der repræsenterer cortex, medulla, bækken og baggrund. Den helt uovervågede slutning lider af støjende inputdata, som ikke entydigt kan klassificeres i anatomisk meningsfulde kategorier. Det er især tydeligt med hensyn til voxelerne, der ligger på grænserne mellem cortex og medulla. De er tildelt klassen "andre dele", som også indeholder voxels uden fornyre.

Derfor består en ofte fulgt strategi i først at adskille en helhednyrefra andre dele af et billede. De afgrænsede områder af interesse bør præcist passe til nyregrænser for at slippe af med alle nabovoxler. Et eksempel på en sådan løsning er area-under-the-curve maps (AUC), der f.eks. bruges i [13]. De voxler i DCE-MRI-sekvensen, som penetreres af sporstoffet, fremstår lyse på AUC-kort på grund af det største område under deres signalintensitets-tidsforløb. Det er lærerigt at bemærke, at denne fremgangsmåde kræver enten manuel eller automatisk efterbehandling for at fjerne ekstrarenale strukturer, store blodkar og urinopsamlingskanaler.

Grov-til-fin segmenteringsstrategien blev også anvendt i [14], hvor konceptet Maximally Stable Temporal Volumes (MSTV) blev introduceret. MSTV-funktionerne gør det muligt at genkendenyrerved at detektere rumligt homogene og tidsmæssigt stabile strukturer. Finkornet segmentering opnås ved at reducere voxels tidsforløb til vektorer af hovedkomponenter, som derefter opdeles med k-midler til flere klynger. Til sidst skal de opnåede segmenteringer dog forfines iterativt for at fjerne eventuelle resterende støj. Tilsvarende i undersøgelsen beskrevet i [15] består den første fase af segmenteringsproceduren af ​​karakteriseringen af ​​signalforstærkningsdynamikken i abdominalvævene. Det observeres, at medulla, i modsætning til cortex, lever eller milt, udviser en konstant stigning i signalintensiteten, der forekommer senere i akkvisitionssekvensen. Efter at medulla voxels er identificeret, udføres dilatation efterfulgt af GrubCut-algoritmen for at skabe nyremasker. Finjustering opnås ved at klassificere voxels med en forudtrænet tilfældig skovklassifier. Voxels er kendetegnet ved deres respektive billedintensiteter i udvalgte tidsrammer af den dynamiske sekvens samt deres placering inden for ROI'erne konstrueret i første fase.

Selvom både MSTV- og GrubCut-baserede bidrag ser ud til at give tilfredsstillende resultater for flere datasæt, er de ret konceptuelt komplekse algoritmer, der ikke er tilgængelige i hverken kommerciel eller open source-software. Som sådan kan de ikke let adopteres af det kliniske samfund.

På den anden side gør de seneste fremskridt inden for konvolutionelle neurale netværksarkitekturer og den brede tilgængelighed af deres softwareimplementeringer dybe læringsmetoder særligt attraktive i anvendelse til segmentering af biologiske væv i medicinske billeder. Effektiviteten af ​​CNN'er i alsidige scenarier for MRI-dataanalyse er grundigt diskuteret i den omfattende gennemgang af [16]. Mere specifikt, i [17] forskellige netværksarkitekturer, dvs. fuldt konvolutionerende netværk [18], SegNet [19], U-Net [20] og DeepLabV3 plus [21], er blevet testet for semantisk segmentering af prostatacancer i T. 2-vægtet MR. Anatomiske MR-billeder blev også analyseret i [22]. Forfatterne udviklede en tilpasset CNN-arkitektur til automatisk at skitsere polycystisknyrer. En anden interessant tilgang er blevet præsenteret i [23], hvor deep learning blev anvendt til direkte inferens af hjerneperfusionskort fra en DCE-MRI-sekvens uden eksplicit at tilpasse en PK-model til målte signaler.

Der har været flere publicerede undersøgelser om anvendelsen af ​​CNN'er til segmentering afnyreri computertomografibilleder [24,25]. Men DL-drevet segmentering afnyrei kontrastforstærkede MRI-datasæt er stadig et uudtømt emne. Som et ekstraordinært eksempel på de publicerede værker, der specifikt er dedikeret til nyre-DCE-MRI undersøgelser, kan man nævne papiret af Haghighi et al. [26]. De konstruerede og trænede en kaskade af to CNN-netværk. Inputtet til denne kaskadeformede struktur er et 4D DCE-MR-billede. Det første netværk lokaliserer groft sagt venstre og højre nyre i billedet, hvorimod det andet er ansvarligt for den præcise afgrænsning af nyregrænser. Der blev dog ikke udført yderligere segmentering i cortex eller medulla, da kun hele nyreparenkymet blev brugt til at beregne GFR.

I lyset af ovenstående overvejelser er den fremgangsmåde, der præsenteres i dette papir, et svar på behovet for en automatisk algoritme, der på den ene side nøjagtigt genkendernyrerrum inden for DCE-MR-billedet, mens de på den anden side er relativt nemme at gengive af ethvert forskerhold. Derfor foreslår vi at:

1. Brug en CNN-arkitektur til semantisk segmentering afnyreparenkym,

2. beskrive parenkymale voxels med egenskabsaggregater afledt af transformationen af ​​signalintensitetsbølgeformerne ved principalkomponentanalysen (PCA),

3. skelne mellem cortex-, medulla- og bækkenregioner gennem klassificering af de ekstraherede PCA-egenskabsvektorer.

Detaljer om de anvendte algoritmer er præsenteret i afsnit 2. I afsnit 3 evaluerer vi segmenteringsresultaterne og hvordan den designede løsning påvirker stabiliteten af ​​estimerede PK-parametre. Mens vi udfører denne vurdering, antager vi også, at det er muligt at konstruere et universelt computerskema, der er i stand til at producere korrekte segmenteringer for nye emner udelukkende baseret på historiske data. Vi mener, at en sådan ordning kunne distribueres bredt og implementeres i klinikker med eller lidt ingen indsats for at tilpasse sig tilpassede billedoptagelsesprotokoller. For at nå dette mål har vi valideret den foreslåede beregningsproces på en "lead-one-subject-out" måde. Vi har skabt en række segmenterings- og klassifikationsmotorer, der hver er uddannet på en anden kohorte af patienter. Derefter er en given motor blevet testet på et emne, der ikke er set under træningsfasen. Diskussion af de opnåede resultater er givet i afsnit 4.

2. Materialer og metoder

2.1. Mri Data

Eksperimenterne og algoritmerne præsenteret i dette papir blev designet ved hjælp af et sæt af 20 målesekvenser opnået fra 10 raske frivillige. MR-undersøgelser blev udført på en 1,5 T enhed (Siemens Magnetom Avanto, Erlangen, Tyskland). Dataindsamlingsprotokollen omfattede billeddannelse af hvert individ to gange med 10 dages mellemrum ved hjælp af den kontrastforstærkede 3D-spoiled gradient-ekkometode (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- planopløsning=2,2 × 2,2 mm2, skivetykkelse=3 mm, optagelsesmatrix=192 × 192, antal skiver=30). Kontrastmiddel (0,025 mmol/kg GdDOTA) blev administreret intravenøst ​​med en flowhastighed på 3 ml/s. Hver målesekvens bestod af 74 billeder opnået med 2,3 s tidsintervaller.

