Segmentasi Semantik Automatik Sista Buah Pinggang dalam MR Imej Pesakit Yang Terjejas Oleh Penyakit Ginjal Polikistik Autosomal-dominan

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

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

Abstrak

TujuanUntuk pesakit yang terjejas oleh polikistik dominan autosomalbuah pinggangpenyakit(ADPKD), kejayaan pembezaan sista berguna untuk klasifikasi automatik fenotip pesakit, membuat keputusan klinikal dan perkembangan penyakit. Objektifnya adalah untuk membangunkan dan menilai kaedah segmentasi semantik automatik sepenuhnya untuk membezakan dan menganalisis sista buah pinggang pada pesakit dengan ADPKD.

Kaedah Pendekatan pembelajaran mendalam automatik menggunakan rangkaian saraf konvolusi telah dilatih, disahkan dan diuji pada set 60 MR T2-imej berwajaran. Pendekatan pengesahan silang tiga kali ganda digunakan untuk melatih tiga model pada set latihan dan pengesahan yang berbeza (n=40). Model ensemble kemudiannya dibina dan diuji pada kes tahan (n=20), dengan setiap kes dibandingkan dengan pembahagian manual yang dilakukan oleh dua pembaca. Perjanjian pembahagian antara pembaca dan kaedah automatik telah dinilai.

KeputusanPendekatan automatik didapati berprestasi pada tahap kebolehubahan antara pemerhati. Pendekatan automatik mempunyai pekali Dadu (min ± sisihan piawai) sebanyak {{0}}.86 ± 0.10 lwn Pembaca-1 dan {{10}}.84 ± {{20}}.11 lwn. Pembaca-2. Dadu Antara Pemerhati ialah 0.86 ± 0.08. Dari segi jumlah volum sista (TCV), pendekatan automatik mempunyai perbezaan peratus sebanyak 3.9 ± 19.1 peratus berbanding Pembaca-1 dan 8.0 ± 24.1 peratus berbanding Pembaca-2, manakala kebolehubahan antara pemerhati ialah − 2.0 ± 16.4 peratus .

Kesimpulan Kajian ini membangunkan dan mengesahkan pendekatan automatik sepenuhnya untuk melaksanakan segmentasi semantik bagibuah pinggangsista dalam imej MR pesakit yang terjejas oleh ADPKD. Pendekatan ini akan berguna untuk meneroka biomarker pengimejan tambahan ADPKD dan mengelaskan fenotip secara automatik.

Kata kunciPolikistik dominan autosomalbuah pinggangpenyakit· Pembahagian sista semantik · Pembelajaran mendalam · Pengimejan resonans magnetik

Faedah Cistanche deserticola: menghalangbuah pinggangpenyakit

pengenalan

Polikistik dominan autosomalbuah pinggangpenyakit(ADPKD) adalah penyakit buah pinggang keturunan yang paling biasa, yang menjejaskan kira-kira 12 juta orang di seluruh dunia, dan kini merupakan punca utama kegagalan buah pinggang keempat [1, 2]. Patologinya adalah sedemikian rupa sehingga pertumbuhan berterusan sista menyebabkan peningkatan progresif dalam jumlahbuah pinggangisipadu (TKV). Pesakit ADPKD biasa mempamerkan penurunan fungsi buah pinggang yang progresif dan kira-kira 70 peratus kemajuan kepada penyakit buah pinggang peringkat akhir antara umur 40 dan 70 tahun [3, 4].

TKV telah ditunjukkan dalam beberapa kajian sebagai peramal yang berguna untuk perkembangan ADPKD [5-7]. Begitu juga, keupayaan untuk menggambarkan dan mengukur beban sista seterusnya menyumbang kepada pengetahuan kita tentang perkembangan penyakit, struktur, dan varians genotip. Adalah difahami dengan baik bahawa perkembangan dan pertumbuhan sista sangat berkorelasi dengan penurunan fungsi buah pinggang [6, 8]. Di samping itu, telah ditunjukkan bahawa terdapat korelasi langsung antara pertumbuhan TKV dan pertumbuhan sista; bagaimanapun, kadar pertumbuhan sista dan pembentukan sista baru adalah bergantung kepada setiap individu [9]. Tambahan pula, kajian membujur telah mendapati bahawa dari semasa ke semasa, pesakit dengan ADPKD mengalami peningkatan dalam TKV dan jumlah sista dan penurunan dalam jumlah parenkim yang menunjukkan bahawa bukan sista.buah pinggangtisusedang digantikan dengan lebih banyak sista dan sista yang terus membesar [10]. Menariknya, pertumbuhan sista dan indeks sista (nisbah isipadu sista kepada TKV) berbeza dengan ketara antara genotip PKD1 dan PKD2, kerana pesakit dalam populasi PKD1 cenderung untuk membina sista lebih awal [11, 12]. Analisis tambahan beban dan pertumbuhan sista berpotensi untuk memaklumkan tentang trend penyakit dan strategi terapeutik.

