Segmentazzjoni tal-kliewi b'saħħithom fl-immaġini Dce-Mr bl-użu ta' Netwerk Newrali Konvoluzzjonali u Karatteristiċi tas-Sinjali Temporali

Artur Klepaczko1 , Eli Eikefjord²u Arvid Lundervold^2,3,4

Astratt:Il-kwantifikazzjoni tal-perfużjoni renali bbażata fuq immaġini ta 'reżonanza manjetika mtejba b'kuntrast dinamiku (DCE-MRI) teħtieġ id-determinazzjoni tal-korsijiet tal-ħin tal-intensità tas-sinjal fir-reġjun tal-parenkima renali. Għalhekk, l-għażla ta 'voxels li jirrappreżentaw il-kliewitrid titwettaq b'attenzjoni speċjali u tikkostitwixxi waħda mil-limitazzjonijiet tekniċi ewlenin li tfixkel l-użu usa' ta' din it-teknika bħala rutina klinika standard. Is-segmentazzjoni manwali tal-kompartimenti tal-kliewi—anki jekk titwettaq minn esperti—hija sors komuni ta 'ripetibbiltà u riproduċibbiltà mnaqqsa. F'dan id-dokument, aħna nippreżentaw qafas ta 'proċessar għal awtomatikukliewisegmentazzjoni fl-immaġini DCE-MR. Il-qafas jikkonsisti f'żewġ stadji. L-ewwelnett,kliewimaskri huma ġġenerati bl-użu ta 'netwerk newrali konvoluzzjonali. Imbagħad, il-voxels tal-maskra huma kklassifikati għal wieħed minn tliet reġjuni—kortiċi, medulla, u pelvi—ibbażat fuq korsijiet tal-ħin tal-intensità tas-sinjal DCE-MRI. L-approċċ propost ġie evalwat fuq koorti ta’ 10 voluntiera b’saħħithom li għaddew mill-eżami DCE-MRI. L-iskannjar tal-MRI ġie ripetut fuq avvenimenti ta' darbtejn f'intervall ta' 10-ġurnata. Għall-kompitu tas-segmentazzjoni semantika, użajna arkitettura U-Net klassika, filwaqt li twettqu esperimenti dwar il-klassifikazzjoni tal-voxel bl-użu ta 'tliet algoritmi alternattivi—magni tal-vettur ta' appoġġ, rigressjoni loġistika u siġar li jsaħħu l-gradjent estremi, li fosthom SVM ipproduċa l-aktar riżultati preċiżi. Kemm il-passi tas-segmentazzjoni kif ukoll il-klassifikazzjoni twettqu minn serje ta 'mudelli, kull wieħed imħarreġ separatament għal suġġett partikolari bl-użu tad-dejta minn parteċipanti oħra biss. Il-medja kisbet preċiżjoni tat-totalitàkliewiis-segmentazzjoni kienet ta' 94 fil-mija f'termini ta' koeffiċjent IoU. Il-kortiċi, il-medulla, u l-pelvi ġew segmentati b'IoU li jvarjaw minn 90 sa 93 fil-mija skont in-naħa tat-tessut u l-ġisem. Ir-riżultati ġew ivvalidati wkoll billi tqabbel il-parametri tal-perfużjoni derivati ​​mill-immaġni ma 'kejl tal-verità tal-art ta'rata ta' filtrazzjoni glomerulari(GFR). Ir-ripetibbiltà tal-kalkolu tal-GFR, kif evalwat mill-koeffiċjent tal-varjazzjoni ġiet iddeterminata fil-livell ta '14.5 u 17.5 fil-mija għall-kliewi tax-xellug u tal-lemin, rispettivament u tjiebet relattiv għas-segmentazzjoni manwali. Ir-riproduċibilità, min-naħa tagħha, ġiet evalwata billi tkejjel il-qbil bejn il-valuri GFR derivati ​​mill-immaġni u bbażati fuq iohexol. Id-differenzi medji assoluti stmati kienu ugwali għal 9.4 u 12.9 mL/min/1.73 m2 għas-sessjonijiet tal-iskannjar 1 u 2 u l-metodu ta 'segmentazzjoni awtomatizzat propost. Ir-riżultat għas-sessjoni 2 kien komparabbli mas-segmentazzjoni manwali, filwaqt li r-riproduċibilità tas-sessjoni 1 fil-pipeline awtomatiku kienet aktar dgħajfa.

Kliem ewlieni:MRI dinamiku mtejjeb b'kuntrast; Netwerks newrali konvoluzzjonali;kliewisegmentazzjoni; Immudellar farmakokinetiku; kwantifikazzjoni tal-perfużjoni; rata ta' filtrazzjoni glomerulari

Kuntatt: ali.ma@wecistanche.com

Ikklikkja għal Cistanche herba għall-mard tal-kliewi

1. Introduzzjoni

Il-funzjoni tal-kliewi hija evalwata regolarment billi jitkejjel il-livell tal-kreatinina fis-serum. Ibbażat fuq il-valur tiegħu, il-rata ta' filtrazzjoni glomerulari(GFR) jista' jiġi stmat bl-użu, eż., l-ekwazzjoni tal-Modifikazzjoni tad-Dieta fil-Mard Renali [1]. Metodu ieħor biex jiġi ddeterminat il-GFR, li reċentement kiseb popolarità fl-ambjent kliniku, huwa t-test ta 'tneħħija tal-plażma ta' iohexol. Xi awturi postulaw li dan il-metodu jissostitwixxi t-teknika standard tad-deheb ibbażata fuq it-tneħħija tal-inulina fl-awrina [2]. Dawn il-proċeduri kollha, madankollu, jippermettu l-kwantifikazzjoni tal-GFR simultanjament għat-tnejnkliewi. Għalhekk, l-immaġni tar-reżonanza manjetika mtejba b'kuntrast dinamiku (DCE-MRI) tidher bħala alternattiva attraenti - tippermetti monitoraġġ mhux invażiv tal-prestazzjoni tal-filtrazzjoni f'wieħed.kliewifilwaqt li tipprovdi informazzjoni riżolta spazjalment dwar leżjonijiet fit-tessuti bħal glomerulosclerosis segmentali fokali.

Fil-prinċipju, l-eżami DCE-MRI jipproduċi serje ta' volumi ppeżati T1-akkwistati f'diversi passi ta' ħin diskreti tal-proċedura tal-iskannjar. Il-metodu jikkonsisti fl-għoti ġol-vini ta' bolus ta' aġent ta' kuntrast ibbażat fuq il-gadolinju (CA). Filwaqt li l-bolus CA jgħaddi mis-siġra arterjali addominali, is-sodda kapillari, u s-sistemi tubulari tal-kliewiiżżid b'mod effettiv il-ħin ta 'rilassament T1 tat-tessuti ppenetrati, u b'hekk jimmodifika l-kuntrast fl-immaġni. Id-dinamika temporali ta' din il-bidla fl-intensità tas-sinjal tal-immaġni tirrifletti l-kundizzjonijiet fiżjoloġiċi tal-funzjoni tal-kliewi u tikkostitwixxi l-bażi għall-immudellar farmakokinetiku (PK) tal-perfużjoni renali.

Għadd mill-mudelli PK proposti jippruvaw jiddeskrivu matematikament il-proċess tal-perfużjoni tad-demm f'diversi organi. Fir-rigward tal-kliewi, Ħafna mill-mudelli jassumu li s-sinjal imkejjel f'voxel tat-tessut partikolari huwa somma ta 'kontribuzzjonijiet li joriġinaw minn mill-inqas żewġ kompartimenti - spazji intravaskulari (IV) u extraċellulari extravaskulari (EEV) [3-6]. Barra minn hekk, bħal f'kull mudell PK, il-kunsinna tat-tracer tal-gadolinju permezz ta 'arterja ta' tmigħ lejn l-organu ta 'interess hija inkapsulata mill-hekk imsejħa funzjoni ta' input arterjali (AIF). Prattikament, AIF fil-każ ta 'studji tal-kliewi huwa l-kors taż-żmien tal-konċentrazzjoni tal-aġent ta' kuntrast fl-aorta addominali [7]. Billi jikkonvolvu l-AIF ma 'qalba li tiċċaqlaq u t-tixrid wieħed jikseb konċentrazzjoni tat-tracer fil-kompartiment IV. Eventwalment, il-kurva tal-ħin tal-konċentrazzjoni fl-ispazju EEV hija proporzjonali għall-integral tal-konċentrazzjoni fil-kompartiment IV, modulata b'mod fakultattiv b'fattur esponenzjali li jirrappreżenta l-ħruġ mit-tubuli renali. Il-koeffiċjent ta' proporzjonalità, denotat ta' spiss bħala Ktrans, jikkontrolla r-rata ta' trasferiment ta' CA minn IV għal kompartiment EEV. Ktrans immultiplikat bil-volum tal-organu jwassal direttament għall-kalkolu tal-GFR.

Jeżistu approċċi aktar ikkumplikati u multikompartimentali (eż., [8]), għalkemm l-applikazzjoni klinika potenzjali tagħhom hija dubjuża. Id-diffikultà tinsab fil-ħtieġa li tiġi żgurata l-istabbiltà tal-ottimizzazzjoni ta 'tali parametri tal-mudell filwaqt li jitwaħħlu kurvi tal-mudell mad-dejta osservata. Barra minn hekk, dawn il-mudelli jeħtieġu segmentazzjoni tal-kliewiparenkima fil-kortiċi u medulla. Dan ir-rekwiżit japplika, fil-fatt, ukoll għal mudelli b'żewġ kompartimenti. Il-mudell klassiku propost fi [3], li huwa bbażat fuq il-mudell ġenerali Rutland–Patlak [9,10], huwa applikabbli biss għar-reġjun tal-kortiċi. Min-naħa l-oħra, l-applikazzjoni tal-mudell tal-filtrazzjoni b'żewġ kompartimenti [5] għall-kliewi kollha hija aċċettabbli għall-fażi ta' teħid. Jekk wieħed irid ikejjel il-perfużjoni, l-analiżi trid terġa tkun limitata għall-kortiċi biss. Fi kwalunkwe każ, wieħed irid jeskludi r-reġjun tal-pelvi li jiġbor il-kuntrast fil-fażi eskretorja tal-eżami. Għalhekk, l-awtomatizzazzjoni tal-proċedura tal-analiżi tad-dejta DCE-MRI teħtieġ mhux biss id-delineazzjoni tal-kliewi iżda wkoll it-tikkettar ta 'kull voxel renali bħala li jappartjeni jew għall-klassi kortikali, medulari jew pelvika.

Il-problema takliewiis-segmentazzjoni ġiet ittrattata minn bosta awturi. Spiss, il-voxels huma klassifikati abbażi tal-korsijiet tal-ħin tal-intensità tagħhom. Pereżempju fi [11], l-algoritmu k-means jintuża biex jiġbor il-voxels fi gruppi bbażati fuq il-korsijiet tal-ħin tal-intensità tas-sinjal tagħhom. Dan l-approċċ ġie żviluppat aktar fi [12], fejn il-korsijiet tal-ħin tal-intensità tas-sinjal ġew ipproċessati minn qabel bit-trasformazzjoni tal-wavelet diskreta. Fl-aħħar, xi tip ta 'euristiku bbażat fuq iż-żewġ karatteristiċi inerenti tal-clusters u r-relazzjoni tagħhom għandhom jiġu impjegati biex jiddeterminaw liema cluster jirrappreżenta l-kortiċi, il-medulla, il-pelvi u l-isfond. L-inferenza għal kollox mhux sorveljata tbati minn dejta ta' input storbjuża li ma tistax tiġi kklassifikata mingħajr ambigwità f'kategoriji anatomikament sinifikanti. Jidher b'mod speċjali fir-rigward tal-voxels li jinsabu fuq il-fruntieri bejn il-kortiċi u l-medulla. Huma assenjati għall-klassi "partijiet oħra" li fiha voxels ukoll minn barra l-kliewi.