For at reducere bevægelsesartefakter blev billeddannelsesprotokollen designet til at tage billeder på vejrtrækningsstop. For det første blev der opnået otte baseline præ-kontrastvolumener i løbet af 18-s vejrtrækningsperiode. 7 s efter Gadolinium-injektionen blev deltagerne instrueret i at holde vejret i 26 s for bevægelsesfri, first pass perfusion. Dernæst, under filtreringsfasen, blev vejrtrækningsperioder forkortet til 13 s og interleaves med 26 s fri vejrtrækning. For at lette vejrtrækningen modtog forsøgspersonerne nasalt ilt med en flowhastighed på 1 l/min.

Det resterendenyre bevægelse blev korrigeret i efterbehandling ved at udføre b-spline-registrering på hver DCE-MRI-sekvens. Til det formål brugte vi B-splines algoritmeimplementeringen fra Insight Toolkit (ITK) softwarebiblioteket [27]. I hver sekvens valgte vi en referenceramme svarende til et midtpunkt af perfusionsfasen og brugte den derefter som et fast volumen, som hvert andet (bevægende) volumen blev matchet til. B-splines-registrering blev udført fuldautomatisk, dvs. ingen fiducielle punkter blev markeret over væv af interesse. Derudover blev proceduren lanceret i en flertrinskonfiguration. I hvert trin blev der brugt forskellige indstillinger af gitterstørrelse og subsampling rater. For en detaljeret fortolkning af disse parametre henvises læseren til ITK-dokumentationen. Kort sagt tillod de at udføre registrering af billeder i forskellige skalaer - begyndende fra grov matching og derefter finpudse resultatet.

For behovet for algoritmedesign og -evaluering blev alle volumener manuelt kommenteret af en radiolog med ekspertise i MR-urografi. I hver tidsramme, venstre og højrenyrerblev afgrænset. Derefter, i to rammer forbundet med perfusions- og udskillelsesfaser, blev parenkymale voxels tildelt til cortex, medulla eller bækken.

Mellem undersøgelserne gennemgik frivillige iohexol-clearance-proceduren. Forsøgspersonerne fik administreret en dosis på 5 ml iohexol (300 mg I/ml; Omnipaque 300, GE Healthcare). Derefter blev jordsandhedens GFR-værdier bestemt for at muliggøre validering af billedafledte perfusionsestimater.

Deltagerne blev instrueret i at nægte alkohol og proteinrige måltider, undgå overdreven fysisk anstrengelse, være normalt hydreret mindst 2 dage før undersøgelsen og ikke have koffein på undersøgelsesdagen. For at sikre sammenlignelige undersøgelsesforhold mellem scanningssessioner og iohexol-clearance-testen, blev det også anbefalet at opretholde regelmæssige spisetider og diæt. Alle frivillige gav deres skriftlige informerede samtykke til deltagelse i undersøgelsen, som blev godkendt af Institutional Review Board på Haukeland University Hospital Bergen, Norge.

2.2. Oversigt over segmenteringspipeline

Den foreslåede segmenteringspipeline er visualiseret i figur 1. Den indledende grove segmentering udføres af et fuldt foldet neuralt netværk af U-Net-strukturen. Dette trin blev udført på efterfølgende todimensionelle tværsnit af et enkelt volumetrisk billede fra DCE-MRI-sekvensen. Dette billede svarer til rammen af ​​den højeste signalforstærkning i cortex-regionen, når opdelingen af ​​nyreparenkymet i cortex og medulla er tydeligt synlig.

Vi antog, at et enkelt tværsnit kan opdeles i venstre og højre side, hver med 96-pixelbredde. På en given side er det muligt centralt at lokalisere en billedpatch på 96-pixels højde, der dækker hele énnyre. På denne måde sikrede vi, at venstre og højrenyrersegmenteres og behandles separat. I øjeblikket krævede vores metode, at denne antagelse holdt under tilbagekaldelsesfasen af ​​netværksoperationen. Under træning var det tilstrækkeligt, hvis et billedplaster indeholdt i det mindste en del af nyreparenkymet. Desuden blev 96 × 96 plasterstørrelsen justeret til opløsningen i planet af DCE-MRI-data, der er tilgængelige i denne undersøgelse, og bør modificeres under forskellige optagelseskonfigurationer.

Grov segmentering kan nogle gange kræve yderligere forfining for at afvise små ekstrarenale klynger af falsk segmenterede pixels. I vores algoritme blev de tilsluttede komponenter identificeret, og kun den største blev videregivet til næste fase. Bemærk desuden, at selvom vores semantiske segmenteringstrin blev udført i 2D, blev det anvendt på alle tværsnit af et givet volumen. De efterfølgende analyser blev udført voxel-vist, således at GFR effektivt blev beregnet ud fra alle nefroner fordelt i 3D cortex ROI.

Takket være billedregistrering i tidsdomænet,nyremasker genereret for én frame kunne anvendes på alle andre frames i den dynamiske serie. Renale voxels blev således foreskrevet funktionsvektorer sammensat af MRI-signalintensitetsværdier målt i efterfølgende tidspunkter. For at opnå mere generelle karakteristika for signaldynamikken udtog vi funktionsaggregater ved hjælp af PCA-transformation. De 20 mest informative aggregater blev udvalgt til at beskrive hver nyrevoxel. Til sidst tildelte en klassificer, der var trænet til at skelne mellem tidsmæssige karakteristika af cortex-, medulla- og bækkenregioner, en voxel til en passende kategori.

Rationalet bag den foreslåede to-trins tilgang var at sikre, at den endelige anerkendelse var baseret på maksimalt sikre grundsandhedsannotationer. Hvis det var et CNN til at segmentere cortex fra medulla og bækken, skulle der oprettes nøjagtige målmasker, og annotatoren skulle træffe en beslutning, hvor den faktiske grænse mellem de forskellige væv ligger. I mange tilfælde var dette ikke trivielt på grund af den delvise volumeneffekt. Derfor kunne en sådan beslutning, og dermed den trænede netværksmodel, være forudindtaget i retning af en unik observatøroplevelse. Alternativt besluttede vi at træne en klassifier ved kun at bruge signalerne fra utvetydige steder, som beskrevet nedenfor. Senere, under fremadgående slutningen, var det algoritmens ansvar objektivt at diskriminere voxels, der tilhører eventuelle omstridte regioner.

Endelig blev alle beregningsenheder i den foreslåede procedure - CNN og klassifiermodel, samt PCA-transformationsmatrixen - opnået for en kohorte af patienter uafhængigt af det aktuelt behandlede datasæt. I de følgende underafsnit giver vi implementeringsdetaljerne for de enkelte moduler i algoritmen.

2.3. Cnn for semantisk segmentering

Blandt de tilgængelige U-Net-varianter brugte vi implementeringen offentliggjort på [28]. Da den adskilte sig fra arkitekturen beskrevet i det originale papir [20], opsummeres de specifikke karakteristika af denne struktur, tilpasset til behovene i vores undersøgelse, først.