Apabila biomarker pengimejan baharu muncul, saintis mencari kaedah yang cepat dan cekap untuk mengasingkan sista dan bukan sista.buah pinggangkawasan untuk analisis kuantitatif sifat tisu yang lebih mendalam [13, 14]. Pada masa lalu, kawasan sista dan buah pinggang telah dibahagikan secara manual, yang sangat intensif buruh dan subjektif [15]. Pelbagai pendekatan pembahagian sista separa automatik telah dicadangkan menggunakan ambang berasaskan intensiti sebagai permulaan [16, 17] serta teknik pembelajaran mesin klasik seperti k-means clustering [18], kaedah kontur [19], dan bentuk kebarangkalian terdahulu. peta [20]. Walau bagaimanapun, pendekatan pembelajaran mendalam automatik sepenuhnya menggunakan rangkaian saraf berpotensi untuk menghilangkan penganalisis imej daripada kebosanan pengesanan manual dan menyediakan pengiraan dan segmentasi volum yang boleh dihasilkan dan teguh. Pembelajaran mendalam adalah unik kepada kaedah pembahagian yang disebutkan di atas kerana model ini mampu "mempelajari" ciri imej penting daripada input data yang membolehkannya melaksanakan tugas pembahagian muktamadnya. Melalui latihan, model ini mampu mengesan corak, keamatan piksel dan maklumat bentuk yang mungkin tidak mudah dikesan oleh mata manusia.

Rangkaian saraf konvolusi (CNN) yang bermula dengan mengurangkan resolusi spatial diikuti dengan pemulihan resolusi cemerlang pada tugas pembahagian imej perubatan peringkat piksel/voxel kerana seni binanya yang unik. Ringkasnya, bahagian penguncupan pertama ialah satu siri lapisan pengurang konvolusi dan resolusi yang digunakan untuk mengurangkan kerumitan imej dan bahagian pengembangan kedua pada dasarnya adalah imej cermin laluan pertama yang digunakan untuk menggabungkan ciri dan maklumat spatial. Seni bina U-Net [21] ialah satu rangkaian sedemikian yang telah dimanfaatkan dengan ketara dalam analisis imej perubatan untuk menyelesaikan tugasan segmentasi. Manfaat khusus seni bina ini ialah ia tidak memerlukan set latihan yang besar berbanding dengan rangkaian lain dan menghasilkan output pembahagian yang sangat tepat.

Dalam kajian ini, kami menggunakan set data imej MR PKDbuah pinggangdengan pengesanan sista oleh dua pembaca yang berfungsi sebagai kebenaran asas. Pendekatan automatik dibangunkan (seni bina jenis U-Net yang diubah suai), dan model ensemble ditubuhkan dan diuji pada set data ujian. Model rangkaian saraf dalam yang diterangkan dalam kajian ini membolehkan pembahagian semantik bagibuah pinggangsista untuk penentuan jumlah isipadu sista (TCV) dan mungkin berguna untuk penilaian selanjutnya terhadap fenotip penyakit.

khasiat cistanche tubolosa

Bahan dan kaedah

data imej MR

Kajian retrospektif ini mendapat kelulusan daripada lembaga semakan institusi di https://github.com/TLKline/ AutoKidneyCyst. Imbasan MR bagi 60 pesakit unik dengan ADPKD dengan pelbagai tahap keterukan telah diambil daripada pangkalan data imej PKD kami. Imbasan T2-lemak berwajaran (N=42) dan tepu bukan lemak (N=18) telah digunakan dalam analisis ini. Imej MR ialah jujukan T2 pukulan tunggal pantas spin-echo (SSFSE) koronal, diperoleh dengan pengimbas GE, dengan saiz matriks 256 × 256xZ (dengan Z cukup besar untuk menampung keseluruhan buah pinggang dalam jumlah yang diimej). Saiz voxel imej adalah mengikut susunan 1.5 mm dalam satah dengan ketebalan kepingan biasanya 3.0 mm.

