Rangka Kerja Untuk Menganggar Fungsi Buah Pinggang Menggunakan Pengimejan Resonans Magnetik

Tujuan Abstrak: Pakar Nefrologitelah diramalkan secara empirikalfungsi buah pinggangdaripadamorfologi buah pinggang. Dalam mendiagnosis kes disfungsi buah pinggang yang tidak diketahui kursusnya, kecederaan buah pinggang akut, dan penyakit buah pinggang kronik didiagnosis daripada ujian darah dan kajian pengimejan termasuk pengimejan resonans magnetik (MRI), dan dasar pemeriksaan/rawatan ditentukan. Rangka kerja untuk anggaran fungsi buah pinggang daripada imej air yang diperoleh menggunakan kaedah Dixon dicadangkan untuk menyediakan maklumat yang membantu doktor mencapai diagnosis dengan menganggarkan dengan tepat.fungsi buah pinggangberdasarkan MRI buah pinggang.

KLIK DI SINI UNTUK MENDAPATKAN EKSTRAK CISTANCHE ORGANIK SEMULAJADI DENGAN 25% ECHINACOSIDE DAN 9% ACTEOSIDE UNTUK FUNGSI BUAH PINGGANG

Pendekatan:Rangka kerja yang dicadangkan terdiri daripada empat langkah. Pertama, kawasan buah pinggang diekstrak oleh MRI menggunakan kaedah Dixon dengan U-net dengan pembelajaran mendalam. Kedua, kawasan buah pinggang yang diekstrak didaftarkan dengan topeng sasaran. Ketiga, ciri buah pinggang dikira berdasarkan maklumat klasifikasi topeng sasaran yang dibuat oleh pakar. Keempat, anggarankadar penapisan glomerular(eGFR) yang mewakilifungsi buah pinggangdianggarkan menggunakan mesin vektor sokongan regresi daripada ciri yang dikira.

Keputusan:Untuk penilaian ketepatan, kami bereksperimen untuk menganggarkaneGFRapabila MRI dilakukan daneGFRcerun, iaitu kadar penurunan tahunan dalam eGFR. Apabila ketepatan dinilai untuk 165 subjek, eGFR dianggarkan mempunyai punca ralat min kuasa dua (RMSE) sebanyak 11.99 dan pekali korelasi 0.83. Selain itu, cerun eGFR dianggarkan mempunyai RMSE 4.8 dan pekali korelasi 0.5.

Kesimpulan:Oleh itu, kaedah yang dicadangkan menunjukkan kemungkinan menganggarkan prognosis fungsi buah pinggang berdasarkan imej air yang diperolehi oleh kaedah Dixon.

Kata kunci:anggaran kuantitatifkadar penapisan glomerular; pengimejan resonans magnetik;buah pinggang.

1. Pengenalan

Penyakit buah pinggang yang kronik(CKD) ditakrifkan sebagai penurunan berterusan dalam anggarankadar penapisan glomerular(eGFR) kepada<60 mL∕ min per 1.73 m2, the presence of abnormalities suggestive of renal injuries, such as proteinuria, or both.1,2 When CKD progresses, renal replacement therapy is required. Moreover, CKD is also important as an underlying condition related toarteriosklerosisdankekurangan imun, jadiCKDboleh dilihat berkaitan dengan beberapa punca utama kematian.1,2 CKDadalah masalah perubatan global yang menjejaskan daripada 8% hingga 16% penduduk di seluruh dunia.3 Disebabkan oleh kepelbagaian penyebab CKD, tiada campur tangan terapeutik khusus, dan adalah perlu untuk mengesan penyakit itu lebih awal dan mengawal faktor risiko untuk kerosakan buah pinggang.