2.3.1. Netværksarkitektur

U-Net foldede neurale netværk blev oprindeligt udviklet til segmentering af neuronale strukturer i elektronmikroskopiske stakke og viste sig at være effektivt i adskillige andre biomedicinske applikationer. Som sagt var inputtet til vores model et 2D-gråniveau-billede - et tværsnitsfelt af et enkelt 3D DCE-MRI-volumen. Størrelsen af ​​plasteret blev justeret til 96 × 96 pixels (se figur 2).

Det karakteristiske ved U-Net er, at det indeholder to symmetriske dele - en sammentrækkende og en ekspansionsvej. Målet med den kontraktive vej er at indkode billedpixels intensitetsmønstre ved at udføre foldning med en serie på 3 × 3 filtre af træningsbare vægte. Filtreudgange aktiverer netværkets hovedbearbejdningskomponenter - neuronerne kaldet rectified linear units (ReLU). De giver mulighed for at modellere ikke-lineære forhold mellem billedfunktioner og outputsegmenteringskortet. Således kan kodningsstadiet sammenlignes med en proces, der i digital billedbehandling er kendt som feature-ekstraktion. Det efterfølges af max-pooling-operationen, som nedsampler funktionskortene.

Sammentrækning gentages fire gange for at udtrække billeddeskriptorer på forskellige skalaniveauer. Hvert niveau er faktisk dannet af en blok, der består af to foldningslag, hver efterfulgt af et batch-normaliseringslag, som opretholder konstant middelværdi og standardafvigelse af output-indlejringerne inden for en given batch. Batch-normalisering sikrer således, at funktioner med lav-intensitetsdynamik har lige så stor betydning som dem, hvis rækkevidde er større. Konvolutions- og normaliseringslagsparrene er adskilt af dropout-laget, som tilfældigt sætter 20 procent af inputknuderne til 0. Denne mekanisme, der kun er aktiv under træningsfasen, forhindrer netværket i at overtilpasse [29].

Outputtet fra den sidste ned-samplingblok, kaldet flaskehals, sendes videre til ekspansions- eller afkodningsstien. Den er bygget op af det samme antal up-sampling-niveauer som den kontraktive del, og dens hovedopgave er at gendanne den oprindelige rumlige opløsning. I denne undersøgelse blev up-sampling realiseret ved transponeret foldning. Hver afkodningsblok var også sammensat af to par foldnings- og batch-normaliseringslag. I modsætning til kodningsblokkene blev der imidlertid ikke indsat nogen dropout-mekanisme imellem. Desuden tilførte højopløsningsfunktionskortene, der blev udtrukket i ned-samplingsstien, ikke kun de efterfølgende kodningslag, men blev også sammenkædet til inputs af dekodningslagene på de respektive niveauer af op-samplingstien. Disse yderligere forbindelser hjalp afkodningsblokkene med at genoprettenyresegmenter lokalisering mere præcist.

Som det kan ses i figur 2, bestod kodningsblokke af et stigende antal foldningsfiltre, der går dybere ned i den kontraktive vej. Startende fra 64 filtre i de to første foldningslag nåede antallet af feature maps op på 1024 i flaskehalsen, og blev fordoblet ved hvert nedsamplingsniveau. Tværtimod blev antallet af filtre i ekspansionsvejen divideret med faktoren to på hvert opadgående trin. Som følge heraf havde det endelige feature map igen en dybde på 64.

Outputtet fra den sidste up-sampling-blok blev forbundet til et foldningslag med 1 × 1--størrelsesfiltre. Den udførte pixelvis foldning af filterkernen med en 64-elementfunktionsvektor og sendte derefter resultatet til en outputaktiveringsfunktion. I vores design blev en sigmoid-aktivering brugt, da den endelige beslutning var binær - en pixel tilhørte nyreparenkym eller baggrund.

2.3.2. Uddannelse

Netværksvægte blev initieret til en tilfældig tilstand ved metoden ifølge He et al. [30]. Træningsprocessen blev udført på billedplastre beskåret fra DCE-MRI-volumener, som hver indeholdt en enkelt, venstre eller højrenyretværsnit. Som beskrevet ovenfor blev 96 × 96- pixel billedplastre ekstraheret fra volumener af DCE-sekvensen svarende til perfusionsfasen, dvs. tidsrammer for den maksimale signalkontrast mellem cortex og medulla. For at øge antallet af træningsbilleder, for hver undersøgelse, valgte vi faktisk tre sådanne tidsrammer - den med maksimal signalforstærkning i cortex-regionen, en forudgående og en efterfølgende tidsramme. I hvert billedvolumen, en enkeltnyrevar synlig på 12 skiver i gennemsnit. Det gav cirka 1440 træningsplastre.

Selvom U-Net-netværk normalt kan klare små træningsprøver, besluttede vi at forstørre datasættet yderligere gennem dataforøgelse. Dette blev opnået ved at vælge 10 forskellige lodrette positioner af billedplasteret og ved tilfældigt at spejle det i vandret retning. Mens vi valgte plasterpositioner, sikrede vi os, at det omfavnede en tilstrækkelig stor del af billedcentret, der indeholdt betydelige fragmenter af nyreparenkymet (se figur 3). Samlet set nåede antallet af tilgængelige billeder til træning værdien af ​​13.964. En tredjedel af træningsbillederne blev adskilt til valideringsformål.

Vi trænede 10 forskellige CNN-modeller, en til hver patient. Mens man byggede en model dedikeret til et givet emne, blev dens tilsvarende billedlapper (uanset eksamenssessionen) fjernet fra trænings- og valideringssættene og kun brugt til test. Netværkets vægte blev opdateret ved hjælp af den stokastiske gradientnedstigningsalgoritme med den konstante indlæringshastighed=0.01 og momentum=0.99. Den tabsfunktion, der blev valgt til at optimere, var det binære krydsentropikriterium, defineret som

hvor N er antallet af voxels, Yi er den sande voxel-etiket, og p(Yi) er netværksforudsigelsen, at i-te vektor faktisk tilhører klassen Yi, med 0 < p(Yi) < 1. Derudover , for at overvåge kvaliteten afnyresegmentering over træningsepoker, beregnede vi Jaccard-koefficienten, herefter betegnet som IoU (intersection-over-union)

hvor K angiver antallet af pixels i en behandlet skive, og y er den forudsagte pixelkategori. Her var kategorier boolesk værdifulde, og en pixel blev mærket True, hvis den tilhørtenyre, Falsk ellers. For hvert emne blev optimeringsalgoritmen kørt i 50 epoker. Den lagrede model svarede til epoken med minimumscore på tabsfunktionen opnået for valideringsdatasættet.

2.4. Klassificering afNyreVoxels

2.4.1. Feature Extraction

Differentiering af voxels, der repræsenterer særlige nyrekompartementer, kunne være baseret på tidsforløb for rå signalintensitet. Vi foreslår imidlertid at transformere signalbølgeformer, dvs. vektorer med 74 tidsmæssige træk, til rummet med reduceret dimensionalitet ved hjælp af principal komponentanalyse (PCA). Formålet med denne transformation er ikke kun at mindske kompleksiteten af ​​den resulterende klassifikationsmodel, men også at uddrage mere generelle karakteristika vednyrevæv, en repræsentant for forskellige fag. Selv i den samme kliniske enhed kan DCE-billeddannelse desuden udføres i en sekvens, der, selvom den dækker et lignende tidsinterval, har en anden tidsmæssig opløsning. Derfor kan et beslutningssystem, der accepterer et ensartet funktionsmønster, ved at bruge PCA-transformationsobjekt som en adapter, anvendes på inputdatavektorer med variabel længde.