Għalhekk, strateġija segwita ta' spiss tikkonsisti fis-separazzjoni ta' ħaġa sħiħakliewiminn partijiet oħra ta’ immaġni. Ir-reġjuni delineati ta 'interess għandhom joqogħdu preċiżament mal-fruntieri tal-kliewi sabiex jeħilsu mill-voxels ġirien kollha. Eżempju ta' soluzzjoni bħal din huma l-mapep taż-żona taħt il-kurva (AUC), użati eż, fi [13]. Dawk il-voxels fis-sekwenza DCE-MRI li huma ppenetrati mill-aġent tat-traċċar jidhru qawwi fuq il-mapep AUC minħabba l-akbar żona taħt il-korsijiet tal-ħin tal-intensità tas-sinjal tagħhom. Huwa istruttiv li wieħed jinnota li dan l-approċċ jeħtieġ jew post-ipproċessar manwali jew awtomatiku sabiex jitneħħew strutturi extra-renali, vini kbar u kanali li jiġbru l-awrina.

L-istrateġija tas-segmentazzjoni minn oħxon għal fin ġiet applikata wkoll f'[14], fejn ġie introdott il-kunċett ta' Volumi Temporali Massmament Stabbli (MSTV). Il-karatteristiċi MSTV jippermettu li wieħed jagħrafkliewibilli jinstabu strutturi spazjalment omoġenji u temporalment stabbli. Is-segmentazzjoni ta' qamħa fin tinkiseb billi jitnaqqsu l-korsijiet tal-ħin tal-voxels għal vettori ta' komponenti prinċipali, li jmiss huma maqsuma b'k-means għal clusters multipli. Eventwalment, madankollu, is-segmentazzjonijiet miksuba jeħtieġ li jiġu rfinuti b'mod iterattiv sabiex jitneħħew kwalunkwe ħsejjes li jifdal. Bl-istess mod, fl-istudju deskritt f'[15], l-ewwel stadju tal-proċedura tas-segmentazzjoni jikkonsisti mill-karatterizzazzjoni tad-dinamika tat-titjib tas-sinjal tat-tessuti addominali. Huwa osservat li l-medulla, b'differenza mill-kortiċi, il-fwied, jew il-milsa, turi żieda kostanti fl-intensità tas-sinjal li sseħħ aktar tard fis-sekwenza ta 'akkwist. Wara li jiġu identifikati l-voxels medulla, titwettaq dilatazzjoni segwita mill-algoritmu GrubCut biex jinħolqu maskri renali. L-irfinar jinkiseb billi l-voxels jiġu kklassifikati bi klassifikatur tal-foresti każwali mħarreġ minn qabel. Il-voxels huma kkaratterizzati mill-intensitajiet tal-immaġini rispettivi tagħhom f'frejms ta 'żmien magħżula tas-sekwenza dinamika kif ukoll il-post tagħhom fi ħdan ir-ROIs mibnija fl-ewwel stadju.

Għalkemm kemm il-kontribuzzjonijiet ibbażati fuq MSTV kif ukoll GrubCut jidhru li jipproduċu riżultati sodisfaċenti għal settijiet ta' dejta multipli, huma algoritmi pjuttost kunċettwali kumplessi, mhux disponibbli la f'softwer kummerċjali jew open-source. Bħala tali, ma jistgħux jiġu adottati faċilment mill-komunità klinika.

Min-naħa l-oħra, avvanzi reċenti fl-arkitetturi tan-netwerks newrali konvoluzzjonali u d-disponibbiltà wiesgħa tal-implimentazzjonijiet tas-softwer tagħhom jagħmlu metodi ta 'tagħlim fil-fond partikolarment attraenti fl-applikazzjoni għas-segmentazzjoni ta' tessuti bijoloġiċi f'immaġini mediċi. L-effettività tas-CNNs f'xenarji versatili ta 'analiżi tad-dejta MRI hija diskussa bir-reqqa fir-reviżjoni komprensiva ta' [16]. B'mod aktar speċifiku, f'[17] diversi arkitetturi tan-netwerk, jiġifieri, netwerk kompletament konvoluzzjonali [18], SegNet [19], U-Net [20], u DeepLabV3 plus [21], ġew ittestjati għas-segmentazzjoni semantika tal-kanċer tal-prostata f'T 2-MRI peżat. Immaġini MR anatomiċi ġew analizzati wkoll fi [22]. L-awturi żviluppaw arkitettura CNN apposta biex awtomatikament jiddeskrivu poliċistikukliewi. Approċċ ieħor interessanti ġie ppreżentat fi [23], fejn it-tagħlim fil-fond kien impjegat għall-inferenza diretta tal-mapep tal-perfużjoni tal-moħħ minn sekwenza DCE-MRI mingħajr ma twaħħal b'mod espliċitu mudell PK għal sinjali mkejla.

Kien hemm bosta studji ppubblikati dwar l-applikazzjoni ta 'CNNs għas-segmentazzjoni ta'kliewif'immaġini ta' tomografija kompjuterizzata [24,25]. Madankollu, is-segmentazzjoni mmexxija mid-DL tal-kliewif'settijiet ta' dejta MRI mtejba b'kuntrast għadu suġġett mhux eżawrit. Bħala eżempju eċċezzjonali tax-xogħlijiet ippubblikati speċifikament iddedikati għall-eżamijiet DCE-MRI tal-kliewi, wieħed jista' jsemmi l-karta ta' Haghighi et al. [26]. Huma bnew u ħarrġu kaskata ta 'żewġ netwerks tas-CNN. L-input għal din l-istruttura kaskata hija immaġni 4D DCE-MR. L-ewwel netwerk lokalizza bejn wieħed u ieħor il-kliewi tax-xellug u tal-lemin fl-immaġni, filwaqt li t-tieni wieħed huwa responsabbli għad-delineazzjoni preċiża tal-fruntieri renali. Madankollu, ma saret l-ebda segmentazzjoni ulterjuri fil-kortiċi jew il-medulla peress li ntużat biss il-parenkima renali kollha biex tikkalkula l-GFR.

Fid-dawl tal-kunsiderazzjonijiet ta’ hawn fuq, l-approċċ ippreżentat f’dan id-dokument huwa tweġiba għall-ħtieġa għal algoritmu awtomatiku li fuq naħa waħda jirrikonoxxi b’mod preċiż il-kliewikompartimenti fi ħdan l-immaġni DCE-MR, filwaqt li fuq in-naħa l-oħra jkunu relattivament faċli biex jiġu riprodotti minn kwalunkwe tim ta 'riċerka. Għalhekk, nipproponu li:

1. uża arkitettura CNN għas-segmentazzjoni semantika tal-kliewiparenkima,

2. jiddeskrivi voxels parenkimali b'aggregati ta' karatteristiċi derivati ​​mit-trasformazzjoni tal-forom tal-mewġ tal-intensità tas-sinjal bl-analiżi tal-komponenti prinċipali (PCA),

3. jiddiskriminaw ir-reġjuni tal-kortiċi, tal-medulla u tal-pelvi permezz tal-klassifikazzjoni tal-vettori tal-karatteristiċi tal-PCA estratti.

Dettalji tal-algoritmi użati huma ppreżentati fit-Taqsima 2. Fit-Taqsima 3, aħna nevalwaw ir-riżultati tas-segmentazzjoni u kif is-soluzzjoni mfassla taffettwa l-istabbiltà tal-parametri PK stmati. Waqt li nwettqu din il-valutazzjoni, aħna wkoll ipoteżi li huwa possibbli li tinbena skema tal-kompjuters universali li hija kapaċi tipproduċi segmentazzjonijiet korretti għal suġġetti ġodda bbażati biss fuq data storika. Aħna nemmnu li skema bħal din tista 'tiġi distribwita b'mod wiesa' u implimentata fi kliniċi bi jew ftit l-ebda sforz biex tadatta għal protokolli ta 'akkwist ta' immaġni personalizzati. Sabiex jintlaħaq dan il-għan, aħna vvalidajna l-proċess ta 'komputazzjoni propost b'mod leave-one-subject-out. Ħloqna serje ta’ magni ta’ segmentazzjoni u klassifikazzjoni, kull wieħed imħarreġ fuq koorti differenti ta’ pazjenti. Imbagħad, magna partikolari ġiet ittestjata fuq suġġett li ma deherx matul il-fażi tat-taħriġ. Id-diskussjoni tar-riżultati miksuba hija mogħtija fit-Taqsima 4.

2. Materjali u Metodi

2.1. Mri Data

L-esperimenti u l-algoritmi ppreżentati f'dan id-dokument ġew iddisinjati bl-użu ta' sett ta' 20 sekwenzi ta' kejl miksuba minn 10 voluntiera b'saħħithom. Eżamijiet tal-MRI saru fuq unità 1.5 T (Siemens Magnetom Avanto, Erlangen, il-Ġermanja). Il-protokoll tal-akkwist tad-dejta ħaddan immaġini kull suġġett darbtejn, 10 ijiem 'il bogħod minn xulxin, bl-użu tal-metodu ta' eku tal-gradjent mħassra 3D imtejjeb b'kuntrast (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- riżoluzzjoni pjan=2.2 × 2.2 mm2, ħxuna tal-qatgħat=3 mm, matriċi ta 'akkwist=192 × 192, numru ta' slices=30). Aġent ta' kuntrast (0.025 mmol/kg ta' GdDOTA) ingħata ġol-vini b'rata ta' fluss ta' 3 mL/s. Kull sekwenza ta 'kejl kienet tikkonsisti f'74 frejm akkwistati f'intervalli ta' ħin ta '2.3 s.

Biex jitnaqqsu l-artifacts tal-moviment, il-protokoll tal-immaġini kien iddisinjat biex jakkwista immaġini fuq l-istivi tan-nifs. L-ewwelnett, ġew akkwistati tmien volumi ta' linja bażi ta' qabel il-kuntrast matul il-perjodu ta' 18-nifs. F'7 s wara l-injezzjoni ta' Gadolinium, il-parteċipanti ngħataw struzzjonijiet biex iżommu n-nifs għal 26 s għal perfużjoni tal-ewwel pass mingħajr moviment. Sussegwentement, matul il-fażi ta 'filtrazzjoni, perjodi ta' nifs tqassru għal 13 s u interleaded b'26 s ta 'nifs ħieles. Sabiex ittaffi n-nifs, is-suġġetti rċevew ossiġnu mill-imnieħer b'rata ta 'fluss ta' 1 L/min.