Apabila pakar nefrologi merawat pesakit dengandisfungsi buah pinggangdengan kursus klinikal yang tidak diketahui, pakar nefrologi sering merujuk kepada penemuan pengimejan untuk buah pinggang sebagai tambahan kepada data makmal dan sejarah perubatan. Untuk tujuan ini, ultrasonografi buah pinggang, tomografi berkomputer sinar-X abdomen, dan pengimejan resonans magnetik buah pinggang (MRI) berguna. Pakar nefrologi meramalkan potensi fungsi buah pinggang yang dicadangkan oleh morfologi dan mencerminkan potensi ini dalam perancangan rawatan. MRI mempunyai resolusi yang sangat baik dari segi kontras tisu lembut dan, dengan penggunaan kaedah pengimejan yang sesuai, adalah mungkin untuk mendapatkan maklumat terperinci tentang struktur dalaman buah pinggang, seperti sempadan korticomedular.4 Selain itu, MRI juga boleh menyediakan data tentang aspek fisiologi buah pinggang. Nilai T2* pengoksigenan darahbergantung pada tahapKaedah (BOLD) ialah indeks iskemia/hipoksia, yang boleh membawa kepada perkembangan CKD, dan berkait rapat dengan kadar kemerosotan CKD.5,6 Nilai pekali resapan jelas bagi imej berwajaran resapan ialah indeks berkaitan dengan fibrosis buah pinggang dan berkorelasi secara signifikan dengan penemuan patologi biopsi buah pinggang.7 Seperti yang diterangkan di atas, terdapat jangkaan yang tinggi mengenai MRI sebagai kaedah penilaian buah pinggang yang tidak invasif dan pelbagai rupa, tetapi MRI mempunyai satu kelemahan, tiada kaedah yang tersedia untuk kuantifikasi komprehensif. daripada imej.

Secara tradisinya, imej perubatan telah diukur dengan kaedah kawasan minat (ROI). Dalam kaedah ROI, kawasan segi empat tepat atau bulatan dipilih, dan nilai purata keamatan isyarat di kawasan itu digunakan sebagai nilai perwakilan. Masalah dengan kaedah ini termasuk kemungkinan bahawa keputusan sewenang-wenang yang dibuat oleh pemerhati mungkin melibatkan kesukaran untuk memasukkan maklumat lokasi dan hakikat bahawa hanya sebahagian daripada imej boleh diukur. Pruijm et al.5 mencadangkan kaedah 12-layer concentric objects (TLCO) untuk menganalisis kawasan buah pinggang dengan membahagikan rantau ini kepada 12 lapisan. Kaedah TLCO adalah kaedah untuk menentukan bahagian dalam dan luar kawasan buah pinggang dan menganalisis keseluruhan kawasan berdasarkan 12 lapisan. Kawasan luaran (korteks) dan dalaman (medulla) buah pinggang mempunyai struktur dan fungsi yang berbeza, dan kaedah TLCO menganggap struktur buah pinggang yang unik. Di samping itu, telah dilaporkan bahawa kaedah TLCO adalah lebih stabil daripada kaedah ROI kerana keseluruhan kawasan buah pinggang berstrata dan dianalisis hanya dengan menentukan kawasan luaran dan dalaman.8 Walau bagaimanapun, imej yang diperolehi secara klinikal mungkin mengalami atrofi atau cacat apabila buah pinggang rosak dan mungkin menunjukkan perbezaan individu atau mengandungi sista. Oleh itu, tidak selalu mungkin untuk membahagikan buah pinggang secara sama rata kepada beberapa lapisan, menyebabkan penemuan tidak stabil. Oleh itu, terdapat keinginan untuk kaedah analisis buah pinggang yang automatik dan stabil sepenuhnya.

Sebagai kaedah kuantifikasi komprehensif untuk imej buah pinggang, Kuo et al.9 mencadangkan kaedah untuk menganggar eGFR pada masa pemeriksaan menggunakan pembelajaran mendalam dan imej ultrasonik. Berbeza,diagnosis berbantukan komputer(CAD) kajian tentang MRI buah pinggang dan kajian mengenai buah pinggang yang dipindahkan telah dilaporkan. Khalifa et al.10 mencadangkan rangka kerja yang menganggarkan penolakan buah pinggang yang dipindahkan menggunakan kaedah pengimejan resonans magnetik (DCE-MRI) dinamik siri masa. Dalam kaedah ini, imej yang diperoleh oleh DCE-MRI siri masa diselaraskan, dan kawasan buah pinggang diekstrak menggunakan kaedah set tahap. Penjajaran kemudian diperbetulkan, dan korteks dikira dan dianalisis berdasarkan kecerahan dari kawasan buah pinggang yang diekstrak. Shehata et al.11 mencadangkan kaedah untuk menganggar penolakan buah pinggang yang dipindahkan menggunakan pembelajaran mendalam. Kaedah DCE-MRI memerlukan medium kontras dan tidak boleh digunakankes CKD. Di samping itu, sukar untuk mengekstrak korteks berdasarkan kecerahan pada buah pinggang yang terjejas.