Vi antog, at de udtrukne PCA-komponenter skulle forklare mindst 90 procent af den oprindelige datasætvarians. For at opfylde dette krav for hvert emne skulle der konstrueres mindst 20 featureaggregater. Som vi observerede, førte et større antal komponenter ikke til højere klassificeringsnøjagtighed.

2.4.2. Klassificering af funktionsvektorer

Tildeling af renal voxels til cortex, medulla eller bækken udføres af en klassificer, der er trænet på en overvåget måde. I vores tilgang tjener historiske data som mønstre til opbygning af passende beslutningsregler, senere anvendt på nye undersøgelser. Vi har testet tre klassifikationsalgoritmer for at finde den bedste ordning på tværs af alle fagene. De undersøgte metoder omfattede logistisk regression, støttevektormaskiner og XGBoost-beslutningstræer. I det følgende genkalder vi de anvendte algoritmers karakteristika og beskriver, hvordan træningsdataene blev udarbejdet.

Træn og test datasæt.Træningsvektorerne blev erhvervet fra områder af interesse, der manuelt var annoteret på de respektive parenkymale steder. Annoteringerne blev kun lavet i voxels, hvis medlemskab var utvetydigt (se figur 4a,b), hvilket lod en uddannet klassifier beslutte om den dominerende vævskategori i tilfælde af voxels delvist fyldt med forskellige rum. Antallet af træningsvektorer indsamlet fra de 20 tilgængelige undersøgelser oversteg værdien på 60,000. Dette datasæt blev opdelt i 10 fold, som hver indeholdt datavektorer fra alle undtagen ét individ, efterladt adskilt til testformål. I en given fold var klassefordelingen omtrentlig som følger: cortex-58 procent, medulla-31 procent, bækken-11 procent. For at give klassifierere en chance for at lære at skelne kategorier med samme nøjagtighed, blev undergrupperne, der repræsenterer cortex og medulla, i hver træningsfold omprøvet for at matche størrelsen af ​​bækkenkategorien. I gennemsnit omfattede træningssættet efter resampling over 16,000 vektorer pr. fold. I en given træningsfold blev data fra begge eksamenssessioner inkluderet. På den anden side indeholdt testfolderne 600 til 4800 vektorer afhængigt af patienten og undersøgelsessessionen. Klassifierere blev evalueret ved hjælp af den balancerede nøjagtighedsscore beregnet på testsættene.

Logistisk regression.Den logistiske regressionsklassificer modellerer sandsynligheden for, at en egenskabsvektor tilhører en af ​​to kategorier. Algoritmen tilpasser en lineær funktion til træningsdataene, og resultatet af regressionsligningen for et givet datapunkt sendes til den logistiske transformation

hvor p(yi|xi) angiver sandsynligheden for en klasse yi givet et datapunkt xi med Yi e {{{0}}, 1}, hvorimod vægtvektoren w sammen med skæringspunktet w0 bestemmer den tilpassede regression linje.

Som sådan gælder ligning (3) for binære klassifikationsproblemer. I tilfælde af tre nyreregioner skal der derfor enten bygges tre one-versus-rest klassificere, eller en multinomiel regressionsmodel er egnet [31]. I vores forsøg bruger vi sidstnævnte variant. Parametre w i den lineære model findes ved at minimere log-tab cost-funktionen med L2-regulariseringsterm:

hvor vores undersøgelse K=3 og pi,c er den forudsagte sandsynlighed for, at vektoren tilhører klasse c. Ovenstående optimeringsproblem blev løst med den Stokastiske Average Gradient (SAG) nedstigningsalgoritme [32] implementeret i Scikit-Learn-pakken [33]. Vi valgte SAG på grund af dets anbefaling om store datasæt og understøttelse af L2-regularisering.

Support Vector Machines. Support vektormaskiner (SVM) udgør en klasse af algoritmer, der konstruerer et hyperplan med maksimal margin, der skelner mellem forskellige kategorier [34]. Beslutningen om kategorimedlemskab af en vektor x bestemmes af hyperplanligningens fortegn

hvor jeg betegner indekset for et træningseksempel, xi er en tilsvarende egenskabsvektor, og Yi er dens sande klassebetegnelse. Mens denne model tilpasses til træningsdata, løses et begrænset kvadratisk optimeringsproblem. Som et resultat heraf findes et sæt af ikke-nul Langrage-multiplikatorer ai, som sammen med deres respektive støttevektorer xi og skiftparameteren b bestemmer placeringen og orienteringen af ​​den søgte grænse.

Et punktprodukt i (5) kan erstattes af en kernefunktion for at muliggøre anvendelse af SVM til ikke-lineære problemer. Kernetricket transformerer implicit funktionsvektorerne til et rum af højere dimension, hvor det bliver muligt at bestemme det adskillende hyperplan. Figur 4c viser fordelingen af ​​træningsvektorernes delmængde for en af ​​deltagerne. Denne visualisering blev opnået ved at transformere data fra rummet af 20 PCA-funktionsaggregater til et rum med tre dimensioner ved hjælp af t-distribueret stokastisk naboindlejring (TSNE) metode [35]. Det kan ses, at selvom lineær adskillelse af cortex-, medulla- og bækkenklasser er plausibel, kan adskillelsesgrænsen være bedre modelleret af en eller anden ikke-lineær funktion. I vores eksperimenter blev de bedste resultater sikret af den radiale basisfunktionskerne

hvor |.|angiver é2-normen. Da perfekt adskillelse af klasserne i virkelige datasæt er sjælden, tillader optimeringskriteriet - gennem en ekstra metodeparameter, der normalt er betegnet med bogstavet C - at et vist antal datapunkter overtræder beslutningsgrænsen. Parametrene og C bidrager omvendt til SVM-modellens kompleksitet. Derfor tunede vi deres værdier ved hjælp af den udtømmende gittersøgningsalgoritme i et femdobbelt krydsvalideringseksperiment. De bedste resultater blev rapporteret for=0.05 og

C = 1.

XGBoost beslutningstræer.Konceptet med ekstrem gradientboosting (XGBoost) blev introduceret af Chen og Guestrin [36] for at lette træningen af ​​et ensemble af klassifikations- og regressionstræer (CART). I modsætning til klassiske tilfældige skove formaliserer læringsalgoritmen regulariseringsmekanismen og brugen af ​​alsidige objektive tabsfunktioner. Takket være disse fordele har den for nylig vist sig effektiv i adskillige maskinlæringsproblemer, der involverer store, højdimensionelle datasæt.