Li fadalkliewi mozzjoni ġiet ikkoreġuta fl-ipproċessar ta 'wara billi tesegwixxi reġistrazzjoni b-spline fuq kull sekwenza DCE-MRI. Għal dak il-għan, użajna l-implimentazzjoni tal-algoritmu B-splines mil-librerija tas-softwer Insight Toolkit (ITK) [27]. F'kull sekwenza, aħna għażilna qafas ta 'referenza li jikkorrispondi għal punt tan-nofs tal-fażi tal-perfużjoni u mbagħad użajna bħala volum fiss li kull volum ieħor (li jiċċaqlaq) kien imqabbel miegħu. Ir-reġistrazzjoni B-splines saret b'mod sħiħ awtomatikament, jiġifieri, l-ebda punti fiduċjali ma ġew immarkati fuq tessuti ta 'interess. Barra minn hekk, il-proċedura tnediet f'konfigurazzjoni f'diversi stadji. F'kull stadju, intużaw diversi settings ta' daqs tal-grilja u rati ta' sottokampjunar. Għal interpretazzjoni dettaljata ta' dawn il-parametri, il-qarrej huwa riferut għad-dokumentazzjoni tal-ITK. Fil-qosor, ippermettew li ssir reġistrazzjoni ta 'immaġini fi skali differenti—li tibda minn tqabbil oħxon u mbagħad jirfinaw ir-riżultat.

Għall-ħtieġa ta 'disinn u evalwazzjoni ta' algoritmi, il-volumi kollha ġew annotati manwalment minn radjologu b'għarfien espert fl-urografija MR. F'kull qafas ta 'żmien, xellug u leminkliewikienu delineati. Imbagħad, f'żewġ frejms marbuta mal-fażijiet ta 'perfużjoni u eskrezzjoni, voxels parenkimali ġew assenjati lill-kortiċi, medulla, jew pelvi.

Bejn l-eżamijiet, il-voluntiera għaddew mill-proċedura ta’ approvazzjoni ta’ iohexol. Is-suġġetti ngħataw doża ta' 5 mL ta' iohexol (300 mg I/mL; Omnipaque 300, GE Healthcare). Imbagħad, il-valuri GFR tal-verità tal-art ġew determinati biex jippermettu l-validazzjoni tal-istimi tal-perfużjoni derivati ​​mill-immaġni.

Il-parteċipanti ngħataw struzzjonijiet biex jirrifjutaw l-alkoħol u ikliet b'ħafna proteini, jevitaw sforz fiżiku eċċessiv, normalment ikunu idratati mill-inqas jumejn qabel l-eżami, u ma jkollhomx kaffeina fil-ġurnata tal-eżami. Biex jiġu żgurati kundizzjonijiet ta 'eżami komparabbli bejn is-sessjonijiet ta' skanjar u t-test ta 'tneħħija ta' iohexol, kien irrakkomandat ukoll li jinżammu ħinijiet regolari ta 'ikel u dieta. Il-voluntiera kollha taw il-kunsens infurmat bil-miktub tagħhom għall-parteċipazzjoni fl-istudju li ġie approvat mill-Bord ta 'Reviżjoni Istituzzjonali fl-Isptar Universitarju ta' Haukeland Bergen, in-Norveġja.

2.2. Ħarsa ġenerali lejn il-Pipeline tas-Segmentazzjoni

Il-pipeline tas-segmentazzjoni propost huwa viżwalizzat fil-Figura 1. Is-segmentazzjoni oħxon inizjali titwettaq minn netwerk newrali kompletament konvoluzzjonali tal-istruttura U-Net. Dan il-pass sar fuq cross-sections sussegwenti bidimensjonali ta 'immaġni volumetrika waħda mis-sekwenza DCE-MRI. Din l-immaġni tikkorrispondi għall-qafas tal-ogħla titjib tas-sinjal fir-reġjun tal-kortiċi meta l-qsim tal-parenkima renali fil-kortiċi u l-medulla jkun viżibbli b'mod ċar.

Assumina li cross-section waħda tista 'tinqasam f'naħat tax-xellug u tal-lemin, kull wieħed ta' 96-wisa 'pixel. Fuq naħa partikolari, huwa possibbli li tiġi lokalizzata ċentralment garża ta' immaġini ta' għoli ta' 96-pixels li jkopri għal kollox wieħedkliewi. B'dan il-mod, aħna żguraw li xellug u leminkliewihuma segmentati u pproċessati separatament. Bħalissa, il-metodu tagħna kien jeħtieġ li din is-suppożizzjoni tinżamm matul il-fażi ta' sejħa lura tal-operat tan-netwerk. Waqt it-taħriġ, kien biżżejjed jekk garża tal-immaġini kien fiha tal-inqas parti mill-parenkima renali. Barra minn hekk, id-daqs tal-garża 96 × 96 ġie aġġustat għar-riżoluzzjoni fil-pjan tad-dejta DCE-MRI disponibbli f'dan l-istudju u għandu jiġi modifikat taħt konfigurazzjonijiet ta 'akkwist differenti.

Is-segmentazzjoni oħxon kultant tista' teħtieġ irfinar addizzjonali biex tirrifjuta gruppi żgħar extrarenali ta' pixels segmentati b'mod falz. Fl-algoritmu tagħna, il-komponenti konnessi ġew identifikati u l-akbar wieħed biss ġie mgħoddi għall-istadju li jmiss. Barra minn hekk innota li għalkemm il-pass tas-segmentazzjoni semantika tagħna sar fi 2D, ġie applikat għas-sezzjonijiet trasversali kollha ta 'volum partikolari. L-analiżi li ġew wara twettqu bil-voxel-wise sabiex effettivament il-GFR ġie kkalkulat min-nephrons kollha mqassma fir-ROI tal-kortiċi 3D.

Grazzi għar-reġistrazzjoni tal-immaġni fid-dominju taż-żmien,kliewimaskri ġenerati għal qafas wieħed jistgħu jiġu applikati għall-frejms l-oħra kollha tas-serje dinamika. Għalhekk, il-voxels tal-kliewi ġew preskritti vettori ta 'karatteristiċi komposti minn valuri ta' intensità tas-sinjal MRI mkejla f'punti ta 'żmien sussegwenti. Sabiex niksbu karatteristiċi aktar ġenerali tad-dinamika tas-sinjali, estrajna l-aggregati tal-karatteristiċi bl-użu ta 'PCA transform. L-aktar 20 aggregat informattiv ġew magħżula biex jiddeskrivu kull voxel renali. Eventwalment, klassifikatur imħarreġ biex jiddiskrimina bejn il-karatteristiċi temporali tar-reġjuni tal-kortiċi, tal-medulla, u tal-pelvi assenjat voxel għal kategorija xierqa.

Ir-raġunament wara l-approċċ propost f'żewġ stadji kien li jiġi żgurat li r-rikonoxximent finali kien ibbażat fuq annotazzjonijiet tal-verità art kunfidenti massimament. Kieku kien CNN li jaqsam il-kortiċi mill-medulla u l-pelvi, ikollhom jinħolqu maskri eżatti fil-mira u l-annotatur ikollu bżonn jieħu deċiżjoni fejn tinsab il-konfini attwali bejn it-tessuti varji. F'ħafna każijiet, dan ma kienx trivjali minħabba l-effett tal-volum parzjali. Għalhekk, deċiżjoni bħal din, u konsegwentement il-mudell ta' netwerk imħarreġ, jistgħu jkunu preġudikati lejn esperjenza unika ta' osservatur. Inkella, iddeċidejna li nħarrġu klassifikatur bl-użu tas-sinjali biss minn postijiet mhux ambigwi, kif deskritt hawn taħt. Aktar tard, matul l-inferenza tal-passaġġ 'il quddiem, kienet ir-responsabbiltà tal-algoritmu li jiddiskrimina b'mod oġġettiv voxels li jappartjenu għal kwalunkwe reġjun disputabbli.

Fl-aħħarnett, l-unitajiet komputazzjonali kollha tal-proċedura proposta—CNN u mudell klassifikatur, kif ukoll il-matriċi tat-trasformazzjoni PCA—inkisbu għal koorti ta 'pazjenti indipendenti mis-sett tad-dejta pproċessat bħalissa. Fis-subsezzjonijiet li ġejjin, aħna nipprovdu d-dettalji tal-implimentazzjoni tal-moduli individwali tal-algoritmu.

2.3. Cnnfor Segmentazzjoni Semantika

Fost il-varjanti U-Net disponibbli, użajna l-implimentazzjoni ppubblikata fi [28]. Peress li kienet differenti mill-arkitettura deskritta fid-dokument oriġinali [20], il-karatteristiċi speċifiċi ta 'din l-istruttura, aġġustati għall-ħtiġijiet tal-istudju tagħna, huma miġbura fil-qosor l-ewwel.

2.3.1. Arkitettura tan-Netwerk

In-netwerk newrali konvoluzzjonali U-Net kien oriġinarjament żviluppat għas-segmentazzjoni ta 'strutturi newronali f'munzelli mikroskopiċi elettroniċi u wera li kien effettiv f'ħafna applikazzjonijiet bijomediċi oħra. Kif intqal, l-input għall-mudell tagħna kien immaġni 2D ta 'livell griż— garża ta' sezzjoni trasversali ta 'volum wieħed 3D DCE-MRI. Id-daqs tal-garża ġie aġġustat għal 96 × 96 pixel (ara Figura 2).

Il-karatteristika ta 'l-U-Net hija li fiha żewġ partijiet simetriċi—mogħdija kontrattiva u ta' espansjoni. L-għan tal-mogħdija kontrattiva huwa li tikkodifika l-mudelli ta 'intensità tal-pixels tal-immaġni billi twettaq konvoluzzjoni b'serje ta' 3 × 3 filtri ta 'piżijiet li jistgħu jitħarrġu. L-outputs tal-filtri jattivaw il-komponenti ewlenin tal-ipproċessar tan-netwerk—in-newroni msejħa unitajiet lineari rettifikati (ReLU). Huma jippermettu għall-immudellar ta 'relazzjonijiet mhux lineari bejn il-karatteristiċi tal-immaġni u l-mappa tas-segmentazzjoni tal-output. Għalhekk, l-istadju tal-kodifikazzjoni jista 'jitqabbel ma' proċess magħruf fl-ipproċessar tal-immaġni diġitali bħala estrazzjoni tal-karatteristiċi. Hija segwita mill-operazzjoni ta 'max-pooling li tneħħi kampjuni mill-mapep tal-karatteristiċi.

Il-kontrazzjoni hija ripetuta erba' darbiet biex jiġu estratti d-deskritturi tal-immaġni fuq diversi livelli ta' skala. Kull livell huwa, fil-fatt, iffurmat minn blokk magħmul minn żewġ saffi konvoluzzjonali, kull wieħed segwit minn saff ta 'normalizzazzjoni tal-lott, li jżomm il-medja kostanti u d-devjazzjoni standard tal-inkorporazzjonijiet tal-output fi ħdan lott partikolari. Għalhekk, in-normalizzazzjoni tal-lott tiżgura li l-karatteristiċi b'dinamika ta 'intensità baxxa jippossjedu importanza ugwali bħal dawk li l-firxa tagħhom hija akbar. Il-pari ta' saff ta' konvoluzzjoni u normalizzazzjoni huma separati mis-saff ta' dropout, li b'mod każwali jistabbilixxi 20 fil-mija tan-nodi ta' input għal 0. Dan il-mekkaniżmu, attiv biss matul il-fażi tat-taħriġ, jipprevjeni li n-netwerk jitwaħħal iżżejjed [29].