Pembahagian manual

Pengesanan buah pinggang dan sista dilakukan secara manual oleh dua penganalisis imej (https://github.com/TLKline/AutoK idneyCyst) dengan pengalaman bertahun-tahun melakukan pengesanan ini. Set latihan/pengesahan telah dikesan oleh seorang pembaca, dan set ujian dikesan oleh kedua-duanya untuk menilai kebolehubahan antara pemerhati. Protokol analisis imej tidak termasuk pelvis buah pinggang dan struktur vaskular. Daripada pengesanan, TKV dan TCV dikira sebagai bilangan voxel didarab dengan voxel voxel. Setiap penganalisis dibutakan oleh pengesanan yang lain. Penjejakan ini telah dieksport sebagai fail NIfTI.

Stratifikasi data

Daripada pembahagian TKV yang dijana untuk setiap imbasan, imbasan telah diisih kepada 40 kes latihan/pengesahan dan 20 kes untuk set ujian tahan. Set data latihan/pengesahan mempunyai 28 kes tepu lemak dan 12 kes tepu bukan lemak (70 peratus tepu lemak). Set ujian tahan mempunyai 14 kes tepu lemak dan 6 kes tepu bukan lemak (70 peratus tepu lemak).

Prapemprosesan

Model ini dilatih sebagai pendekatan dua saluran dengan kepingan imej MR sebagai satu saluran, dan pembahagian buah pinggang sebagai yang lain. Ambil perhatian bahawa dengan pendekatan dua saluran ini, rangkaian saraf belajar untuk hanya mengenal pasti sista dalam buah pinggang. Imej-imej itu telah diskalakan semula kepada saiz matriks 256 × 256 menggunakan interpolasi antara padu untuk imej MR, dan interpolasi jiran terdekat untuk topeng segmentasi buah pinggang dan sista. Keamatan setiap imbasan MR mula-mula dinormalisasi kepada semua yang mempunyai tahap persentil ke-95 yang sama dan kemudian normalisasi skalar piawai digunakan (min sifar, sisihan piawai unit).

Model segmentasi semantik

Seni bina rangkaian adalah serupa dengan kerja kami sebelum ini [22, 23]. Blok lilitan terdiri daripada lilitan 2D, diikuti dengan keciciran (keciciran=0.1), penormalan kelompok, lilitan 2D dan pengumpulan maksimum (saiz kolam=2 ×2). Lapisan peleraian lebih tinggi mempunyai kernel yang lebih besar (dari 7 × 7 hingga 5 × 5 hingga 3 × 3 dalam blok ke bawah laluan pengekod, dan secara terbalik ke atas laluan penyahkod) untuk mempelajari jenis penapis yang lebih besar dan lebih kompleks. Sambungan langkau dilaksanakan sebagai lapisan tambahan (seperti Resnet [24]). Pengoptimumnya ialah Adam [25] dengan kadar pembelajaran awal 1e-3 dan pereputan 1e-5. Metrik kerugian ialah metrik persamaan Dadu. Model ini dilatih untuk 200 zaman dengan saiz kelompok=8 dan model dengan ukuran pengesahan terbaik disimpan semasa proses latihan. Model ini telah dilaksanakan di Keras dengan TensorFlow sebagai bahagian belakang. Model ini dilatih pada GPU Nvidia Tesla P40 (memori 24 GB). Input kepada model ialah matriks dua saluran (256×256×2). Saluran pertama ialah kepingan imej MR dan yang kedua ialah topeng buah pinggang yang sepadan. Keluaran adalah ramalan untuk pembahagian sista. Secara keseluruhannya, tiga model telah dilatih pada tiga lipatan latihan/pengesahan yang berbeza, dan ensemble, model undian majoriti kemudiannya dibuat dan digunakan pada set ujian penahanan. Kod disediakan di:

Penilaian

Seperti yang diterangkan dalam bahagian model, set latihan/pengesahan dipecahkan kepada tiga lipatan untuk melatih subset data yang berbeza. Bagi setiap lipatan, lengkung latihan dan pengesahan telah dihasilkan semasa proses pembelajaran dan model terbaik daripada setiap lipatan telah disimpan. Model ensemble majoriti kemudiannya dijana dan digunakan pada set data ujian tahan. Perbandingan jumlah sista dan indeks sista dilakukan dengan regresi linear, dan indeks sista juga dinilai oleh analisis Bland-Altman untuk menilai berat sebelah dan ketepatan pengukuran. Selain itu, tindanan visual dibuat untuk menilai secara kualitatif kaedah automatik dan metrik persamaan dijana untuk penilaian kuantitatif. Dalam setiap kes, kedua-dua segmentasi pembaca telah dibandingkan untuk menilai kebolehubahan antara pemerhati, dan pendekatan automatik dibandingkan secara individu kepada setiap pembaca.

faedah cistanche gurun: meningkatkan fungsi buah pinggang

Keputusan

Tidak terdapat perbezaan yang signifikan antara set latihan, pengesahan dan ujian dari segi keterukan penyakit (iaitu, TKV). Ditunjukkan dalam Rajah 1 ialah taburan volum yang digambarkan sebagai plot ketumpatan kernel. Ini ditunjukkan untuk tiga lipatan, serta pengedaran keseluruhan antara latihan/pengesahan, dan set ujian. Pengagihan keseluruhan ini mewakili tahap kebolehubahan yang besar yang dilihat dalam populasi pesakit ADPKD.

Kaedah automatik mempunyai latihan prestasi yang serupa pada tiga lipatan yang berbeza. Rajah 2 menunjukkan lengkung pembelajaran untuk tiga lipatan berbeza, termasuk kedua-dua latihan dan nilai Dice pengesahan semasa latihan model. Berat model dikemas kini pada set latihan dan dinilai pada akhir setiap zaman pada set pengesahan yang berasingan. Model dengan prestasi pengesahan terbaik disimpan semasa proses latihan dan digunakan untuk membangunkan model ensembel akhir.

Pendekatan automatik sangat baik dalam membahagikan sista dengan tepat. Ditunjukkan dalam Rajah. 3 dan 4 ialah perbandingan regresi linear untuk kebolehubahan antara pemerhati, kaedah automatik lwn. Pembaca-1 dan kaedah automatik lwn. Pembaca-2 untuk isipadu sista (Gamb. 3), serta indeks sista (Gamb. 4). Di samping itu, kaedah automatik dilakukan pada tahap yang sama dengan pembaca manusia. Ditunjukkan dalam Rajah 5 ialah perbandingan Bland–Altman untuk indeks sistik. Ambil perhatian bahawa pesakit merangkumi pelbagai jenis keterukan penyakit, daripada kes dengan sista yang sangat sedikit, kepada kes yang hampir melengkapkan penggantian parenkim buah pinggang oleh sista. Indeks sistik berjulat dari ~ 0 hingga > 90 peratus .

Secara visual terdapat perjanjian yang luar biasa antara pendekatan segmentasi automatik dan pembaca manual. Rajah 6 menunjukkan perbandingan visual untuk salah satu kes yang lebih baik (baris atas, Dadu=0.98), kes terburuk (baris tengah, Dadu=0.50) dan kes purata (baris bawah , Dadu=0.86).

Secara amnya, pendekatan automatik tidak dapat dibezakan daripada kebolehubahan yang dilihat oleh dua pembaca yang berbeza melakukan pengesanan. Ditunjukkan dalam Jadual 1 ialah statistik persamaan yang membandingkan kebolehubahan antara pemerhati dengan yang diperoleh antara pendekatan automatik dan Pembaca-1, serta pendekatan automatik dan Pembaca-2.

ekstrak cistanche tubolosa: acteoside

Perbincangan

Pembelajaran mendalam dalam bidang AI telah menyediakan para saintis dengan banyak alat untuk menilai data dengan cekap dan teliti, terutamanya dalam analisis imej perubatan. Algoritma yang dibangunkan dalam kajian ini membahagikan sista buah pinggang dengan tepat daripada tisu buah pinggang tanpa campur tangan pengguna. Sebelum model ini, pendekatan untuk menggambarkan struktur sista daripada tisu organ melaksanakan teknik ambang berasaskan intensiti separa automatik [16, 17, 20]. Satu batasan pendekatan berasaskan intensiti ialah, tidak seperti CT, nilai piksel MR boleh berbeza-beza secara drastik antara pemerolehan, dan juga antara kepingan dalam satu pemerolehan, yang memerlukan teknik prapemprosesan yang meluas untuk menormalkan data dengan sewajarnya [26]. Tambahan pula, teknik ambang berasaskan intensiti ini akan terlepas sepenuhnya sista kompleks yang mempunyai intensiti isyarat yang lebih rendah [16].