Konstruktionen af ​​et XGBoost-ensemble er baseret på strategien med såkaldt additiv træning. Ved hvert trin t tilføjes et nyt træ til modellen, som minimerer den samlede tabsfunktion

hvor t ü 1) er klasseetiket forudsagt af ensemblet konstrueret hidtil, l måler fejlen mellem den forudsagte og den sande etiket Yi, hvorimod ft svarer til en træstruktur af T-blade, som tildeler hver med datavektor en score wq (xi), hvor q er en funktion, der tildeler datapunkt xi ved et givet træblad. Både T og vægte definerer regulariseringsudtrykket

hvor og λ-parametre styrer virkningen af ​​træstørrelsen og efterlader score på strafværdien. I den konfiguration, der blev brugt i vores undersøgelse, blev og λ sat til henholdsvis {{0}}.1 og 0.9. Desuden var antallet af træer i ensemblet lig med 10, og den maksimalt tilladte dybde af et træ var 4. Til sidst brugte vi soft-max-funktionen som et objektivt kriterium l.

2.5. Farmakokinetisk modellering

Udover at evaluere segmenteringsresultaterne direkte med brugen af ​​IoU-koefficient, sammenlignede vi også billedafledte GFR-værdier mod de jordsandhedsbaserede iohexol-målinger. Med henblik på GFR-bestemmelse anvendte vinyre-specifik to-rums filtreringsmodel (2CFM) [5]. Denne PK-model dekomponerede nyrevæv i de intravaskulære (IV) og ekstracellulære ekstravaskulære (EEV) rum og antog ingen tubulær udstrømning inden for modelleringsperioden. Selvom modellen kunne bruges til at estimere renal perfusion enten i cortex eller hel nyreparenkym, skulle kun den tidligere region tages i betragtning ved beregning af GFR.

For at tilpasse modellen til et målt signal S(t), skal et respektive gennemsnitligt billedintensitetstidsforløb konverteres til koncentrationsbølgeformen Ctissue(t), uafhængigt af den betragtede nyreregion. Vi opnåede det ved hjælp af transformationen beskrevet i [37] justeret til gradientekkosekvensen. På den anden side er C-væv(t) beskrevet af 2CFM-modellen styret af ligningen

hvor C betegner den arterielle inputfunktion, VP —plasmavolumenfraktion og C—CA-koncentration i blodplasmaet. Det første led i (9) repræsenterer CA-koncentrationen i EEV-rummet, hvorimod det andet led dækker koncentrationen i IV-rummet opnået ved at konvolvere arteriel inputfunktion med den vaskulære impulsresponsfunktion (VIRF), defineret som

Som sådan modellerer VIRF forsinkelsen og spredningen af ​​AIF i forhold til CA-strømmen gennem kapillarlejet. Variabler Tg - spredningstidskonstanten og X - forsinkelsesintervallet sammen med volumenfraktionen VP og overførselskonstanten Ktrans danner det komplette sæt af 2CFM-modelparametrene. Deres estimering udføres normalt i den ikke-lineære mindste kvadraters (NLLS) kurvetilpasningsprocedure. Trust Region-Reflective-metoden [38], anvendt i denne undersøgelse, er en af ​​de mulige optimeringsmidler, der bruges til numerisk at løse NLLS-problemet. I modsætning til down-simplex-metoder giver det mulighed for at sætte begrænsninger på parameterværdier og dermed sikre, at de endelige estimater falder inden for det fysiologiske område. De begrænsninger, der antages i vores undersøgelse, er angivet i tabel 1.

Vi implementerede algoritmen til optimering af 2CFM-modellen i den brugerdefinerede software skrevet i Python, tilgængelig til download på [39]. Algoritmen blev lanceret for hver patient ved hjælp af cortex-regionerne enten opnået automatisk af den ovenfor beskrevne segmenteringspipeline eller annoteret manuelt. Under alle omstændigheder blev AIF'en bestemt automatisk ved hjælp af vores metode offentliggjort tidligere i [40].

2.6. Statistisk analyse

Et af målene med at automatisere processen med DCE-MR-billedsegmentering er at sikre stabile og gentagelige perfusionsestimater. Derfor udførte vi den studerendes t-test for de relaterede (gentagne) prøver for at verificere nulhypotesen om ens GFR-middelværdi estimeret på to undersøgelsesbegivenheder. Desuden beregnede vi repeterbarhedskoeficienten defineret som [41]

hvor σdiff er standardafvigelsen af ​​forskellene mellem GFR'er lavet på samme emne og ╱pool angiver gennemsnittet af alle målinger. Størrelsen ′2σdiff også omtalt som enkeltmålingsstandardafvigelse (σsm), er et estimat af standardafvigelsen af ​​forskelle i par af potentielt mange på hinanden følgende målinger [42]. Ud over repeterbarhedsvurderingen blev reproducerbarheden af ​​billedbaseret GFR-estimering evalueret ved hjælp af Bland-Altman-plot. Til sidst blev resultaterne af analyse opnået for de automatisk fundne nyresegmenter sammenlignet med manuelle annoteringer.

Cistanche kan lindrenyrereffektivt

3. Resultater

Figur 5 viser eksempler på output fra det semantiske segmenteringsnetværk for to af de deltagende emner sammen med annotationsmaskerne for grundsandheden. De tilsvarende træningsprocesser er visualiseret i figur 6, som plotter udviklingen af ​​tabs- og evalueringsmetrikken for både trænings- og valideringssættet. Man kan observere, at efter de første par epoker lå IoU-kurver for trænings- og valideringssættene tæt på hinanden, og netværket gik ikke i overfitting-tilstand. Samtidig var der et monotont fald i tabsfunktionen, hvilket beviste, at netværket fik generaliseringsevnen. IoU-koefficienterne for lighed mellem manuelle annoteringer og de automatisk fundnenyreregioner opnået efter fjernelse af de ekstrarenale øer, der er afbrudt med hovedsegmenterne, er samlet i tabel 2. Den gennemsnitlige IoU for alle forsøgspersoner og undersøgelser=0.94 og den virkede lateralt ligegyldig.

I det næste trin blev parenkymale voxels klassificeret i separate nyrekompartmenter. En sammenligning af de tre testede klassificere er præsenteret i tabel 3. Den evaluerer hver metode med hensyn til tre metrikker – balanceret nøjagtighed, genkaldelse og præcision. De to sidstnævnte blev bestemt for hver nyrekategori separat. Den balancerede nøjagtighedsmetrik blev opnået som gennemsnittet af sande positive rater opnået for bestemte klasser. Alle præsenterede score var middelværdier over 20 testpersoner. De tre testede klassificere opnåede lignende præstationer med hensyn til de sande positive rater (ca. 95 procent). Samlet set var det dog SVM, der udviste den bedst afbalancerede nøjagtighed (96 procent) og fik også større end de andre metoders evne til at undgå falsk-positive påvisninger. Det var særligt tydeligt

for bækkenregionen, hvor præcision=92 procent mod 89 procent tilbydes af logistisk regression og XGBoost-klassifierer.

Høje klassificeringsnøjagtigheder blev oversat til lige så gode segmenteringsresultater (tabel 2), som igen blev vurderet ved hjælp af Jaccard-koefficienten. Denne gang blev det imidlertid beregnet som summen af ​​IoU'erne bestemt for hver region separat og derefter vægtet af dens støtte, dvs. antallet af jordsandhedsvoxels, der repræsenterer en given klasse. For at muliggøre sammenligning med de andre værker genberegnede vi de opnåede Jaccard-rater til Terningkoefficienter (F1-score) med formlen.