L-output ta 'l-aħħar blokk ta' kampjunar 'l isfel, imsejjaħ għonq ta' konġestjoni, jiġi mgħoddi lill-mogħdija ta 'espansjoni jew dekodifikazzjoni. Huwa mibni mill-istess numru ta 'livelli ta' kampjunar 'il fuq bħall-parti kontrattiva u l-kompitu ewlieni tiegħu huwa li jirkupra r-riżoluzzjoni spazjali oriġinali. F'dan l-istudju, it-teħid ta 'kampjuni 'l fuq ġie realizzat permezz ta' konvoluzzjoni trasposta. Kull blokk ta 'dekodifikazzjoni kien magħmul ukoll minn żewġ pari ta' saffi ta 'normalizzazzjoni konvoluzzjonali u tal-lott. B'kuntrast mal-blokki ta 'kodifikazzjoni, madankollu, l-ebda mekkaniżmu ta' abbandun ma ġie mdaħħal bejn wieħed u ieħor. Barra minn hekk, il-mapep tal-karatteristiċi ta 'riżoluzzjoni għolja estratti fil-mogħdija ta' kampjunar 'l isfel mhux biss mitmugħa s-saffi ta' kodifikazzjoni sussegwenti iżda kienu wkoll magħquda mal-inputs tas-saffi ta 'dekodifikazzjoni fil-livelli rispettivi tal-mogħdija ta' teħid ta 'kampjuni 'l fuq. Dawn il-konnessjonijiet addizzjonali għenu lill-blokki tad-dekodifikazzjoni biex jirrestawrawkliewilokalizzazzjoni tas-segmenti b'mod aktar preċiż.

Kif jidher fil-Figura 2, il-blokki ta 'kodifikazzjoni kienu jikkonsistu f'numru dejjem jikber ta' filtri konvoluzzjonali li jmorru aktar fil-fond fil-mogħdija kontrattiva. Jibda minn 64 filtru fl-ewwel żewġ saffi konvoluzzjonali, in-numru ta 'mapep karatteristiċi laħaq 1024 fil-konġestjoni, jiġu rduppjati f'kull livell ta' kampjunar 'l isfel. Għall-kuntrarju, in-numru ta 'filtri fil-mogħdija ta' espansjoni kien diviż bil-fattur ta 'tnejn fuq kull tarġa 'l fuq. Bħala riżultat, il-mappa tal-karatteristiċi finali għal darb'oħra kellha fond ta '64.

L-output ta 'l-aħħar blokk ta' teħid ta 'kampjuni kien imqabbad ma' saff konvoluzzjonali b'filtri ta' daqs 1 × 1-. Huwa wettaq konvoluzzjoni tal-pixel-għaqli tal-qalba tal-filtru b'vector tal-karatteristika tal-64-element u mbagħad issottometta r-riżultat għal funzjoni ta' attivazzjoni tal-output. Fid-disinn tagħna, intużat attivazzjoni sigmojde peress li d-deċiżjoni finali kienet binarja—pixel kien jappartjeni għal parenkima jew sfond renali.

2.3.2. Taħriġ

Il-piżijiet tan-netwerk inbdew għal stat każwali bil-metodu ta 'He et al. [30]. Il-proċess ta’ taħriġ sar fuq irqajja ta’ immaġini maqtugħa mill-volumi DCE-MRI, li kull wieħed kien fih biċċa waħda, tax-xellug jew tal-lemin.kliewisezzjoni trasversali. Kif deskritt hawn fuq, 96 × 96-pixel immaġini garża ġew estratti minn volumi tas-sekwenza DCE li jikkorrispondu għall-fażi ta 'perfużjoni, jiġifieri, frejms ta' żmien tal-kuntrast tas-sinjal massimu bejn il-kortiċi u l-medulla. Sabiex inżidu n-numru ta 'immaġini ta' taħriġ, għal kull studju, aħna fil-fatt għażilna tliet qafas ta 'żmien bħal dan—dak b'titjib tas-sinjal massimu fir-reġjun tal-kortiċi, qafas ta' żmien ta 'qabel u wieħed ta' wara. F'kull volum ta 'immaġni, wieħedkliewikien viżibbli fuq 12-il slices bħala medja. Ta madwar 1440 garża ta’ taħriġ.

Għalkemm in-netwerks U-Net normalment jistgħu jlaħħqu ma 'kampjuni żgħar ta' taħriġ, iddeċidejna li nkabbru aktar is-sett tad-dejta permezz ta 'żieda tad-dejta. Dan sar billi nġabru 10 pożizzjonijiet vertikali differenti tal-garża tal-immaġni u billi tirriflettiha b'mod każwali fid-direzzjoni orizzontali. Waqt l-għażla tal-pożizzjonijiet tal-garża, għamilna ċert li ħaddan porzjon kbir biżżejjed taċ-ċentru tal-immaġni li fih frammenti sinifikanti tal-parenkima renali (ara l-Figura 3). B'mod ġenerali, in-numru ta 'immaġini disponibbli għat-taħriġ laħaq il-valur ta' 13,964. Terz tal-immaġini tat-taħriġ ġew separati għal skopijiet ta 'validazzjoni.

Ħarrġajna 10 mudelli CNN differenti, wieħed għal kull pazjent. Waqt li kien qed jinbena mudell iddedikat għal suġġett partikolari, l-irqajja tal-immaġni korrispondenti tagħha (irrispettivament mis-sessjoni tal-eżami) tneħħew mis-settijiet ta’ taħriġ u validazzjoni u ntużaw biss għall-ittestjar. Il-piżijiet tan-netwerk ġew aġġornati bl-użu tal-algoritmu tal-inżul tal-gradjent stokastiku bir-rata ta 'tagħlim kostanti=0.01 u l-momentum=0.99. Il-funzjoni tat-telf magħżula biex tottimizza kienet il-kriterju binarju cross-entropy, definit bħala

fejn N huwa n-numru ta' voxels, Yi hija t-tikketta voxel vera, u p(Yi) hija t-tbassir tan-netwerk li l-vector i-th tabilħaqq jappartjeni għall-klassi Yi, bi 0 < p(Yi) < 1. Barra minn hekk , sabiex tissorvelja l-kwalità takliewisegmentazzjoni fuq epoki ta’ taħriġ, aħna kkalkulajna l-koeffiċjent ta’ Jaccard, minn hawn ‘il quddiem indikat bħala IoU (intersezzjoni fuq unjoni)

fejn K jindika n-numru ta' pixels f'porzjon ipproċessat u y hija l-kategorija tal-pixel mbassra. Hawnhekk, il-kategoriji kienu b'valur Boolean u pixel kien ittikkettat Veru jekk kien jappartjeni lill-kliewi, Foloz inkella. Fil-każ ta 'kull suġġett, l-algoritmu ta' ottimizzazzjoni tħaddem għal 50 epoka. Il-mudell maħżun jikkorrispondi għall-epoka bil-punteġġ minimu fuq il-funzjoni tat-telf miksuba għas-sett tad-dejta tal-validazzjoni.

2.4. Klassifikazzjoni ta'KilwaVoxels

2.4.1. Estrazzjoni tal-Karatteristiċi

Id-divrenzjar tal-voxels li jirrappreżentaw kompartimenti partikolari tal-kliewi jista' jkun ibbażat fuq korsijiet tal-ħin tal-intensità tas-sinjal mhux ipproċessat. Aħna nipproponu, madankollu, li jittrasformaw forom tal-mewġ tas-sinjali, jiġifieri, vectors ta '74 karatteristika temporali, fl-ispazju ta' dimensjonalità mnaqqsa bl-użu ta 'analiżi tal-komponenti prinċipali (PCA). L-iskop ta’ din it-trasformazzjoni mhuwiex biss li tnaqqas il-kumplessità tal-mudell ta’ klassifikazzjoni li jirriżulta iżda wkoll li jiġu estratti karatteristiċi aktar ġenerali tal-kliewitessut, rappreżentant għal suġġetti varji. Barra minn hekk, anke fl-istess unità klinika, l-immaġini DCE jistgħu jsiru f'sekwenza li, għalkemm tkopri medda ta 'żmien simili, għandha riżoluzzjoni temporali differenti. Għalhekk, sistema ta 'teħid ta' deċiżjonijiet li taċċetta mudell ta 'karatteristika uniformi, billi tuża oġġett ta' trasformazzjoni PCA bħala adapter, tista 'tiġi applikata għal vettori ta' data input ta 'tul varjabbli.

Aħna preżunt li l-komponenti tal-PCA estratti għandhom jispjegaw mill-inqas 90 fil-mija tal-varjanza oriġinali tas-sett tad-dejta. Sabiex jiġi sodisfatt dan ir-rekwiżit għal kull suġġett, kellhom jinbnew mill-inqas 20 aggregat ta' karatteristiċi. Kif osservajna, numru akbar ta 'komponenti ma wasslux għal preċiżjoni ogħla ta' klassifikazzjoni.

2.4.2. Klassifikazzjoni tal-Vetturi tal-Karatteristiċi

L-assenjazzjoni tal-voxels tal-kliewi għall-kortiċi, il-medulla, jew il-pelvi ssir minn klassifikatur imħarreġ b'mod sorveljat. Fl-approċċ tagħna, id-dejta storika sservi bħala mudelli għall-bini ta 'regoli ta' deċiżjoni xierqa, aktar tard applikati għal studji ġodda. Ittestjajna tliet algoritmi ta' klassifikazzjoni biex insibu l-aħjar skema fis-suġġetti kollha. Il-metodi eżaminati kienu jinkludu rigressjoni loġistika, magni tal-vettur ta 'appoġġ, u siġar tad-deċiżjonijiet XGBoost. F'dan li ġej, infakkru l-karatteristiċi tal-algoritmi impjegati u niddeskrivu kif id-dejta tat-taħriġ ġiet ippreparata.

Settijiet tad-dejta tal-ferrovija u tat-test.Il-vettori tat-taħriġ ġew akkwistati minn reġjuni ta 'interess annotati manwalment fil-postijiet parenkimali rispettivi. L-annotazzjonijiet saru biss f'voxels li s-sħubija tagħhom ma kinitx ambigwa (ara Figura 4a, b), u b'hekk ħalla klassifikatur imħarreġ jiddeċiedi dwar il-kategorija tat-tessut dominanti f'każ ta' voxels mimlijin parzjalment b'diversi kompartimenti. In-numru ta' vetturi tat-taħriġ miġbura mill-20 eżami disponibbli qabeż il-valur ta' 60,000. Dan is-sett tad-dejta kien maqsum f'10 darbiet, kull wieħed kien fih vettori tad-dejta mis-suġġetti kollha ħlief wieħed, imħalla apparti għal skopijiet ta 'ttestjar. F'darbiet partikolari, id-distribuzzjoni tal-klassi kienet approssimattiva kif ġej: kortiċi—58 fil-mija, medulla—31 fil-mija, pelvi—11 fil-mija. Sabiex il-klassifikaturi jingħataw iċ-ċans li jitgħallmu jiddiskriminaw kategoriji b'eżattezza ugwali, f'kull tinja tat-taħriġ is-sottosettijiet li jirrappreżentaw il-kortiċi u l-medulla ġew kampjunati mill-ġdid biex jaqblu mad-daqs tal-kategorija tal-pelvi. Bħala medja, is-sett ta' taħriġ wara t-teħid mill-ġdid ta' kampjuni ħaddan aktar minn 16,000 vector kull darba. F'folja ta' taħriġ partikolari, ġiet inkluża dejta miż-żewġ sessjonijiet ta' eżami. Min-naħa l-oħra, it-tinji tal-ittestjar kien fihom 600 sa 4800 vectors skont il-pazjent u s-sessjoni tal-eżami. Il-klassifikaturi ġew evalwati bl-użu tal-punteġġ tal-preċiżjoni bilanċjat ikkalkulat fuq is-settijiet tat-test.