Dalam kajian ini, kami cuba menyelesaikan masalah di atas dan membangunkan kaedah penilaian komprehensif untuk MRI buah pinggang yang boleh digunakan sebagai ujian klinikal. Dengan mengambil kesempatan daripada hubungan rapat antara morfologi buah pinggang dan fungsi buah pinggang, imej air yang digunakan dalam kaedah Dixon untuk menilai struktur dalaman buah pinggang digunakan untuk menilai sasaran, dan label yang betul ialah eGFR, yang merupakan indeks buah pinggang. fungsi. Teknik Dixon bergantung pada perbezaan frekuensi resonans antara lemak dan air, dan, oleh itu, imej lemak sahaja, air sahaja, dalam fasa dan luar fasa diperoleh.12 Dalam buah pinggang, di mana imej yang kaya dengan air parenkim organ dikelilingi oleh lemak, Dixon atau imej yang ditindas lemak serupa dengan jelas membezakan parenkim buah pinggang daripada struktur sekeliling. Kami mencadangkan kaedah mengekstrak kawasan buah pinggang daripada imej resonans magnetik dengan U-net, menukar kawasan buah pinggang yang diekstrak menjadi badan tidak tegar dalam topeng sasaran, dan kemudian menganalisis rantau ini berdasarkanPKPDdaripada topeng sasaran.

Rajah 1 Cadangan sistem CAD untuk anggaran cerun kadar penapisan glomerular daripada MRI menggunakan kaedah Dixon.

2 Bahan dan Kaedah

Rangka kerja automatik yang dicadangkan ditunjukkan dalam Rajah 1. Rangka kerja yang dicadangkan menggunakan empat langkah berikut untuk memproses MRI kaedah Dixon:

1. Pembahagian kawasan buah pinggang daripada struktur perut sekeliling oleh U-net.

2. Penyingkiran hingar dengan pelabelan tiga dimensi (3D). 3. Pendaftaran kawasan buah pinggang dan topeng sasaran yang tidak tegar. 4. Pengiraan TLCO. 5. Anggaran fungsi buah pinggang (eGFR) oleh mesin vektor sokongan regresi (SVM).

Dalam makalah ini, kaedah yang dicadangkan ialah kaedah TLCO (A-TLCO) automatik yang mengimbangi kelemahan kaedah TLCO yang dilaporkan sebelum ini dan mengautomasikan proses pengukuran. Butiran kaedah diterangkan di bawah untuk membezakan kaedah yang dicadangkan daripada kaedah TLCO manual konvensional.

2.1 Kawasan Buah Pinggang

Disegmenkan daripada Struktur Perut Sekeliling oleh U-net Air imej kaedah Dixon yang digunakan dalam kajian ini mempunyai kawasan buah pinggang yang jelas. Di samping itu, bahagian ini menerangkan pengekstrakan kasar kawasan buah pinggang. Oleh itu, kami telah memutuskan untuk menggunakan U-net, yang diketahui memberikan hasil yang baik untuk pengekstrakan kawasan imej perubatan.13 Bahagian koronal imej air Dixon telah digunakan. Terdapat tiga hingga enam imej yang dihiris bagi setiap subjek, dan saiz imej ialah 320 × 320. Kami menggunakan 1201 imej daripada 174 kes. Semua imej dicipta oleh pakar sebagai imej pembahagian buah pinggang. Rajah 2 menunjukkan U-net yang digunakan untuk pengekstrakan rantau renal. Rangkaian mendiskriminasi antara tiga kelas: buah pinggang, sempadan buah pinggang dan tisu lain. Walau bagaimanapun, terdapat taburan sampel yang tidak seimbang dalam kelas sempadan buah pinggang berbanding dengan kelas tisu lain. Kami menggunakan kehilangan rentas entropi berwajaran untuk mengimbangi ketidakseimbangan ini dan mencapai pembelajaran yang lebih tepat apabila melatih rangkaian. Kami menggunakan softmax dengan kehilangan rentas entropi berwajaran untuk output rangkaian dan perbandingan label sebenar.

Rajah 2 Seni bina U-net yang digunakan untuk pengekstrakan rantau renal dalam kajian ini.

Rajah 3 Keputusan pengekstrakan kawasan renal oleh U-net: (a) asal, (b) topeng, dan (c) hasil.

Pengurangan kos pada 50 zaman telah dilakukan menggunakan pengoptimum anggaran momen penyesuaian dengan kadar pembelajaran 0.0001. Masa latihan untuk rangkaian ini ialah ~1 jam di stesen kerja dengan NVIDIA TITAN RTX GPU × 2. Sebanyak 1201 imej dibahagikan kepada 600 dan 601 imej, dan pengelasan telah dilakukan untuk mengekstrak kawasan buah pinggang. Eksperimen anggaran fungsi buah pinggang kemudiannya dilakukan untuk semua subjek. Rajah 3 menunjukkan keputusan pengekstrakan yang diperolehi oleh U-net. Rajah 3(a) ialah imej input, dan Rajah 3(b) ialah imej guru. Rajah 3(c) menunjukkan hasil pengekstrakan. Ia boleh disahkan bahawa terdapat sedikit positif palsu dan bahawa kawasan yang berhampiran dengan kawasan buah pinggang boleh diekstrak.