Ved hjælp af vores algoritme opnåede vi den gennemsnitlige Jaccard-koefficient for cortex-klassen i venstrenyresvarende til 93,2 pct. I tilfældet med de andre regioner svarede IoU til cirka 91 procent, bortset fra bækkenklassen i venstre sidenyre hvor det faldt til 90,1 pct. Kvaliteten af ​​fin segmentering kan bekræftes visuelt ved at analysere eksempler pånyre nedbrydning i regioner vist i figur 7. For at muliggøre vurderingen i en bredere sammenhæng udførte vi også segmentering med to alternative metoder foreslået i litteraturen. Den første består i at udtrække DCE-signalkarakteristika ved hjælp af den diskrete wavelet-transformation (DWT) med Daubechies-4 wavelet, som postuleret f.eks. i [12]. Derefter klassificerede vi DWT-koefficientvektorer ved hjælp af SVM-algoritmen. I den anden sammenlignede metode blev PCA-egenskabsvektorer grupperet ved hjælp af en k-middel-algoritme (med k=3), som beskrevet i [14]. Denne anden tilgang formåede ikke at skelne korrekt mellem cortex og medulla. Størstedelen af ​​voxels, der repræsenterede begge regioner, blev omfavnet i en fælles klynge, og kun bækkenet blev anerkendt som en autonom del af parenkymet på de fleste af tværsnittene. I modsætning til resultaterne opnået ved klyngedannelse er regionerne produceret på en overvåget måde ved hjælp af DWT-baserede voxelsbeskrivelser mere nøjagtige. Imidlertid er antallet af falske genkendelser tilsyneladende højere end i tilfældet med PCA-egenskabsvektorer. Den opnåede balancerede nøjagtighedsscore for SVM-klassifieren var kun 78 procent i dette tilfælde. Se de sidste to rækker i tabel 3 for den kvantitative sammenligning af disse alternative partitioneringsskemaer med Xgboost, lineær regression og den bedste i vores undersøgelse SVM/PCA-algoritme.

Resultaterne af segmenteringsstadiet blev brugt til at bestemme de gennemsnitlige signaler i nyrebarken. Dette signal blev derefter tilpasset den 2CFM farmakokinetiske model. Figur 8 viser, hvordan enkelt-nyreglomerulære filtrationshastigheder(SK-GFR) opnået på denne måde svarer til de relevante scores udledt ved hjælp af de manuelle annoteringer. De gennemsnitlige SK-GFR-værdier på tværs af alle forsøgspersoner og undersøgelser som opnået efter automatisk og manuel segmentering er ens (56 versus 55 ml/min/1,73 m2), og den observerede forskel er statistisk insignifikant (T-statistik=0.75, p-værdi=0.46). Derudover beviser den lineære tilpasning mellem de to typer målinger deres gode overensstemmelse med r2=0.13 og 0.49 for henholdsvis MR-undersøgelsessession 1 og 2.

Bland-Altman-plottene vist i figur 9 giver os mulighed for at vurdere overensstemmelsen mellem de samlede GFR'er med de jordsandheds-iohexol-baserede rater. Forud for anvendelsen af ​​Bland-Altman-metoden blev normalfordelingen af ​​målingerne bekræftet ved hjælp af Shapiro-Wilk-testen. De opnåede p-værdier er angivet i de relevante plotforklaringer. Middelforskellen for MR-undersøgelsessession 1 i form af absolutte værdier var mindre for manuelle segmenteringer (ü0,8 mod ü7,4 mL/min/1,73 m2). I tilfælde af session 2 var værdierne af ╱d konsistente mellem segmenteringsmetoder, selvom overensstemmelsen med referencemetoden var svagere. Den foreslåede algoritme så dog ud til at fungere lidt bedre (ü 12,9 versus ü 14,1 mL/min/1,73 m2). På baggrund af de opnåede resultater kunne det ikke afgøres, hvilken segmenteringstilgang der sikrede snævrere grænser for enighed. I tilfælde af session 1 favoriserede sammenligningen manuel segmentering (π=31,3 versus 35,5 mL/min/1,73 m2). Imidlertid blev de snævreste grænser for overensstemmelse og konfidensintervaller på tværs af alle eksperimenter opnået for session 2 og automatisk mærkning (π=25,1 mL/min/1,73 m2). Begge segmenteringstilgange førte til gentagelige resultater (se tabel 4) med variationskoeficienten lig med 30,2 procent i værste fald (manuel segmentering, venstrenyre). Tilsyneladende sikrede automatisk segmentering bedre stabilitet med variationskoefficienter dobbelt så lave som i tilfældet med manuelle modparter. P-værdierne opnået i Students t-test for de relaterede prøver var alle over konfidensniveau a=0.05, hvilket viser utilstrækkeligt bevis mod nulhypotesen om, at der ikke er nogen signifikant forskel mellem de observerede gennemsnit af SK-GFR-målinger. Imidlertid var p-værdien beregnet for venstre nyre og manuel segmentering relativt lille. Yderligere undersøgelse, der potentielt involverer en større prøve, er nødvendig for at bekræfte eller afvise repeterbarheden af ​​målingerne i dette tilfælde.

4. Diskussion

Det primære mål med denne undersøgelse var at designe en effektiv metode tilnyresegmentering i DCE-MR billeder. Vi kombinerede de begreber, der delvist blev foreslået i tidligere offentliggjorte værker, til en ensartet beregningsramme. Det omfatter grov semantisk segmentering af nyreparenkym, PCA-transformation af MR-signaltidsforløb for at skabe voxels numerisk repræsentation og derefter aktivere deres klassificering til at producere finsegmentering af nyrevæv i cortex, medulla og bækken. Den foreslåede tilgang fører til nøjagtige resultater, der muliggør nyregenkendelse med en hastighed på 94 procent i forhold til Jaccard-koefficient. Segmentering af bestemte nyrekompartmenter kan opnås med IoU mellem 90 procent og 93 procent (96-95 procent af terningskoefficienten), afhængigt af vævstypen.

Når der refereres til andre publicerede resultater, er de opnåede forhold enten i god overensstemmelse eller lidt lavere. I [14] er terningerne for de raskenyresegmentering blev rapporteret på niveauet 99 procent (cortex), 98 procent (medulla) og 96 procent (bækken). Det blev dog også vist for simulerede data, at billedstøj kan forringe nøjagtigheden betydeligt til 82-85 procent. Da billeddannelsesprotokoller brugt deri og i vores undersøgelse adskilte sig både med hensyn til rumlig og tidsmæssig opløsning, kan de observerede uoverensstemmelser i intervallet 1-2 procent tilskrives forskellige støjniveauer i vores undersøgelser. Sammenlignelige scanningsbetingelser blev brugt i en gruppe pædiatriske patienter i [15]. Den gennemsnitlige F1-score observeret deri var lig med 93 procent for helhedennyreog 86 procent for nyrebarken. I [12] blev klyngebaseret segmentering evalueret ved hjælp af nøjagtighedsscore. De gennemsnitlige opnåede resultater var: 88 procent - cortex, 91 procent - medulla og 98 procent - bækken. Disse værdier kan samlet omtales som den balancerede nøjagtighedsscore, som tager højde for størrelsen af ​​et givent segment. Vores SVM-model ser således ud til at overgå den klyngebaserede tilgang, der tilbyder klassificeringsnøjagtighed såvel som tilbagekaldelsesrater på niveauet 96 procent selv for den største cortex-region.