Rigressjoni loġistika.Il-klassifikatur tar-rigressjoni loġistika jimmudella l-probabbiltà li vettur karatteristika jappartjeni għal waħda minn żewġ kategoriji. L-algoritmu jwaħħal funzjoni lineari mad-dejta tat-taħriġ u r-riżultat tal-ekwazzjoni tar-rigressjoni għal punt tad-dejta partikolari jiġi sottomess lit-trasformazzjoni loġistika.

fejn p(yi|xi) jindika l-probabbiltà ta' klassi yi mogħtija punt tad-dejta xi b'Yi e {{{0}}, 1}, filwaqt li l-vector tal-piż w flimkien mal-interċettazzjoni w0 jiddeterminaw ir-rigressjoni mwaħħla linja.

Bħala tali, l-Ekwazzjoni (3) tapplika għal problemi ta' klassifikazzjoni binarja. Għalhekk, fil-każ ta' tliet reġjuni tal-kliewi, iridu jinbnew tliet klassifikaturi one-versus-rest, jew mudell ta' rigressjoni multinomjali huwa tajjeb [31]. Fl-esperimenti tagħna, nużaw l-aħħar varjant. Il-parametri w tal-mudell lineari jinstabu billi tiġi minimizzata l-funzjoni tal-ispiża log-loss bit-terminu ta’ regolarizzazzjoni L2:

fejn l-istudju tagħna K=3 u pi,c hija l-probabbiltà mbassra li l-vettur jappartjeni għall-klassi c. Il-problema ta' ottimizzazzjoni ta' hawn fuq ġiet solvuta bl-algoritmu ta' dixxendenza Stochastic Average Gradient (SAG) [32] implimentat fil-pakkett Scikit-Learn [33]. Aħna għażilna SAG minħabba r-rakkomandazzjoni tiegħu għal settijiet kbar ta' dejta u appoġġ għar-regolarizzazzjoni L2.

Appoġġ Magni Vector. Support vector machines (SVM) jikkostitwixxu klassi ta' algoritmi li jibnu hyperplane ta' marġni massimu li jiddiskrimina kategoriji differenti [34]. Id-deċiżjoni dwar is-sħubija fil-kategorija ta 'vettur x hija determinata mis-sinjal tal-ekwazzjoni iperpjan

fejn nindika l-indiċi ta 'eżempju ta' taħriġ, xi huwa vettur ta 'karatteristika korrispondenti u Yi hija t-tikketta vera tal-klassi tagħha. Waqt li jitwaħħal dan il-mudell mad-dejta tat-taħriġ, tiġi solvuta problema ta' ottimizzazzjoni kwadratika ristretta. Bħala riżultat, jinstab sett ta 'multiplikaturi ta' Langrage mhux żero ai, li flimkien mal-vettori ta 'appoġġ rispettivi tagħhom xi u l-parametru tal-bidla b jiddeterminaw il-post u l-orjentazzjoni tal-konfini mfittxija.

Prodott dot f'(5) jista 'jiġi sostitwit b'funzjoni tal-qalba biex tippermetti l-applikazzjoni ta' SVM għal problemi mhux lineari. It-trick tal-qalba impliċitament jittrasforma l-vettori tal-karatteristiċi għal spazju ta 'dimensjoni ogħla, li fih isir possibbli li jiġi ddeterminat l-iperpjan li jissepara. Il-Figura 4c turi d-distribuzzjoni tas-sottosett tal-vettori tat-taħriġ għal wieħed mill-parteċipanti. Din il-viżwalizzazzjoni nkisbet bit-trasformazzjoni tad-dejta mill-ispazju ta 'aggregati ta' karatteristiċi ta '20 PCA fi spazju ta' tliet dimensjonijiet bl-użu tal-metodu t-distributed stochastic neighbor embedding (TSNE) [35]. Jista 'jidher, li għalkemm is-separazzjoni lineari tal-kortiċi, il-medulla u l-klassijiet tal-pelvi hija plawsibbli, il-konfini ta' separazzjoni jista 'jkun immudellat aħjar minn xi funzjoni mhux lineari. Fl-esperimenti tagħna, l-aħjar riżultati ġew żgurati mill-qalba tal-funzjoni tal-bażi radjali

fejn |.|tindika n-norma é2-. Peress li f'settijiet ta 'dejta reali, separazzjoni perfetta tal-klassijiet hija rari, il-kriterju ta' ottimizzazzjoni jippermetti—permezz ta 'parametru ta' metodu addizzjonali normalment indikat bl-ittra C—jippermetti li ċertu numru ta 'punti tad-dejta jiksru l-konfini tad-deċiżjoni. Il-parametri u C jikkontribwixxu bil-maqlub għall-kumplessità tal-mudell SVM. Għalhekk, irfinajna l-valuri tagħhom bl-użu tal-algoritmu eżawrjenti tat-tfittxija tal-grilja f'esperiment ta 'validazzjoni inkroċjata ta' ħames darbiet. L-aħjar riżultati ġew irrappurtati għal=0.05 u

C = 1.

Siġar tad-deċiżjonijiet XGBoost.Il-kunċett ta' spinta estrema tal-gradjent (XGBoost) ġie introdott minn Chen u Guestrin [36] biex jiffaċilita t-taħriġ ta' grupp ta' siġar ta' klassifikazzjoni u rigressjoni (CART). B'kuntrast mal-foresti każwali klassiċi, l-algoritmu tat-tagħlim jifformalizza l-mekkaniżmu ta 'regolarizzazzjoni u l-użu ta' funzjonijiet versatili ta 'telf oġġettiv. Grazzi għal dawn il-vantaġġi, dan l-aħħar wera li huwa effettiv f'ħafna problemi ta 'tagħlim tal-magni li jinvolvu settijiet ta' dejta kbar u ta 'dimensjoni għolja.

Il-kostruzzjoni ta 'ensemble XGBoost hija bbażata fuq l-istrateġija ta' l-hekk imsejjaħ taħriġ addittiv. F'kull pass t, siġra ġdida hija miżjuda mal-mudell li timminimizza l-funzjoni ta 'telf ġenerali

fejn t ü 1) hija t-tikketta tal-klassi mbassra mill-ensemble mibni s'issa, l tkejjel l-iżball bejn it-tikketta mbassra u vera Yi, filwaqt li ft jikkorrispondi għal struttura ta' siġra ta' T weraq, li jassenja kull wieħed b'vettur tad-data punteġġ wq (xi), b'q tkun funzjoni li talloka l-punt tad-dejta xi f'werqa partikolari tas-siġra. Kemm T kif ukoll il-piżijiet wj jiddefinixxu t-terminu tar-regolarizzazzjoni

fejn u l-parametri λ jikkontrollaw l-impatt tad-daqs tas-siġra u jħallu punteġġi fuq il-valur tal-penali. Fil-konfigurazzjoni użata fl-istudju tagħna, u λ ġew issettjati għal {{0}}.1 u 0.9, rispettivament. Barra minn hekk, in-numru ta 'siġar fl-ensemble kien ugwali għal 10, u l-fond massimu permess ta' siġra kien 4. Eventwalment, użajna l-funzjoni soft-max bħala kriterju oġġettiv l.

2.5. Immudellar Farmakokinetiku

Apparti milli evalwaw ir-riżultati tas-segmentazzjoni direttament bl-użu tal-koeffiċjent IoU, qabbilna wkoll valuri GFR derivati ​​mill-immaġni mal-kejl ibbażat fuq il-iohexol tal-verità tal-art. Għall-fini tad-determinazzjoni tal-GFR, użajna l-kliewi-mudell speċifiku ta 'filtrazzjoni b'żewġ kompartimenti (2CFM) [5]. Dan il-mudell PK iddekomposti t-tessut renali fl-ispazji intravaskulari (IV) u extraċellulari extravaskulari (EEV) u assuma l-ebda ħruġ tubulari fil-perjodu ta 'mudellar. Għalkemm il-mudell seta' jintuża biex tiġi stmata l-perfużjoni renali jew fil-kortiċi jew parenkima renali kollha, ir-reġjun preċedenti biss kellu jiġi kkunsidrat waqt li jiġi kkalkulat il-GFR.

Indipendentement mir-reġjun tal-kliewi kkunsidrat, sabiex il-mudell jitwaħħal ma' sinjal imkejjel S(t), medja rispettiva ta' l-intensità ta' l-immaġini fil-ħin-kors trid tiġi kkonvertita fil-forma tal-mewġ tal-konċentrazzjoni Ctissue(t). Aħna wettaqna bl-użu tat-trasformazzjoni deskritta f'[37] aġġustata għas-sekwenza tal-eku tal-gradjent. Min-naħa l-oħra, C tissue(t) deskritt mill-mudell 2CFM huwa rregolat mill-ekwazzjoni

fejn C tindika l-funzjoni tad-dħul arterjali, VP —frazzjoni tal-volum tal-plażma, u C—CA konċentrazzjoni fil-plażma tad-demm. L-ewwel terminu f'(9) jirrappreżenta l-konċentrazzjoni ta' CA fl-ispazju EEV, filwaqt li t-tieni terminu jkopri l-konċentrazzjoni fl-ispazju IV miksuba billi tikkonvolvi l-funzjoni ta' input arterjali mal-funzjoni ta' rispons tal-impuls vaskulari (VIRF), iddefinita bħala

Bħala tali, VIRF jimmudella d-dewmien u t-tixrid tal-AIF relattiv għall-fluss CA mis-sodda kapillari. Varjabbli Tg—il-kostanti tal-ħin tad-dispersjoni, u X—l-intervall tad-dewmien, flimkien mal-frazzjoni tal-volum VP u l-kostanti tat-trasferiment Ktrans jiffurmaw is-sett komplut tal-parametri tal-mudell 2CFM. L-istima tagħhom normalment titwettaq fil-proċedura ta' twaħħil tal-kurva mhux lineari tal-inqas kwadri (NLLS). Il-metodu Trust Region-Reflective [38], użat f'dan l-istudju, huwa wieħed mill-ottimizzaturi possibbli użati biex isolvu numerikament il-problema NLLS. B'kuntrast mal-metodi down-simplex, jippermetti li jiġu stabbiliti restrizzjonijiet fuq il-valuri tal-parametri u b'hekk jiġi żgurat li l-istimi finali jaqgħu fil-medda fiżjoloġika. Ir-restrizzjonijiet preżunti fl-istudju tagħna huma elenkati fit-Tabella 1.

Implimentajna l-algoritmu għall-ottimizzazzjoni tal-mudell 2CFM fis-softwer tad-dwana miktub f'Python, disponibbli biex jitniżżel f'[39]. L-algoritmu tnieda għal kull pazjent bl-użu tar-reġjuni tal-kortiċi jew miksuba awtomatikament mill-pipeline ta 'segmentazzjoni deskritt hawn fuq jew annotati manwalment. Fi kwalunkwe każ, l-AIF ġie ddeterminat awtomatikament bl-użu tal-metodu tagħna ppubblikat aktar kmieni fi [40].