2.2 Pengesanan Palsu

Penyingkiran melalui Pelabelan 3D Walaupun kawasan buah pinggang yang dikesan oleh U-net adalah sangat tepat, pengesanan palsu berlaku. Positif palsu diekstrak untuk organ selain buah pinggang, seperti ditunjukkan dalam Rajah 4(b). Ini mungkin kerana apabila U-net dilatih dengan tampalan 64 × 64, maklumat spatial yang lebih besar daripada saiz tampalan hilang. Untuk memperbaiki masalah ini, kaedah termasuk mengesan lokasi buah pinggang melalui pengesanan objek, seperti Faster R-CNN14 atau YOLOv3,15, dan menggunakan segmentasi semantik dalam kawasan sempit dipertimbangkan. Walau bagaimanapun, dalam kajian ini, sempadan buah pinggang oleh U-net didiskriminasi dengan baik, dan terdapat sedikit positif palsu untuk organ lain, jadi terdapat sedikit keperluan untuk merumitkan proses tersebut. Oleh itu, kami memutuskan untuk melakukan pelabelan 3D untuk setiap subjek dan mengecualikan kawasan selain daripada kawasan yang luas. Keputusan yang diproses ditunjukkan dalam Rajah 4. Rajah 4(a)–4(c) menunjukkan keputusan pengekstrakan oleh U-net. Ia boleh disahkan bahawa positif palsu berlaku di kawasan selain kawasan buah pinggang. Rajah 4(d)–4(f) menunjukkan keputusan pelabelan 3D dan pengecualian kawasan dengan keluasan 3D 2500 piksel atau kurang. Prosedur ini digunakan untuk semua 1201 imej, dan telah disahkan bahawa tiada kes kawasan buah pinggang secara tidak sengaja

Rajah 4 Kawasan buah pinggang yang diperolehi oleh U-net: (a) kepingan 1, (b) kepingan 2, dan (c) kepingan 3. Hasil penyingkiran kawasan hingar melalui pelabelan 3D: (d) kepingan 1, (e) kepingan 2, dan (f) kepingan 3.

2.3 Pendaftaran Kawasan Buah Pinggang dan Topeng Sasaran Tidak Tegar

Kaedah yang berkesan untuk menganggar fungsi buah pinggang adalah dengan menganalisis struktur buah pinggang sambil mempertimbangkan buah pinggang secara anatomi.5,16 Walau bagaimanapun, masa dan usaha diperlukan untuk pakar mengekstrak kawasan buah pinggang secara manual. Selain itu, pengukuran manual akan menghasilkan keputusan yang berbeza bergantung kepada pakar. Oleh itu, kami mencadangkan kaedah untuk mengenal pasti secara automatik kedudukan korteks dan medula semua imej dengan pendaftaran semua kawasan buah pinggang yang diekstrak oleh U-net kepada satu topeng sasaran. Kaedah pendaftaran dilakukan dalam dua langkah menggunakan fungsi MATLAB. Langkah pertama ialah transformasi afin berasaskan kecerahan. Kaedah pendaftaran berasaskan kecerahan mengira persamaan antara dua imej, mengulangi penjelmaan afin supaya persamaan adalah tinggi, dan menganggarkan penjelmaan geometri (terjemahan/putaran/penskalaan/ricih) dengan kesamaan tertinggi. Keputusan pemprosesan ditunjukkan dalam Rajah 5. Rajah 5(a) ialah imej asal. Rajah 5(b) menunjukkan keputusan pengekstrakan kawasan renal oleh U-net. Rajah 5(c) ialah topeng sasaran. Rajah 5(c) ialah kawasan buah pinggang bagi imej buah pinggang normal yang diekstrak oleh pakar. Pesakit biasa mempunyai dua buah pinggang. Dalam kajian ini, kami menganalisis buah pinggang dengan kawasan yang lebih besar. Dalam Rajah 5(b), buah pinggang kiri lebih besar. Oleh itu, buah pinggang kiri diekstrak dan didaftarkan dengan topeng sasaran. Rajah 5(d) menunjukkan imej pseudocolor topeng sasaran dan kedudukan awal buah pinggang yang diekstrak. Imej pseudocolor menunjukkan topeng sasaran dalam warna hijau, buah pinggang yang diekstrak dalam magenta, dan piksel bertindih kedua-duanya berwarna putih. Keputusan penjelmaan affine ditunjukkan dalam Rajah 5(e). Seterusnya, bentuk diubahsuai secara halus dengan pendaftaran menggunakan medan anjakan berasaskan kecerahan.9,10 Dalam kertas kerja ini, pendaftaran dilakukan menggunakan medan anjakan berdasarkan algoritma demons Thirion.1,2 Hasil pengubahsuaian imej yang ditunjukkan dalam Rajah 5(e) menggunakan medan sesaran ditunjukkan dalam Rajah 5(f). Bentuk halus telah diubah suai untuk mendekati topeng sasaran. Rajah 5(g) menunjukkan pendaftaran terakhir imej.