Til sidst blev CNN-netværket dedikeret til anerkendelse af helhedennyrebeskrevet i [26] viste lavere ydeevne end vores U-Net-design og opnåede en F1-score=91,4 procent for de normale testpersoner.

De observerede forskelle i segmenteringsresultater bør også ses i lyset af algoritmens trænings-genkaldelseskonfiguration. I modsætning til nogle alternative tilgange [11,14] er vores strategi patientuafhængig. Når først de semantiske segmenterings- og klassifikationsmodeller er bygget, anvendes de på nye undersøgelser, der ikke findes i træningssættet. Derfor kan patientspecifikke funktioner ikke styre genkendelsesmekanismen og passer muligvis ikke til den trænede model, hvilket reducerer den samlede nøjagtighedshastighed. Desuden, som diskuteret ovenfor, på grund af den partielle volumeneffekt, der fortsætter på grænserne mellem cortex, medulla og bækken, er der stadig en vis dosis usikkerhed med hensyn til de manuelle referencesegmenteringer, som skal tages i betragtning, mens de rapporterede metrikker analyseres. Selvom SVM-klassificeren blev trænet på omhyggeligt udvalgte, vævsprægede jordsandhedssignaler, kan valideringsdata, som skal omfatte alle nyrevoxel, stadig lide af subjektivisme i observatørannotationerne.

Ud over den observerede evne til at producere nøjagtige segmenteringsresultater, besidder vores strategi en fordelagtig egenskab. Da vi bruger en overvåget klassificer til at tildele billedvoxler til passendenyreregioner, er der ikke behov for et separat mærkningstrin. I tilfælde af clustering er det nødvendigt at give en vis heuristik til fortolkning af den aktuelle kategori for hver cluster, hvis automatisering af hele proceduren skal sikres.

Som illustreret i figur 10 er der hovedsageligt to kilder til uoverensstemmelse mellem automatiske og manuelle annoteringer. For det første er grænsen mellem cortex og medullære pyramider tvetydig, og de tilsvarende voxels er delvist fyldt med begge typer

af nyrevæv. Mens den automatiske metode har en tendens til at inkludere sådanne voxels i cortex-klassen, blev de ofte udpeget som medulla af eksperten. På den anden side er selv den manuelle segmentering ikke konsistent i denne henseende, hvilket beviser vanskeligheden ved vilkårligt at bestemme klassen af ​​voxels, hvor den partielle volumeneffekt er dominerende. For det andet kan der observeres falske påvisninger, f.eks. på de ydre kortikale kanter. Disse effekter kan tilskrives fejlregistrering af billeder i tidsdomænet. Den anvendte b-spline registreringsmetode var ikke optimeret til behovet for denne undersøgelse og forbliver emnet for vores fremtidige undersøgelse.

De udførte eksperimenter viste også, at den foreslåede segmenteringsalgoritme forbedrer repeterbarheden af ​​billedbaseret SK-GFR-estimering. De beregnede variationskoefficienter var 14,5 procent og 17,5 procent for venstre og højrenyrer, henholdsvis. I tilfælde af manuelle annoteringer opnåede vi CoV=30,2 procent og 29,4 procent. Disse resultater skal vurderes med hensyn til naturlig GFR-variation forårsaget af uafhængige faktorer, såsom kost og tidspunkt på dagen. Det forventes, at serumkreatininniveauet, som korrelerer godt med GFR, kan opnå en variationsgrad på op til 10 procent [43]. Derfor er CoV på ca. 15 procent indikerer god repeterbarhed af proceduren, som anvender automatiseretnyresegmentering. Derudover falder de opnåede repeterbarhedsmetrikker inden for værdiområdet præsenteret andetsteds, f.eks. i [44] CoV=32 procent og 27 procent, hvorimod i [13], CoV=17,5 procent og 15,4 procent for venstre og højrenyrer, henholdsvis. I sidstnævnte undersøgelse blev CoV imidlertid kun beregnet ud fra forholdet mellem σsm og gennemsnittet af alle målinger uden den ekstra faktor på ′2. Hvis denne korrektionsfaktor afspejles, bliver deres rapporterede CoV'er 24,7 procent og 21,8 procent, hvilket er ret tæt på vores resultater.

Der kan rejses tre begrænsninger af vores undersøgelse. For det første kan den formodede opdeling i billedpatches få det semantiske segmenteringsnetværk til at lærenyresteder kun i nærheden af ​​en af ​​lappens kanter. I den videre udvikling af vores modeller vil det derfor blive undersøgt, hvordan algoritmen fungerer, hvis synsfeltet er konfigureret anderledes. For det andet blev segmenteringsalgoritmen designet med kun at bruge raske forsøgspersoner. Det kan især have betydelige konsekvenser i tilfælde af fin segmentering af nyreparenkymet. Justering af klassifikationsmodellen til de syge nyrer kan kræve at udvide antallet af klasser til mere end blot tre kategorier (cortex, medulla og bækken) for at afspejle forskellige tidsmæssige karakteristika af nyrevævslæsioner. For det tredje, for at beregne GFR, tilpassede vi 2CFM-modellen til det gennemsnitlige DCE-signal estimeret i den segmenterede cortex. På grund af den partielle volumeneffekt kan både manuel og automatisk segmentering klassificere nogle voxels som medullære, selvom de indeholder renal glomeruli. Ignorering af sådanne voxels kan være en af ​​årsagerne til observerede uoverensstemmelser mellem billedafledte og iohexol-baserede GFR-målinger. For at overvinde dette problem foreslår nogle forfattere [5] at bruge hele nyre-ROI for at sikre, at alle voxels, der bidrager til nyrefiltrering, er inkluderet i PK-modeltilpasningsprocessen. Vi fandt dog, at denne tilgang fører til en bemærkelsesværdig overvurdering af GFR for de tilgængelige datasæt i vores undersøgelse. Derfor planlægger vi i fremtiden at anvende dyb læringsbaserede superopløsningsteknikker og forsøge at opnå mere præcise annoteringer af kortikale voxels.

Desuden bør en fuldstændig 3D-tilgang til semantisk segmentering udnyttes. Det kan forventes, at et neuralt netværk, der er i stand til at behandle hele MR-volumener, vil producere mere præcistnyreannoteringer takket være yderligere dybdeinformation. Problemet i denne undersøgelse måtte dog reduceres til to dimensioner på grund af det relativt lille antal undersøgelser, der er tilgængelige til træning. Dekomponering af volumetriske billeder i 2D-tværsnit gjorde det muligt at øge træningsdatasættet betydeligt.