2.6. Analiżi Statistika

Wieħed mill-għanijiet tal-awtomatizzazzjoni tal-proċess tas-segmentazzjoni tal-immaġni DCE-MR huwa li jiġu żgurati stimi ta 'perfużjoni stabbli u ripetibbli. Għalhekk, wettaqna t-test ta 'l-Istudent għall-kampjuni relatati (repetuti) biex tivverifika l-ipoteżi nulla ta' mezzi ugwali ta 'GFR stmati fuq żewġ avvenimenti ta' eżami. Barra minn hekk, aħna kkalkulajna l-koeffiċjent tar-ripetibbiltà definit bħala [41]

fejn σdiff hija d-devjazzjoni standard tad-differenzi bejn il-GFRs magħmula fuq l-istess suġġett u ╱pooldenota l-medja tal-kejl kollu. Il-kwantità ′2σdiff imsejħa wkoll devjazzjoni standard ta' kejl wieħed (σsm), hija stima tad-devjazzjoni standard tad-differenzi f'pari ta' kejl potenzjalment ħafna konsekuttivi [42]. Minbarra l-valutazzjoni tar-ripetibbiltà, ir-riproduċibbiltà tal-istima tal-GFR ibbażata fuq l-immaġini ġiet evalwata bl-użu ta 'plots Bland-Altman. Eventwalment, ir-riżultati tal-analiżi miksuba għas-segmenti tal-kliewi misjuba awtomatikament tqabblu ma' annotazzjonijiet manwali.

Cistanche jista 'jtaffikliewib'mod effettiv

3. Riżultati

Figura 5 turi riżultati ta 'eżempji tan-netwerk ta' segmentazzjoni semantika għal tnejn mis-suġġetti parteċipanti flimkien mal-maskri ta 'annotazzjoni tal-verità. Il-proċessi ta 'taħriġ korrispondenti huma viżwalizzati fil-Figura 6, li tpinġi l-evoluzzjoni tal-metriċi ta' telf u evalwazzjoni kemm għas-settijiet ta 'taħriġ kif ukoll ta' validazzjoni. Wieħed jista' josserva, li wara l-ewwel ftit epoki, il-kurvi IoU għas-settijiet ta' taħriġ u validazzjoni kienu qrib xulxin u n-netwerk ma daħalx fl-istat ta' twaħħil żejjed. Fl-istess ħin, kien hemm tnaqqis monotoniku tal-funzjoni tat-telf, li wera li n-netwerk kiseb il-kapaċità ta 'ġeneralizzazzjoni. Il-koeffiċjenti ta' xebh IoU bejn annotazzjonijiet manwali u dawk li jinstabu awtomatikamentkliewireġjuni miksuba wara t-tneħħija tal-gżejjer extrarenali skonnettjati mas-segmenti ewlenin, huma miġbura fit-Tabella 2. Il-medja IoU għas-suġġetti u l-istudji kollha=0.94 u deher lateralment indifferenti.

Fl-istadju li jmiss, il-voxels parenkimali ġew klassifikati f'kompartimenti separati tal-kliewi. Tqabbil tat-tliet klassifikaturi ttestjati huwa ppreżentat fit-Tabella 3. Huwa jevalwa kull metodu fir-rigward ta 'tliet metriċi—eżattezza bilanċjata, recall, u preċiżjoni. Dawn l-aħħar tnejn ġew determinati għal kull kategorija renali separatament. Il-metrika tal-eżattezza bilanċjata nkisbet bħala l-medja tar-rati pożittivi reali miksuba għal klassijiet partikolari. Il-punteġġi kollha ppreżentati kienu valuri medji fuq 20 suġġett tat-test. It-tliet klassifikaturi ttestjati kisbu prestazzjoni simili f'termini tar-rati pożittivi reali (madwar 95 fil-mija). B'mod ġenerali, madankollu, kien l-SVM li wera l-aħjar preċiżjoni bbilanċjata (96 fil-mija) u kiseb ukoll kapaċità akbar mill-metodi l-oħra biex jevita skoperti pożittivi foloz. Kien partikolarment evidenti

għar-reġjun tal-pelvi, fejn preċiżjoni=92 fil-mija kontra 89 fil-mija offruti minn rigressjoni loġistika u klassifikaturi XGBoost.

Rati għolja ta 'preċiżjoni ta' klassifikazzjoni tradotti għal riżultati ta 'segmentazzjoni ugwalment tajbin (Tabella 2), li reġgħu ġew evalwati bl-użu tal-koeffiċjent Jaccard. Din id-darba, madankollu, ġiet ikkalkulata bħala s-somma tal-IoUs determinata għal kull reġjun separatament u mbagħad peżata mill-appoġġ tagħha, jiġifieri, in-numru ta 'voxels tal-verità tal-art li jirrappreżentaw klassi partikolari. Sabiex nippermettu t-tqabbil max-xogħlijiet l-oħra, ikkalkolajna mill-ġdid ir-rati ta' Jaccard miksuba għal koeffiċjenti Dice (punteġġ F1-) bil-formula.

Bl-użu tal-algoritmu tagħna, ksibna l-koeffiċjent medju Jaccard għall-klassi tal-kortiċi fix-xellugkliewiugwali għal 93.2 fil-mija. Fil-każ tar-reġjuni l-oħra, l-IoU kien ekwivalenti għal madwar 91 fil-mija, ħlief għall-klassi tal-pelvi fix-xellugkliewi fejn niżel għal 90.1 fil-mija. Il-kwalità tas-segmentazzjoni fina tista' tiġi kkonfermata viżwalment billi jiġu analizzati eżempji tal-kliewi dekompożizzjoni f'reġjuni murija fil-Figura 7. Sabiex tippermetti l-valutazzjoni f'kuntest usa ', wettaqna wkoll segmentazzjoni b'żewġ metodi alternattivi proposti fil-letteratura. L-ewwel waħda tikkonsisti fl-estrazzjoni tal-karatteristiċi tas-sinjali DCE bl-użu tad-diskreta wavelet transform (DWT) bil-wavelet Daubechies-4, kif postulat eż, fi [12]. Imbagħad ikklassifikajna l-vettori tal-koeffiċjent DWT bl-għajnuna tal-algoritmu SVM. Fit-tieni metodu mqabbel, il-vettori tal-karatteristiċi tal-PCA ġew miġbura bl-użu ta 'algoritmu ta' k-means (b'k=3), kif deskritt f'[14]. Dan it-tieni approċċ naqas milli jiddistingwi sew bejn il-kortiċi u l-medulla. Il-maġġoranza tal-voxels li jirrappreżentaw iż-żewġ reġjuni kienu mħaddna f'grupp komuni u l-pelvi biss kienet rikonoxxuta bħala parti awtonoma tal-parenkima fuq il-biċċa l-kbira tas-sezzjonijiet trasversali. B'kuntrast mar-riżultati miksuba permezz ta 'clustering, ir-reġjuni prodotti b'mod sorveljat bl-użu ta' deskrizzjoni voxels ibbażata fuq DWT huma aktar preċiżi. Madankollu, in-numru ta 'rikonoxximenti foloz huwa apparentement ogħla milli fil-każ ta' vettori tal-karatteristiċi PCA. Il-punteġġ ta 'preċiżjoni bilanċjat miksub għall-klassifikatur SVM kien biss 78 fil-mija f'dan il-każ. Ara l-aħħar żewġ ringieli ta 'Tabella 3 għall-paragun kwantitattiv ta' dawn l-iskemi ta 'qsim alternattivi ma' Xgboost, rigressjoni lineari, u l-aħjar fl-istudju tagħna algoritmu SVM/PCA.

Ir-riżultati tal-istadju tas-segmentazzjoni ntużaw biex jiddeterminaw is-sinjali medji fil-kortiċi renali. Dan is-sinjal imbagħad ġie mwaħħal mal-mudell farmakokinetiku 2CFM. Figura 8 tippreżenta kif wieħed-kliewirati ta' filtrazzjoni glomerulari(SK-GFR) miksuba b'dan il-mod jikkorrispondu għall-punteġġi rilevanti derivati ​​bl-użu tal-annotazzjonijiet manwali. Il-valuri medji SK-GFR fis-suġġetti u l-istudji kollha kif miksuba wara segmentazzjoni awtomatika u manwali huma simili (56 kontra 55 mL/min/1.73 m2) u d-differenza osservata hija statistikament insinifikanti (T-statistika=0.75, valur p=0.46). Barra minn hekk, it-twaħħil lineari bejn iż-żewġ tipi ta' kejl juri l-korrispondenza tajba tagħhom ma' r2=0.13 u 0.49 għas-sessjonijiet ta' eżami MR 1 u 2, rispettivament.

Il-plots Bland–Altman murija fil-Figura 9 jippermettulna nevalwaw il-qbil tal-GFRs totali mar-rati tal-verità tal-art ibbażati fuq iohexol. Qabel l-applikazzjoni tal-metodu Bland–Altman, id-distribuzzjoni normali tal-kejl ġiet ikkonfermata bl-użu tat-test Shapiro–Wilk. Il-valuri p miksuba huma mogħtija fil-leġġendi tal-plott rilevanti. Id-differenza medja għas-sessjoni ta' eżami MR 1 f'termini ta' valuri assoluti kienet iżgħar għal segmentazzjonijiet manwali ( ü0.8 kontra ü7.4 mL/min/1.73 m2). Fil-każ tas-sessjoni 2, il-valuri ta '╱d kienu konsistenti bejn il-metodi ta' segmentazzjoni, għalkemm il-qbil mal-metodu ta 'referenza kien aktar dgħajjef. L-algoritmu propost, madankollu, deher li jaħdem kemmxejn aħjar (ü 12.9 kontra ü 14.1 mL/min/1.73 m2). Abbażi tar-riżultati miksuba, ma setax jiġi deċiż liema approċċ ta' segmentazzjoni żgura limiti idjaq ta' ftehim. Fil-każ tas-sessjoni 1, il-paragun iffavorixxi s-segmentazzjoni manwali (π=31.3 kontra 35.5 mL/min/1.73 m2). Madankollu, l-iqsar limiti ta' qbil u intervalli ta' kunfidenza fl-esperimenti kollha nkisbu għal sessjoni 2 u tikkettjar awtomatiku (π=25.1 mL/min/1.73 m2). Iż-żewġ approċċi tas-segmentazzjoni wasslu għal riżultati ripetibbli (ara Tabella 4) bil-koeffiċjent tal-varjazzjoni ugwali għal 30.2 fil-mija fl-agħar każ (segmentazzjoni manwali, xellugkliewi). Apparentement, is-segmentazzjoni awtomatika żgurat stabbiltà aħjar b'koeffiċjenti ta 'varjazzjoni darbtejn aktar baxxi milli fil-każ ta' kontropartijiet manwali. Il-valuri p miksuba fit-testijiet t ta' Student għall-kampjuni relatati kienu kollha ogħla mil-livell ta' kunfidenza a=0.05 u wrew evidenza insuffiċjenti kontra l-ipoteżi nulla li ma kienx hemm differenza sinifikanti bejn il-mezzi osservati tal-kejl SK-GFR. Madankollu, il-valur p ikkalkulat għall-kliewi tax-xellug u s-segmentazzjoni manwali kien relattivament żgħir. Aktar investigazzjoni, li potenzjalment tinvolvi kampjun akbar, hija meħtieġa biex tiġi kkonfermata jew miċħuda r-ripetibbiltà tal-kejl f'dan il-każ.

