Segmentasi Buah Pinggang yang Sihat dalam Imej Dce-Mr Menggunakan Rangkaian Neural Konvolusi Dan Ciri-ciri Isyarat Temporal

Artur Klepaczko1 , Eli Eikefjord²dan Arvid Lundervold^2,3,4

Abstrak:Kuantifikasi perfusi buah pinggang berdasarkan pengimejan resonans magnetik dipertingkatkan kontras dinamik (DCE-MRI) memerlukan penentuan kursus masa intensiti isyarat di kawasan parenkim buah pinggang. Oleh itu, pemilihan voxel yang mewakilibuah pinggangmesti dicapai dengan penjagaan khas dan merupakan salah satu batasan teknikal utama yang menghalang penggunaan teknik ini secara lebih meluas sebagai rutin klinikal standard. Pembahagian manual petak buah pinggang—walaupun dilakukan oleh pakar—adalah sumber biasa penurunan kebolehulangan dan kebolehulangan. Dalam kertas kerja ini, kami membentangkan rangka kerja pemprosesan untuk automatikbuah pinggangpembahagian dalam imej DCE-MR. Rangka kerja terdiri daripada dua peringkat. pertama,buah pinggangtopeng dijana menggunakan rangkaian neural convolutional. Kemudian, voxel topeng dikelaskan kepada salah satu daripada tiga kawasan—korteks, medula dan pelvis—berdasarkan kursus masa intensiti isyarat DCE-MRI. Pendekatan yang dicadangkan telah dinilai pada kohort 10 sukarelawan sihat yang menjalani peperiksaan DCE-MRI. Pengimbasan MRI telah diulang pada peristiwa dua kali dalam selang 10-hari. Untuk tugas pembahagian semantik, kami menggunakan seni bina U-Net klasik, manakala eksperimen pada klasifikasi voxel dilakukan menggunakan tiga algoritma alternatif—mesin vektor sokongan, regresi logistik dan pepohon penggalak kecerunan melampau, antaranya SVM menghasilkan keputusan yang paling tepat. Kedua-dua langkah segmentasi dan klasifikasi telah dicapai oleh satu siri model, setiap satu dilatih secara berasingan untuk subjek tertentu menggunakan data daripada peserta lain sahaja. Min mencapai ketepatan keseluruhanbuah pinggangpembahagian adalah 94 peratus dari segi pekali IoU. Korteks, medula dan pelvis dibahagikan dengan IoU antara 90 hingga 93 peratus bergantung pada bahagian tisu dan badan. Hasilnya juga telah disahkan dengan membandingkan parameter perfusi terhasil imej dengan ukuran kebenaran tanah bagikadar penapisan glomerular(GFR). Kebolehulangan pengiraan GFR, seperti yang dinilai oleh pekali variasi ditentukan pada tahap 14.5 dan 17.5 peratus untuk buah pinggang kiri dan kanan, masing-masing dan ia bertambah baik berbanding dengan pembahagian manual. Kebolehulangan, seterusnya, dinilai dengan mengukur persetujuan antara nilai GFR yang diperolehi imej dan berasaskan iohexol. Anggaran perbezaan min mutlak adalah sama dengan 9.4 dan 12.9 mL/min/1.73 m2 untuk sesi imbasan 1 dan 2 dan kaedah pembahagian automatik yang dicadangkan. Keputusan untuk sesi 2 adalah setanding dengan segmentasi manual, manakala untuk sesi 1 kebolehulangan dalam saluran paip automatik adalah lebih lemah.