Rajah 5 Hasil transformasi tegar: (a) imej asal, (b) hasil oleh U-net, (c) topeng sasaran, (d) kedudukan awal, (e) transformasi afin, (f) medan sesaran, dan (g ) hasil pendaftaran.

2.4 Pengiraan TLCO

Dalam kajian ini, kaedah TLCO digunakan untuk analisis fungsi buah pinggang. Kaedah TLCO menentukan sempadan dalam (sebelah medula) dan luar (sebelah kortikal) parenkim buah pinggang dan membahagikan kawasan buah pinggang kepada 12 lapisan dari luar ke dalam. Kaedah pelapisan tidak dijelaskan dalam kertas TLCO.8 Oleh itu, dalam kajian ini, kami mengira TLCO menggunakan penukaran jarak geodesik.17 Apabila penukaran jarak geodesik memasukkan imej perduaan bagi kawasan renal dan imej benih, imej penukaran jarak adalah dihasilkan berdasarkan imej benih. Rajah 6(a) menunjukkan imej binari bagi kawasan buah pinggang yang diekstrak oleh pakar. Rajah 6(b) menunjukkan imej biji benih yang dibuat oleh pakar. Rajah 6(c) menunjukkan imej pseudocolor bagi penukaran jarak geodesik. Walau bagaimanapun, imej yang ditunjukkan dalam Rajah 6(c) tidak diperoleh dengan membahagikan kawasan buah pinggang kepada 12 lapisan. Oleh itu, hasil penukaran jarak geodesik telah dinormalisasi kepada 12 lapisan. Secara khusus, bilangan lapisan dibahagikan dengan nilai maksimum dan kemudian didarab dengan 12. Imej pseudowarna penukaran jarak geodesik ternormal ditunjukkan dalam Rajah 6(d). Topeng sasaran adalah sangat penting kerana ia secara langsung mempengaruhi pengiraan kaedah TLCO. Dalam kajian ini, kami memutuskan untuk menggunakan dua jenis imej, imej buah pinggang biasa yang dipilih oleh pakar dan imej buah pinggang dengan rantau terbesar. Oleh kerana kaedah TLCO membahagikan buah pinggang kepada 12 lapisan, pengiraan dengan buah pinggang atrofi kecil adalah sukar. Oleh itu, imej buah pinggang dengan kawasan kecil tidak boleh digunakan sebagai topeng sasaran. Rajah 7 menunjukkan keputusan penggunaan kaedah TLCO untuk imej MRI pesakit. Rajah 7(a) ialah imej biasa yang dipilih oleh pakar. Rajah 7(b) menunjukkan keputusan pengekstrakan pakar bagi kawasan buah pinggang daripada Rajah 7(a). Rajah 7(c) ialah imej pseudocolor yang dibahagikan kepada 12 lapisan dengan kaedah TLCO. Rajah 7(d) ialah imej buah pinggang dengan keluasan terbesar. Rajah 7(e) menunjukkan keputusan pakar mengekstrak kawasan buah pinggang daripada Rajah 7(d). Rajah 7(d) ialah imej pseudocolor yang dibahagikan kepada 12 lapisan dengan kaedah TLCO.

2.5 eGFR Digunakan untuk Menganggar

Fungsi Renal oleh RSVM Dalam kaedah TLCO, kami menggunakan 12 ukuran, satu untuk setiap lapisan, untuk menganggarkan kecerunan kortikodulari keamatan isyarat MR berdasarkan definisi berikut: kortikal

Perkhidmatan Sokongan Wecistanche-Pengeksport cistanche terbesar di China:

E-mel:wallence.suen@wecistanche.com

Whatsapp/Tel:+86 15292862950

Beli Untuk Butiran Spesifikasi Lebih Lanjut:

https://www.xjcistanche.com/cistanche-shop