4. Diskussjoni

L-għan ewlieni ta 'dan l-istudju kien li jitfassal metodu effiċjenti għalkliewisegmentazzjoni fl-immaġini DCE-MR. Aħna għaqqadna l-kunċetti proposti parzjalment f'xogħlijiet ippubblikati qabel f'qafas ta 'komputazzjoni uniformi. Tħaddan segmentazzjoni semantika oħxon tal-parenkima tal-kliewi, trasformazzjoni PCA ta 'korsijiet ta' ħin tas-sinjali MR biex toħloq rappreżentazzjoni numerika ta 'voxels u mbagħad tippermetti l-klassifikazzjoni tagħhom biex tipproduċi segmentazzjoni fina tat-tessut renali f'kortiċi, medulla u pelvi. L-approċċ propost iwassal għal riżultati preċiżi, li jippermetti rikonoxximent tal-kliewi bir-rata ta '94 fil-mija f'termini ta' koeffiċjent Jaccard. Is-segmentazzjoni ta 'kompartimenti partikolari tal-kliewi tista' tinkiseb b'IoU bejn 90 fil-mija u 93 fil-mija (96-95 fil-mija tal-koeffiċjent Dice), skont it-tip ta 'tessut.

Meta ssir referenza għal riżultati ppubblikati oħra, il-proporzjonijiet miksuba huma jew f'konformità tajba jew kemmxejn aktar baxxi. Fi [14], il-punteġġ Dice għal dawk b'saħħithomkliewisegmentazzjoni kienet irrappurtata fil-livell ta '99 fil-mija (kortiċi), 98 fil-mija (medulla), u 96 fil-mija (pelvi). Madankollu, intwera wkoll għal data simulata li l-istorbju tal-immaġini jista’ jiddegrada b’mod sinifikanti l-eżattezza għal 82–85 fil-mija. Peress li l-protokolli tal-immaġini użati fihom u fl-istudju tagħna kienu differenti kemm fir-rigward tar-riżoluzzjoni spazjali kif ukoll temporali, id-diskrepanzi osservati fil-medda ta '1-2 fil-mija jistgħu jiġu attribwiti għal diversi livelli ta' storbju fl-istudji tagħna. Intużaw kundizzjonijiet ta' skanjar komparabbli fi grupp wieħed ta' pazjenti pedjatriċi fi [15]. Il-medja tal-punteġġ F1-osservat hemmhekk kienet ugwali għal 93 fil-mija għat-totalitàkliewi, u 86 fil-mija għall-kortiċi renali. Fi [12] segmentazzjoni bbażata fuq clustering ġiet evalwata bl-użu ta 'punteġġi ta' preċiżjoni. Ir-riżultati medji miksuba kienu: 88 fil-mija —kortiċi, 91 fil-mija —medulla, u 98 fil-mija —pelvi. Dawn il-valuri jistgħu jissejħu b'mod kollettiv bħala l-punteġġ ta' preċiżjoni bilanċjat li jqis id-daqs ta' segment partikolari. Għalhekk, il-mudell SVM tagħna jidher li jaqbeż l-approċċ ibbażat fuq clustering li joffri preċiżjoni tal-klassifikazzjoni, kif ukoll rati ta 'recall fil-livell ta' 96 fil-mija anke għall-akbar reġjun tal-kortiċi.

Eventwalment, in-netwerk CNN iddedikat għar-rikonoxximent tal-sħiħkliewideskritt f'[26] wera prestazzjoni aktar baxxa mid-disinn U-Net tagħna, u kiseb punteġġ F1-= 91.4 fil-mija għas-suġġetti tat-test normali.

Id-differenzi osservati fir-riżultati tas-segmentazzjoni għandhom jitqiesu wkoll fid-dawl tal-konfigurazzjoni tal-algoritmu tat-taħriġ tal-irtirar. B'kuntrast ma 'xi approċċi alternattivi [11,14], l-istrateġija tagħna hija indipendenti mill-pazjent. Ladarba s-segmentazzjoni semantika u l-mudelli ta' klassifikazzjoni jinbnew, huma applikati għal studji ġodda, li ma jiltaqgħux magħhom fis-sett ta' taħriġ. Għalhekk, karatteristiċi speċifiċi għall-pazjent ma jistgħux jiggwidaw il-mekkaniżmu ta 'rikonoxximent u jistgħu ma jaqblux mal-mudell imħarreġ, u jnaqqsu r-rata ta' preċiżjoni ġenerali. Barra minn hekk, kif diskuss hawn fuq, minħabba l-effett tal-volum parzjali li jippersisti fuq il-fruntieri bejn il-kortiċi, il-medulla u l-pelvi, għad hemm xi doża ta 'inċertezza rigward is-segmentazzjonijiet manwali ta' referenza li għandhom jitqiesu waqt li jiġu analizzati l-metriċi rrappurtati. Għalkemm il-klassifikatur tal-SVM kien imħarreġ fuq sinjali tal-verità tal-art magħżula bir-reqqa u distintivi għat-tessuti, id-dejta tal-validazzjoni, li għandha tħaddan il-voxels renali kollha, xorta tista 'tbati minn suġġettiviżmu tal-annotazzjonijiet tal-osservatur.

Minbarra s-setgħa osservata li tipproduċi riżultati ta 'segmentazzjoni preċiżi, l-istrateġija tagħna għandha karatteristika waħda vantaġġuża. Peress li nużaw klassifikatur sorveljat biex jassenjaw il-voxels tal-immaġini li jkunu xierqakliewireġjuni, m'hemmx bżonn ta' pass ta' tikkettar separat. Fil-każ ta 'clustering, huwa meħtieġ li tiġi pprovduta xi euristiku għall-interpretazzjoni tal-kategorija attwali ta' kull cluster, jekk trid tiġi żgurata l-awtomazzjoni tal-proċedura kollha.

Kif muri fil-Figura 10, hemm prinċipalment żewġ sorsi ta 'diskrepanza bejn annotazzjonijiet awtomatiċi u manwali. L-ewwelnett, il-fruntiera bejn il-cortiċi u l-piramidi medullari hija ambigwa u l-voxels korrispondenti huma parzjalment mimlija biż-żewġ tipi

tat-tessut renali. Filwaqt li l-metodu awtomatiku għandu t-tendenza li jinkludi voxels bħal dawn fil-klassi tal-kortiċi, huma ta 'spiss ġew indikati bħala medulla mill-espert. Min-naħa l-oħra, anki s-segmentazzjoni manwali mhix konsistenti f'dan ir-rigward li turi d-diffikultà biex tiddeċiedi b'mod arbitrarju dwar il-klassi ta 'voxels fejn l-effett tal-volum parzjali huwa dominanti. It-tieni, skoperti foloz jistgħu jiġu osservati eż, fuq it-truf kortikali esterni. Dawn l-effetti jistgħu jiġu attribwiti għar-reġistrazzjoni ħażina tal-immaġini fid-dominju tal-ħin. Il-metodu ta 'reġistrazzjoni b-spline applikat ma kienx ottimizzat għall-ħtieġa ta' dan l-istudju u jibqa 's-suġġett tal-investigazzjoni futura tagħna.

L-esperimenti mwettqa wrew ukoll li l-algoritmu ta 'segmentazzjoni propost itejjeb ir-ripetibbiltà tal-istima SK-GFR bbażata fuq l-immaġni. Il-koeffiċjenti tal-varjazzjoni kkalkulati ammontaw għal 14.5 fil-mija u 17.5 fil-mija għax-xellug u l-leminkliewi, rispettivament. Fil-każ ta' annotazzjonijiet manwali, ksibna CoV=30.2 fil-mija u 29.4 fil-mija. Dawn ir-riżultati għandhom jiġu evalwati fir-rigward tal-varjazzjoni GFR naturali kkawżata minn fatturi indipendenti, bħad-dieta u l-ħin tal-ġurnata. Huwa mistenni li l-livell tal-krejatinina fis-serum, li jikkorrelata sew mal-GFR, jista 'jikseb grad ta' varjazzjoni sa 10 fil-mija [43]. Għalhekk, CoV ta' madwar. 15 fil-mija jindika ripetibbiltà tajba tal-proċedura li tutilizza awtomatizzatkliewisegmentazzjoni. Barra minn hekk, il-metriċi ta' ripetibbiltà miksuba jaqgħu fil-medda ta' valuri ppreżentata band'oħra, eż, f'[44] CoV=32 fil-mija u 27 fil-mija, filwaqt li f' [13], CoV=17.5 fil-mija u 15.4 fil-mija għal ix-xellug u l-leminkliewi, rispettivament. Fl-aħħar studju, madankollu, CoV ġie kkalkulat biss bħala tal-proporzjon ta 'σsm u l-medja tal-kejl kollu, mingħajr il-fattur addizzjonali ta' ′2. Jekk dan il-fattur ta 'korrezzjoni jiġi rifless, il-CoVs irrappurtati tagħhom isiru 24.7 fil-mija u 21.8 fil-mija, li huma pjuttost qrib is-sejbiet tagħna.

Jistgħu jitqajmu tliet limitazzjonijiet tal-istudju tagħna. L-ewwelnett, il-qsim preżunt f'irqajja ta 'l-immaġini jista' jxaqleb in-netwerk ta 'segmentazzjoni semantika biex jitgħallemkliewipostijiet biss ħdejn wieħed mit-truf tal-garża. Għalhekk, f'aktar żvilupp tal-mudelli tagħna, se jiġi studjat kif l-algoritmu jwettaq jekk il-kamp ta' viżjoni tal-akkwist jiġi kkonfigurat b'mod differenti. It-tieni, l-algoritmu ta 'segmentazzjoni kien iddisinjat bl-użu ta' suġġetti b'saħħithom biss. Jista' jkollu konsegwenzi partikolarment sinifikanti fil-każ ta' segmentazzjoni fina tal-parenkima renali. L-aġġustament tal-mudell ta' klassifikazzjoni għall-kliewi morda jista' jeħtieġ l-estensjoni tan-numru ta' klassijiet għal aktar minn tliet kategoriji biss (kortiċi, medulla, u pelvi) sabiex jirriflettu karatteristiċi temporali differenti ta' leżjonijiet fit-tessut renali. It-tielet nett, sabiex nikkalkula l-GFR, weħħejna l-mudell 2CFM mas-sinjal DCE medju stmat fil-kortiċi segmentati. Minħabba l-effett tal-volum parzjali, kemm is-segmentazzjoni manwali kif ukoll dik awtomatika jistgħu jikklassifikaw xi voxels bħala medullari, għalkemm fihom glomeruli renali. L-injorar ta 'voxels bħal dawn jista' jkun wieħed mir-raġunijiet għad-diskrepanzi osservati bejn il-kejl GFR derivat minn immaġini u bbażat fuq iohexol. Sabiex tingħeleb din il-problema, xi awturi [5] jipproponu li jużaw ROI tal-kliewi sħaħ biex jiżguraw li l-voxels kollha li jikkontribwixxu għall-filtrazzjoni renali huma inklużi fil-proċess ta 'twaħħil tal-mudell PK. Aħna sibna, madankollu, li dan l-approċċ iwassal għal stima żejda notevoli tal-GFR għas-settijiet ta 'dejta disponibbli fl-istudju tagħna. Għalhekk, fil-futur, qed nippjanaw li napplikaw tekniki ta 'super-riżoluzzjoni bbażati fuq it-tagħlim profond u nippruvaw niksbu annotazzjonijiet aktar preċiżi ta' voxels kortikali.