Model yang dibentangkan dalam kajian ini mencapai skor min Dadu sebanyak 85 peratus untuk segmentasi sista, keputusan ini adalah setanding dengan teknik tercanggih lain yang dilaksanakan untuk segmentasi organ. Dalam ADPKD, semua pendekatan automatik menggunakan pembelajaran mendalam yang dilaporkan dalam literatur telah memfokuskan pada tugas pembahagian organ, kebanyakannya untuk pembahagian buah pinggang. Beberapa pendekatan ini termasuk rangkaian VGG-16 tersuai yang dilaksanakan oleh Sharma et. al [27] untuk membahagikan buah pinggang dalam imej CT. Purata skor Dadu daripada kajian ini ialah 86 peratus . Keshwani et. al, [28] sama menggunakan imbasan CT untuk meramalkan pembahagian buah pinggang, rangkaian saraf konvolusional 3D pelbagai tugas telah dilaksanakan mencapai skor min Dice sebanyak 95 peratus . Mu et al. [29], sebaliknya, menggunakan imej MR untuk menjana pembahagian buah pinggang secara automatik menggunakan model V-Net, dan skor Dice yang dilaporkan ialah 95 peratus .

Pendekatan automatik berbanding sangat rapat dengan pengesanan manual dalam semua metrik. Dari segi regresi linear, pendekatan automatik berbanding sangat rapat dengan kedua-dua pembaca. Di samping itu, indeks sistik mempunyai kecenderungan dan ketepatan yang sama kepada pembaca manusia. Ketepatan yang lebih baik mungkin disebabkan oleh fakta bahawa pendekatan automatik akan lebih konsisten daripada pembaca manusia. Telah didapati bahawa perbezaan terbesar dilihat dalam jarak Hausdorf, yang mungkin hasil daripada beberapa positif palsu kecil yang berkemungkinan boleh dikendalikan dengan pemprosesan pasca mudah (cth, mendarabkan keluaran topeng segmentasi sista model dengan topeng buah pinggang ). Di samping itu, perjanjian visual adalah sangat kuat. Kes terburuk, dari segi metrik persamaan, adalah untuk pembentangan penyakit yang sangat ringan. Dalam kes ini, pembaca manusia boleh dengan cepat memberikan penilaian kualiti untuk memuktamadkan pembahagian sista. Secara umum, pendekatan ini membahagikan sista secara tepat dari pelbagai saiz. Dalam kajian ini, sista diukur hingga ~ 3-5 mm. Ini dihadkan oleh resolusi imej yang dibina semula, yang dalam satah adalah pada urutan ~ 1.5 mm. Di samping itu, sista terbesar mempunyai diameter 118 mm.

Mempunyai keupayaan untuk menilai beban sista secara automatik membuka pintu kepada kajian retrospektif yang menggunakan teknik yang dibentangkan di sini. Kajian terdahulu telah menggunakan pendekatan yang lebih asas untuk menilai beban sista dan telah menunjukkan nilai maklumat yang menjanjikan bagi parameter yang diperolehi imej ini. Kajian jangka pendek sebelum ini telah menunjukkan bahawa tolvaptan mengurangkan jumlah sista dalam pesakit ADPKD yang dirawat apabila jumlah sista diukur pada kohort kecil [30]. Analisis lanjut perlu dilengkapkan untuk menilai sama ada kesan ini berterusan sepanjang pentadbiran ubat jangka panjang. Kaedah automatik yang dibentangkan dalam kajian ini akan membolehkan analisis cepat dan mudah bagi set data yang lebih besar. Mengesan pertumbuhan sista juga boleh memaklumkan tentang genotip tertentu. Satu kajian mendapati bahawa pesakit dengan PKD1 mempunyai bilangan sista yang lebih banyak daripada pesakit dengan PKD2. Lebih khusus lagi, pesakit dengan PKD1 berkembang lebih cepat kerana lebih banyak sista berkembang lebih awal, bukan kerana ia tumbuh lebih cepat [11].