Kata kunci:MRI dipertingkatkan kontras dinamik; rangkaian saraf konvolusi;buah pinggangpembahagian; pemodelan farmakokinetik; kuantifikasi perfusi; kadar penapisan glomerular

Kenalan: ali.ma@wecistanche.com

Klik untuk Cistanche herba untuk penyakit buah pinggang

1. Pengenalan

Fungsi buah pinggang dinilai secara rutin dengan mengukur tahap kreatinin serum. Berdasarkan nilainya, thekadar penapisan glomerular(GFR) boleh dianggarkan menggunakan contohnya, Pengubahsuaian Diet dalam persamaan Penyakit Renal [1]. Kaedah lain untuk menentukan GFR, yang baru-baru ini mendapat populariti dalam persekitaran klinikal, ialah ujian pelepasan plasma iohexol. Sesetengah pengarang membuat postulat bahawa kaedah ini menggantikan teknik standard emas berdasarkan pembersihan kencing inulin [2]. Semua prosedur ini, bagaimanapun, membenarkan pengiraan GFR secara serentak untuk kedua-duanyabuah pinggang. Oleh itu, pengimejan resonans magnetik dipertingkatkan kontras dinamik (DCE-MRI) muncul sebagai alternatif yang menarik—ia membolehkan pemantauan bukan invasif terhadap prestasi penapisan dalam satubuah pinggangsambil memberikan maklumat yang diselesaikan secara spatial mengenai lesi tisu seperti glomerulosklerosis segmental fokus.

Pada dasarnya, peperiksaan DCE-MRI menghasilkan satu siri T1-isipadu wajaran yang diperoleh pada berbilang langkah masa diskret prosedur pengimbasan. Kaedah ini terdiri daripada pentadbiran intravena bolus agen kontras berasaskan gadolinium (CA). Semasa bolus CA melalui pokok arteri perut, dasar kapilari, dan sistem tiubbuah pinggangia secara berkesan meningkatkan masa kelonggaran T1 tisu yang ditembusi, dengan itu mengubah suai kontras dalam imej. Dinamik temporal perubahan keamatan isyarat imej ini mencerminkan keadaan fisiologi fungsi buah pinggang dan membentuk asas untuk pemodelan farmakokinetik (PK) perfusi buah pinggang.

Sebilangan model PK yang dicadangkan cuba menerangkan secara matematik proses perfusi darah dalam pelbagai organ. Berkenaan denganbuah pinggang, kebanyakan model menganggap bahawa isyarat yang diukur dalam voxel tisu tertentu ialah jumlah sumbangan yang berasal daripada sekurang-kurangnya dua petak-ruang intravaskular (IV) dan ekstraselular ekstravaskular (EEV) [3-6]. Tambahan pula, seperti dalam setiap model PK, penghantaran pengesan gadolinium melalui arteri penyusuan ke organ yang menarik dikapsulkan oleh fungsi input arteri (AIF) yang dipanggil. Secara praktikal, AIF dalam kes kajian buah pinggang adalah tempoh masa kepekatan agen kontras dalam aorta abdomen [7]. Dengan melilitkan AIF dengan isirong anjakan dan serakan seseorang memperoleh kepekatan pengesan dalam petak IV. Akhirnya, lengkung masa kepekatan dalam ruang EEV adalah berkadar dengan kamiran kepekatan dalam petak IV, secara pilihan dimodulasi oleh faktor eksponen yang mewakili aliran keluar dari tubul renal. Pekali perkadaran, yang sering dilambangkan sebagai Ktrans, mengawal kadar pemindahan CA dari petak IV ke EEV. Ktrans didarab dengan jumlah organ secara langsung membawa kepada pengiraan GFR.