Barra minn hekk, għandu jiġi sfruttat approċċ kompletament 3D għas-segmentazzjoni semantika. Jista 'jkun mistenni li netwerk newrali kapaċi jipproċessa volumi sħaħ ta' MR jipproduċi aktar preċiżikliewiannotazzjonijiet grazzi għal informazzjoni addizzjonali fil-fond. Madankollu, il-problema f’dan l-istudju kellha titnaqqas għal żewġ dimensjonijiet minħabba n-numru relattivament żgħir ta’ studji disponibbli għat-taħriġ. Id-dekompożizzjoni ta 'immaġini volumetriċi f'sezzjonijiet trasversali 2D ippermettiet li żżid b'mod sinifikanti s-sett tad-dejta tat-taħriġ.

Eventwalment, kif deskritt qabel, l-approċċ propost ġie vvalidat bil-mod ta' leave-one-subject-out. Kien hemm netwerks newrali effettivi, 10 indipendenti u mudelli klassifikati maħluqa. Mistoqsija leġittima hija kif dawn il-mudelli jistgħu jiġu applikati għal suġġetti ġodda minn barra l-kampjun disponibbli f'dan l-istudju. Għażla waħda tkun li jinħoloq ensemble u jiġi introdott mekkaniżmu ta' votazzjoni. Alternattivament, tista' tiġi mħarrġa skema ġdida ta' segmentazzjoni (li tħaddan kemm passi oħxon kif ukoll fine-grained) ibbażata fuq il-kampjun tas-suġġett kollu 10-. Il-prestazzjoni tagħha fir-rigward ta' settijiet ta' data ġodda għandha tkun komparabbli mar-riżultati ppreżentati hawn fuq.

cistanche jista 'jtaffikliewiuġigħ, ikklikkja hawn biex tkun taf aktar

5. Konklużjonijiet

Biex nikkonkludu, f'dan id-dokument aħna wrejna qafas komputazzjonali għall-appoġġ tal-valutazzjoni kwantitattiva ta 'kliewiperfużjoni billi tipprovdi mod awtomatizzat ta 'segmentazzjoni tal-kompartimenti tal-kliewi. Ir-riżultati tal-eżattezza miksuba juru l-operat affidabbli tal-metodu ddisinjat. Barra minn hekk, fl-esperimenti tagħna, approċċi alternattivi biex jiddiskriminaw is-segmenti tal-kortiċi, il-medulla u l-pelvi, ibbażati fuq trasformazzjonijiet ta 'wavelet u algoritmi ta' clustering jaħdmu b'mod inqas effettiv. Ir-ripetibbiltà tal-kejl SK-GFR ibbażat fuq segmenti misjuba awtomatikament titjieb meta mqabbla mar-riżultati tal-ipproċessar manwali u tibqa 'wkoll fi qbil tajjeb ma' riżultati ppubblikati oħra. Il-metodu ta 'segmentazzjoni ddisinjat jippermetti aktar oġġettiviżmu tal-parametri tal-perfużjoni derivati ​​mill-immaġni u wkoll dijanjosi potenzjalment aktar mgħaġġla ta' indebolimenti renali. Dawn is-sejbiet iġibu eqreb l-applikazzjoni klinika tal-immaġini DCE-MR bħala metodu ta’ rutinakliewidijanjostika. Fl-aħħarnett, sabiex niffaċilitaw din il-bidla mir-riċerka għad-dominju tal-applikazzjoni, nagħmlu l-qafas tas-softwer tagħna għall-immudellar farmakokinetiku disponibbli fuq [39]. Ir-repożitorju jinkludi wkoll l-iskripts għall-estrazzjoni u l-klassifikazzjoni tal-karatteristiċi bbażati fuq is-sinjali DCE.

Kontribuzzjonijiet tal-Awtur:Kunċettwalizzazzjoni, AK; metodoloġija, AK, u EE; Softwer, AK; validazzjoni, AK; analiżi formali, AK; investigazzjoni, AK; riżorsi, EE u AL; kurazzjoni tad-dejta, EE; kitba—preparazzjoni tal-abbozz oriġinali, AK; kitba—reviżjoni u editjar, AL u EE; viżwalizzazzjoni, AK; superviżjoni, AL; amministrazzjoni tal-proġett, AK L-awturi kollha qraw u qablu mal-verżjoni ppubblikata tal-manuskritt.

Finanzjament:Din ir-riċerka ma rċeviet l-ebda finanzjament estern.

Dikjarazzjoni tal-Bord ta' Reviżjoni Istituzzjonali:L-istudju sar skont id-Dikjarazzjoni ta 'Ħelsinki, u l-protokoll ġie approvat mill-Kumitati Reġjonali għall-Etika tar-Riċerka Medika—Norveġja tal-Punent (REC West 2012/1869).

Dikjarazzjoni ta' Kunsens Informat:Is-suġġetti kollha taw il-kunsens infurmat tagħhom għall-inklużjoni qabel ma pparteċipaw fl-istudju.

Dikjarazzjoni tad-Disponibbiltà tad-Data:L-immaġini DCE-MR użati f'dan l-istudju ma jistgħux isiru disponibbli minħabba li l-kunsens bil-miktub iffirmat mill-parteċipanti ma koprax il-ftehim għat-tixrid pubbliku tad-dejta miksuba.

Kunflitti ta' Interess:L-awturi ma jiddikjaraw l-ebda kunflitt ta' interess.

Referenzi

1. Zabell, JR; Larson, G.; Koffel, J.; Li, D.; Anderson, JK; Piż, CJ Użu tal-Modifikazzjoni tad-Dieta fl-Ekwazzjoni tal-Mard Renali għall-Istima Rata ta' Filtrazzjoni Glomerularifil-Letteratura Uroloġika. J. Endourol. 2016, 30, 930–933.

2. Delaney, P.; Ebert, N.; Melsom, T.; Gaspari, F.; Mariat, C.; Kavallieri, E.; Björk, J.; Christensson, A.; Nyman, U.; Porrini, E.; et al. It-tneħħija tal-plażma ta' Iohexol għall-kejlrata ta' filtrazzjoni glomerularifil-prattika klinika u r-riċerka: Reviżjoni. Parti 1: Kif titkejjelrata ta' filtrazzjoni glomerularima iohexol? Clin.KilwaJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Rata ta' filtrazzjoni glomerulari: Valutazzjoni b'MRI dinamiku mtejjeb b'kuntrast u mudell ta' kompartiment kortikali fil-fenekkliewi. J. Magn. Reson. Immaġini 2004, 20, 843–849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO MRI-kejl tal-perfużjoni u l-filtrazzjoni glomerulari fil-bniedemkliewib'mudell ta' kompartiment separabbli. Investig. Radiol. 2008, 43, 40–48.

5. Tofts, P.; Cutajar, M.; Mendichovsky, I.; Peters, A.; Gordon, I. Kejl preċiż tal-filtrazzjoni tal-kliewi u l-parametri vaskulari bl-użu ta’ mudell b’żewġ kompartimenti għal MRI dinamiku mtejjeb b’kuntrast tal-kliewijagħti valuri normali realistiċi. Eur. Radiol. 2012, 22, 1320–1330.

6. Chen, B.; Zhang, Y.; Kanzunetta, X.; Wang, X.; Zhang, J.; Fang, J. Stima Kwantitattiva tal-Funzjoni Renali b'MRI Dinamika Msaħħa b'Kuntrast Bl-Użu ta' Mudell b'żewġ kompartimenti Modifikat. PLoS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovsky, I.; Tofts, P.; Gordon, I. L-importanza tal-għażla tal-AIF ROI fir-renografija DCE-MRI: Riproduċibbiltà u varjabbiltà tal-perfużjoni u l-filtrazzjoni tal-kliewi. Eur. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, H.; Bokacheva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; Prince, K.; Kanzunetta, T.; Kramer, EL; et al. Kejl tal-funzjoni renali mir-renografija MR u mudell multikompartimentali simplifikat. Em. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS; Blasberg, RG Evalwazzjoni Grafika tal-Kostanti tat-Trasferiment tad-Demm għall-Moħħ minn Data ta 'Tuptake Multiple-Time. Ġeneralizzazzjonijiet. J. Cereb. Fluss tad-Demm Metab. 1985, 5, 584–590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Kejl ta' single-kliewirata ta 'filtrazzjoni glomerulari bl-użu ta' sekwenza ta 'gradjent-eku dinamika msaħħa b'kuntrast u t-teknika tal-plott Rutland-Patlak. J. Magn. Reson. Immaġini 2003, 18, 714–725.

11. Zöllner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rørvik, J.; Santos, A.; Lundervold, A. Valutazzjoni tat-3D DCE-MRI tal-kliewibl-użu ta 'reġistrazzjoni ta' immaġini mhux riġidi u segmentazzjoni ta 'korsijiet ta' ħin voxel. Kompjuta. Med. Grafika tal-Immaġini. 2009, 33, 171–181.

12. Li, S.; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Segmentazzjoni bbażata fuq il-wavelet tal-kompartimenti tal-kliewi fid-DCE-MRI tal-bniedemkliewi: Riżultati inizjali f'pazjenti u voluntiera b'saħħithom. Kompjuta. Med. Grafika tal-Immaġini. 2012, 36, 108–118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Kejl tal-MRI b'kuntrast dinamiku tal-funzjoni renali f'parteċipanti b'saħħithom. Acta Radiol. 2017, 58, 748–757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Segmentazzjoni tal-kompartiment tal-kliewi f'immaġini DCE-MRI. Med. Immaġni Anal. 2016, 32, 269–280.

15. Yoruk, U.; Hargreaves, BA; Vasanawala, SS Segmentazzjoni renali awtomatika għall-urografija MR bl-użu ta '3D-GrabCut u foresti każwali. Magn. Reson. Med. 2018, 79, 1696–1707.

16. Lundervold, AS; Lundervold, A. Ħarsa ġenerali lejn it-tagħlim profond fl-immaġini mediċi li tiffoka fuq l-MRI. Z. Für Med. Phys. 2019, 29, 102–127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Evalwazzjoni ta 'Netwerks Newrali Fond għas-Segmentazzjoni Semantika tal-Prostata f'T2W MRI. Sensuri 2020, 20, 3183.

18. Shelhamer, E.; Long, J.; Darrell, T. Netwerks Kompletament Konvoluzzjonali għas-Segmentazzjoni Semantika. IEEE Trans. Mudell Anal. Mach. Intell. 2017, 39, 640–651.

19. Badrinarayanan, V.; Kendall, A.; Cipolla, R. SegNet: Arkitettura tal-Encoder-Decoder Konvoluzzjonali Fond għas-Segmentazzjoni tal-Immaġni. IEEE Trans. Mudell Anal. Mach. Intell. 2017, 39, 2481–2495.

20. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Netwerks Konvoluzzjonali għas-Segmentazzjoni tal-Immaġni Bijomediċi. Fil-Proċedimenti tat-18-il Konferenza Internazzjonali dwar il-Kompjuter tal-Immaġni Mediċi u l-Intervent Megħjun mill-Kompjuter, Munich, il-Ġermanja, 5–9 ta’ Ottubru 2015; pp. 234–241.