Satu batasan kajian ini ialah ia menilai kohort yang agak kecil (n=60). Walau bagaimanapun, menghasilkan segmentasi sista standard emas mengambil masa sehingga 8 jam bergantung kepada keterukan penyakit. Disebabkan oleh pengehadan ini, kami membangunkan kohort khusus ini untuk menjangkau tahap penuh persembahan fenotip penyakit, daripada buah pinggang yang terdiri daripada beberapa sista (indeks sista=0.5 peratus) sehingga buah pinggang dengan parenkim buah pinggang hampir keseluruhannya digantikan dengan sista (indeks sista=90 peratus ). Setelah mewujudkan kaedah untuk menilai beban sista pada tahap penuh fenotip penyakit akan menjadikan pendekatan ini boleh digeneralisasikan dengan kuat. Batasan lain ialah kami tidak mengesan sista mikroskopik di bawah resolusi pengimejan. Walau bagaimanapun, mikrocyst ini menyumbang jumlah yang agak kecil kepada jumlah isipadu sista [31]

Kajian masa depan boleh menilai kohort yang lebih besar, dan kaedah automatik boleh diterokai untuk membahagikan dan membezakan sista individu. Ini akan memudahkan mengira bilangan sista secara automatik dan menilai taburan saiz sista. Ini juga mungkin membenarkan untuk mengklasifikasikan tipikal daripada pesakit atipikal secara automatik, yang memaklumkan tentang risiko perkembangan dan kemungkinan mendapat manfaat daripada terapi ubat. Kebanyakan kriteria yang memisahkan atipikal daripada kes biasa bergantung pada indeks, kiraan dan saiz sista. Sebagai contoh, pesakit dianggap tidak tipikal jika Kurang daripada atau sama dengan 5 sista menyumbang Lebih daripada atau sama dengan 50 peratus TKV dan terdapat penggantian ringan tisu buah pinggang daripada sista [32]. Alat yang mengira ini secara automatik akan membolehkan klasifikasi yang sangat pantas dan objektif semasa fasa pendaftaran kajian kritikal.

Struktur dan komposisi sista juga dilihat sebagai sangat bermaklumat apabila menilai ADPKD. Sebaik sahaja kawasan sista digariskan daripada parenkim buah pinggang, analisis berasaskan intensiti dan/atau tekstur selanjutnya boleh dilakukan untuk menentukan peratusan atau taburan sista kompleks. Biasanya, sista kompleks ini dicirikan oleh keamatan "lebih gelap" dalam pengimejan MR berwajaran T2-. Nampaknya, tisu parenkim yang sihat boleh dianalisis dengan cara yang sama selepas diasingkan daripada sista yang lebih besar. Pendekatan lain adalah dengan menggabungkan berbilang pemerolehan imej (cth, menggabungkan imej MR berwajaran T1- dan T2-) untuk bukan sahaja membantu dalam pembahagian sista tetapi juga untuk membantu mengelaskannya juga. Pelanjutan kepada modaliti pengimejan lain (cth, CT) dan organ (cth, hati) juga akan menjadi penting untuk menyediakan pencirian menyeluruh fenotip PKD dan melaksanakan kajian berskala besar di mana data pengimejan bercampur (cth, ultrasound, tomografi terkira dan/ atau pengimejan resonans magnetik) tersedia untuk pesakit yang berbeza, dan manifestasi ekstra-renal (cth, PLD) hadir.

Kesimpulan

Kami telah membangunkan kaedah automatik sepenuhnya untuk pembahagian semantik sista buah pinggang daripada imej MR pesakit yang terjejas oleh ADPKD. Kaedah ini berfungsi setanding dengan pembaca manusia dan akan berguna dalam kajian retrospektif dan prospektif masa depan untuk menilai fenotip pesakit dan beban sista keseluruhan.

Rujukan

1. PA Gabow, "Penyakit buah pinggang polikistik dominan autosomal," N Engl J Med, vol. 329, no. 5, hlm. 332-42, 29 Jul 1993,

2. PC Harris dan VE Torres, "Penyakit buah pinggang polikistik," Annu Rev Med, vol. 60, hlm. 321-37, 2009

3. AB Chapman et al., "Penyakit buah pinggang polikistik yang dominan autosomal (ADPKD): ringkasan eksekutif daripada Penyakit Buah Pinggang: Persidangan Kontroversi Hasil Global (KDIGO)," Kidney Int, vol. 88, tidak.