Pendekatan berbilang petak yang lebih rumit wujud (cth, [8]), walaupun potensi aplikasi klinikalnya boleh dipersoalkan. Kesukarannya terletak pada keperluan untuk memastikan kestabilan pengoptimuman parameter model tersebut sambil menyesuaikan lengkung model kepada data yang diperhatikan. Selain itu, model ini memerlukan pembahagianbuah pinggangparenkim ke dalam korteks dan medula. Keperluan ini terpakai, sebenarnya, juga untuk model dua petak. Model klasik yang dicadangkan dalam [3], yang berdasarkan model umum Rutland-Patlak [9,10], hanya terpakai untuk kawasan korteks. Sebaliknya, penggunaan model penapisan dua petak [5] ke seluruh buah pinggang boleh diterima untuk fasa pengambilan. Jika seseorang ingin mengukur perfusi, analisis mesti sekali lagi terhad kepada korteks sahaja. Walau apa pun, seseorang itu perlu mengecualikan kawasan pelvis yang mengumpul kontras pada fasa perkumuhan peperiksaan. Oleh itu, mengautomasikan prosedur analisis data DCE-MRI bukan sahaja memerlukan persempadanan buah pinggang tetapi juga melabelkan setiap voxel buah pinggang sebagai kepunyaan sama ada dalam kelas kortikal, medullar atau pelvis.

Masalah daripadabuah pinggangsegmentasi telah ditangani oleh ramai pengarang. Selalunya, voxel dikelaskan berdasarkan kursus masa intensiti mereka. Contohnya dalam [11], algoritma k-means digunakan untuk mengumpulkan voxel ke dalam kelompok berdasarkan kursus masa intensiti isyaratnya. Pendekatan ini dikembangkan lagi dalam [12], di mana kursus masa intensiti isyarat telah dipraproses oleh transformasi wavelet diskret. Akhirnya, beberapa jenis berasaskan heuristik pada kedua-dua ciri kluster yang wujud dan perhubungannya mesti digunakan untuk menentukan kluster mana yang mewakili korteks, medula, pelvis dan latar belakang. Inferens yang tidak diselia sepenuhnya mengalami data input yang bising yang tidak boleh diklasifikasikan secara jelas kepada kategori yang bermakna secara anatomi. Ia amat ketara berkenaan dengan voxel yang terletak pada sempadan antara korteks dan medula. Mereka diberikan kepada kelas "bahagian lain" yang mengandungi voxel juga dari luarbuah pinggang.

Oleh itu, strategi yang kerap diikuti terdiri daripada mengasingkan keseluruhanbuah pinggangdaripada bahagian lain imej. Kawasan kepentingan yang digariskan harus tepat padan dengan sempadan buah pinggang untuk menyingkirkan semua voxel bersebelahan. Contoh penyelesaian sedemikian ialah peta kawasan-bawah-lengkung (AUC), yang digunakan contohnya, dalam [13]. Voksel dalam jujukan DCE-MRI yang ditembusi oleh agen pengesan kelihatan terang pada peta AUC kerana kawasan terbesar di bawah kursus masa intensiti isyaratnya. Adalah menjadi pengajaran untuk ambil perhatian bahawa pendekatan ini memerlukan sama ada pemprosesan pasca manual atau automatik untuk membuang struktur buah pinggang tambahan, saluran darah besar, dan saluran pengumpul kencing.

Strategi segmentasi kasar-ke-halus juga digunakan dalam [14], di mana konsep Volume Temporal Maksimum Stable (MSTV) diperkenalkan. Ciri MSTV membolehkan seseorang mengenalibuah pinggangdengan mengesan struktur spatial homogen dan stabil secara temporal. Segmen berbutir halus diperoleh dengan mengurangkan kursus masa voxel kepada vektor komponen utama, yang seterusnya dibahagikan dengan k-means kepada berbilang kelompok. Walau bagaimanapun, akhirnya, segmentasi yang diperolehi perlu diperhalusi secara berulang untuk mengeluarkan sebarang bunyi yang tinggal. Begitu juga, dalam kajian yang diterangkan dalam [15], peringkat pertama prosedur segmentasi terdiri daripada pencirian dinamik peningkatan isyarat tisu perut. Adalah diperhatikan bahawa medula, tidak seperti korteks, hati, atau limpa, mempamerkan peningkatan yang stabil dalam intensiti isyarat yang berlaku kemudian dalam urutan pemerolehan. Selepas voxel medulla dikenal pasti, dilatasi dilakukan diikuti oleh algoritma GrubCut untuk mencipta topeng buah pinggang. Penalaan halus dicapai dengan mengklasifikasikan voxel dengan pengelas hutan rawak yang telah terlatih. Voxel dicirikan oleh keamatan imej masing-masing dalam rangka masa terpilih bagi urutan dinamik serta lokasinya dalam ROI yang dibina pada peringkat pertama.