Til sidst, som beskrevet tidligere, blev den foreslåede tilgang valideret på "lead-one-subject-out" måden. Der blev skabt effektive, 10 uafhængige neurale netværk og klassificeringsmodeller. Et legitimt spørgsmål er, hvordan disse modeller kan anvendes på nye emner uden for stikprøven, der er tilgængelig i denne undersøgelse. En mulighed ville være at oprette et ensemble og indføre en afstemningsmekanisme. Alternativt kunne et nyt segmenteringsskema trænes (som omfatter både grove og finkornede trin) baseret på hele 10-emneprøven. Dens ydeevne med hensyn til nye datasæt bør være sammenlignelig med de ovenfor præsenterede resultater.

cistanche kan lindrenyresmerte, klik her for at vide mere

5. Konklusioner

Afslutningsvis demonstrerede vi i dette papir en beregningsramme til at understøtte den kvantitative vurdering afnyreperfusion ved at give en automatiseret måde til segmentering af nyrekompartmenter. De opnåede nøjagtighedsresultater beviser den pålidelige funktion af den designede metode. Desuden, i vores eksperimenter, fungerer alternative tilgange til at skelne mellem cortex, medulla og bækkensegmenter baseret på wavelet-transformationer og klyngealgoritmer mindre effektivt. Repeterbarheden af ​​SK-GFR-måling baseret på automatisk fundne segmenter forbedres sammenlignet med resultaterne af manuel behandling og forbliver også i god overensstemmelse med andre offentliggjorte resultater. Den designede segmenteringsmetode giver mulighed for øget objektivisme af de billedafledte perfusionsparametre og også potentielt hurtigere diagnosticering af nedsat nyrefunktion. Disse resultater bringer den kliniske anvendelse af DCE-MR-billeddannelse som en rutinemetode tættere pånyrediagnostik. Endelig, for at lette dette skift fra forskning til applikationsdomænet, gør vi vores softwareramme for farmakokinetisk modellering tilgængelig på [39]. Depotet inkluderer også scripts til DCE-signalbaseret funktionsudtrækning og klassificering.

Forfatterbidrag:Konceptualisering, AK; metodologi, AK og EE; software, AK; validering, AK; formel analyse, AK; undersøgelse, AK; ressourcer, EE og AL; datakuration, EE; skrivning — originalt udkast til forberedelse, AK; skrivning – gennemgang og redigering, AL og EE; visualisering, AK; tilsyn, AL; projektadministration, AK Alle forfattere har læst og accepteret den offentliggjorte version af manuskriptet.

Finansiering:Denne forskning modtog ingen ekstern finansiering.

Udtalelse fra det institutionelle revisionsudvalg:Undersøgelsen blev udført i overensstemmelse med Helsinki-erklæringen, og protokollen blev godkendt af de regionale komiteer for medicinsk forskningsetik - Vestnorge (REC West 2012/1869).

Erklæring om informeret samtykke:Alle forsøgspersoner gav deres informerede samtykke til inklusion, før de deltog i undersøgelsen.

Erklæring om datatilgængelighed:DCE-MR-billeder anvendt i denne undersøgelse kan ikke gøres tilgængelige, fordi det skriftlige samtykke underskrevet af deltagerne ikke dækkede aftalen om offentlig formidling af de indhentede data.

Interessekonflikt:Forfatterne erklærer ingen interessekonflikt.

Referencer

1. Zabell, JR; Larson, G.; Koffel, J.; Li, D.; Anderson, JK; Vægt, CJ Anvendelse af modifikation af diæt i nyresygdomsligning til estimering Glomerulær filtreringshastighedi den urologiske litteratur. 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 plasma clearance til målingglomerulær filtrationshastighedi klinisk praksis og forskning: En gennemgang. Del 1: Sådan målesglomerulær filtrationshastighedmed iohexol? Clin.NyreJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Glomerulær filtrationshastighed: Vurdering med dynamisk kontrastforstærket MRI og en kortikal-rum-model i kaninennyre. J. Magn. Reson. Billedbehandling 2004, 20, 843-849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO MRI-måling af perfusion og glomerulær filtration hos menneskernyremed en adskillelig rummodel. Undersøg. Radiol. 2008, 43, 40-48.

5. Tofts, P.; Cutajar, M.; Mendichovszky, I.; Peters, A.; Gordon, I. Præcis måling af nyrefiltration og vaskulære parametre ved hjælp af en to-kompartment model for dynamisk kontrastforstærket MRI afnyregiver realistiske normalværdier. Eur. Radiol. 2012, 22, 1320-1330.

6. Chen, B.; Zhang, Y.; Sang, X.; Wang, X.; Zhang, J.; Fang, J. Kvantitativ estimering af nyrefunktion med dynamisk kontrastforstærket MR ved hjælp af en modificeret to-rumsmodel. PLoS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovszky, I.; Tofts, P.; Gordon, I. Betydningen af ​​AIF ROI-selektion i DCE-MRI-renografi: Reproducerbarhed og variabilitet af renal perfusion og filtration. Eur. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, H.; Bokacheva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; Prins, K.; Sang, T.; Kramer, EL; et al. Nyrefunktionsmålinger fra MR-renografi og en forenklet multikompartmentmodel. Er. J. Physiol.-Renal Physiol. 2007, 292, F1548-F1559.

9. Patlak, CS; Blasberg, RG Grafisk evaluering af blod-til-hjerne-overførselskonstanter fra multiple-time-optagelsesdata. Generaliseringer. J. Cereb. Blodgennemstrømningsmetab. 1985, 5, 584-590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Måling af enkelt-nyreglomerulær filtrationshastighed ved hjælp af en kontrastforstærket dynamisk gradient-ekkosekvens og Rutland-Patlak plotteknikken. J. Magn. Reson. Billedbehandling 2003, 18, 714-725.

11. Zöllner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rørvik, J.; Santos, A.; Lundervold, A. Vurdering af 3D DCE-MRI afnyrerved hjælp af ikke-rigid billedregistrering og segmentering af voxel-tidskurser. Comput. Med. Billedbehandlingsgraf. 2009, 33, 171-181.

12. Li, S.; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Wavelet-baseret segmentering af nyrekompartmenter i DCE-MRI af menneskernyre: Indledende resultater hos patienter og raske frivillige. Comput. Med. Billedbehandlingsgraf. 2012, 36, 108-118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Dynamisk kontrastforstærket MR-måling af nyrefunktion hos raske deltagere. Acta Radiol. 2017, 58, 748-757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Renal kompartment segmentering i DCE-MRI billeder. Med. Billede Anal. 2016, 32, 269-280.

15. Yoruk, U.; Hargreaves, BA; Vasanawala, SS Automatisk nyresegmentering til MR-urografi ved hjælp af 3D-GrabCut og tilfældige skove. Magn. Reson. Med. 2018, 79, 1696-1707.

16. Lundervold, AS; Lundervold, A. En oversigt over dyb læring i medicinsk billeddannelse med fokus på MR. Z. Für Med. Phys. 2019, 29, 102-127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Evaluering af dybe neurale netværk til semantisk segmentering af prostata i T2W MR. Sensorer 2020, 20, 3183.

18. Shelhamer, E.; Long, J.; Darrell, T. Fuldt konvolutionelle netværk til semantisk segmentering. IEEE Trans. Mønster Anal. Mach. Intell. 2017, 39, 640-651.

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

20. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Konvolutionelle netværk til biomedicinsk billedsegmentering. I Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention, München, Tyskland, 5.-9. oktober 2015; s. 234–241.