4. EM Spithoven et al., "Terapi penggantian buah pinggang untuk penyakit buah pinggang polikistik dominan autosomal (ADPKD) di Eropah: kelaziman dan kemandirian--analisis data daripada Pendaftaran ERA-EDTA," Nephrol Dial Transplant, vol. 29 Suppl 4, ms. iv15-25, Sep 2014,

5. RD Perrone et al., "Jumlah Isipadu Buah Pinggang Merupakan Biomarker Prognostik Kemerosotan dan Kemajuan Fungsi Buah Pinggang kepada Penyakit Ginjal Peringkat Akhir pada Pesakit Dengan Penyakit Ginjal Polikistik Dominan Autosomal," Kidney Int Rep, vol. 2, tidak. 3, ms. 442-450, Mei 2017, DOI:

6. AB Chapman et al., "Isipadu buah pinggang dan hasil fungsian dalam penyakit buah pinggang polikistik dominan autosomal," Clin J Am Soc Nephrol, vol. 7, tidak. 3, ms. 479-86, Mac 2012

7. JJ Grantham, AB Chapman, dan VE Torres, "Kemajuan volum dalam penyakit buah pinggang polikistik dominan autosomal: faktor utama yang menentukan hasil klinikal," Clin J Am

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2nd, dan 1505-11, Ogos 2000. [Dalam talian]. Tersedia: https://www.ncbi.nlm.

11. PC Harris et al., "Nombor sista tetapi bukan kadar pertumbuhan sista dikaitkan dengan gen bermutasi dalam penyakit buah pinggang polikistik dominan autosomal," J Am Soc Nephrol, vol. 17, tidak. 11, hlm. 3013-9, Nov 2006, https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Mekanisme perkembangan dalam penyakit buah pinggang polikistik dominan autosomal," Kidney Int Suppl, vol. 63, hlm. S93-7, Dis 1997. [Dalam talian]. Tersedia: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. TL Kline et al., "Ciri tekstur imej meramalkan penurunan fungsi buah pinggang pada pesakit dengan penyakit buah pinggang polikistik dominan autosomal," Kidney Int, vol. 92, tidak. 5, hlm. 1206-1216, Nov 2017, https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline et al., "MRI kuantitatif buah pinggang dalam penyakit buah pinggang," Abdom Radiol (NY), vol. 43, tidak. 3, hlm. 629-638, Mac 2018

15. KT Bae, PK Comment, dan J. Lee, "Pengukuran volumetrik sista buah pinggang dan parenkim menggunakan MRI: hantu dan pesakit dengan penyakit buah pinggang polikistik," J Comput Assist Tomogr, vol. 24, tidak. 4, hlm. 614-9, Jul-Ogos 2000

16. KT Bae et al., "Metodologi novel untuk menilai sista buah pinggang dalam penyakit buah pinggang polikistik," Am J Nephrol, vol. 39, tidak. 3, hlm. 210- 7, 2014

17. AB Chapman et al., "Struktur renal dalam penyakit buah pinggang polikistik dominan autosomal (ADPKD): Konsortium untuk Kajian Pengimejan Radiologi bagi kohort Penyakit Buah Pinggang Polikistik (CRISP), " Kidney Int, vol. 64, tidak. 3, hlm. 1035-45, Sep 2003,

18. K. Bae et al., "Segmentasi sista buah pinggang individu daripada imej MR pada pesakit dengan penyakit buah pinggang polikistik dominan autosomal," Clin J Am Soc Nephrol, vol. 8, tidak. 7, hlm. 1089-97, Jul 2013, DOI: https://doi.org/10.2215/CJN.10561012.

19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres dan BJ Erickson, "Segmentasi Separa automatik Buah Pinggang Polikistik dalam T2-Imej MR Berwajaran," AJR Am J Roentgenol, vol. 207, no. 3, hlm. 605-13, Sep 2016, https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim et al., "Segmentasi automatik hati dan sista hati daripada imej MR abdomen terikat pada pesakit dengan penyakit buah pinggang polikistik dominan autosomal," Phys Med Biol, vol. 61, tidak. 22, hlm. 7864-7880, Nov 21 2016, DOI:

manfaat kesihatan cistanche: meningkatkan fungsi buah pinggang