Walaupun kedua-dua sumbangan berasaskan MSTV dan GrubCut nampaknya menghasilkan keputusan yang memuaskan untuk berbilang set data, ia adalah algoritma yang agak kompleks dari segi konsep, tidak tersedia dalam perisian komersil atau sumber terbuka. Oleh itu, mereka tidak boleh diterima pakai dengan mudah oleh komuniti klinikal.

Sebaliknya, kemajuan baru-baru ini dalam seni bina rangkaian neural konvolusi dan ketersediaan luas pelaksanaan perisian mereka menjadikan kaedah pembelajaran mendalam amat menarik dalam aplikasi kepada pembahagian tisu biologi dalam imej perubatan. Keberkesanan CNN dalam senario serba boleh analisis data MRI dibincangkan secara menyeluruh dalam kajian komprehensif [16]. Lebih khusus lagi, dalam [17] pelbagai seni bina rangkaian, iaitu, rangkaian konvolusi sepenuhnya [18], SegNet [19], U-Net [20], dan DeepLabV3 plus [21], telah diuji untuk segmentasi semantik kanser prostat dalam T 2-MRI berwajaran. Imej MR anatomi juga dianalisis dalam [22]. Penulis membangunkan seni bina CNN tersuai untuk menggariskan polikistik secara automatikbuah pinggang. Satu lagi pendekatan yang menarik telah dibentangkan dalam [23], di mana pembelajaran mendalam digunakan untuk inferens langsung peta perfusi otak daripada urutan DCE-MRI tanpa secara eksplisit menyesuaikan model PK kepada isyarat yang diukur.

Terdapat beberapa kajian yang diterbitkan mengenai penggunaan CNN untuk pembahagianbuah pinggangdalam imej tomografi yang dikira [24,25]. Walau bagaimanapun, segmentasi dipacu DL bagibuah pinggangdalam set data MRI dipertingkatkan secara kontras masih kekal sebagai topik yang belum habis. Sebagai contoh luar biasa karya yang diterbitkan khusus untuk pemeriksaan DCE-MRI buah pinggang, seseorang boleh menyebut kertas Haghighi et al. [26]. Mereka membina dan melatih lata dua rangkaian CNN. Input kepada struktur bertingkat ini ialah imej 4D DCE-MR. Rangkaian pertama secara kasarnya menyetempatkan buah pinggang kiri dan kanan dalam imej, manakala yang kedua bertanggungjawab untuk persempadanan tepat bagi sempadan buah pinggang. Walau bagaimanapun, tiada segmentasi lanjut ke dalam korteks atau medulla dilakukan kerana hanya keseluruhan parenkim buah pinggang digunakan untuk mengira GFR.

Berdasarkan pertimbangan di atas, pendekatan yang dibentangkan dalam kertas ini adalah tindak balas kepada keperluan untuk algoritma automatik yang pada satu pihak akan mengenali dengan tepatbuah pinggangpetak dalam imej DCE-MR, manakala di sisi lain agak mudah untuk dihasilkan semula oleh mana-mana pasukan penyelidik. Oleh itu, kami mencadangkan untuk:

1. gunakan seni bina CNN untuk pembahagian semantikbuah pinggangparenkim,

2. terangkan voxel parenkim dengan agregat ciri yang diperoleh daripada transformasi bentuk gelombang keamatan isyarat oleh analisis komponen utama (PCA),

3. mendiskriminasi kawasan korteks, medula dan pelvis melalui pengelasan vektor ciri PCA yang diekstrak.

Butiran algoritma yang digunakan dibentangkan dalam Bahagian2. Dalam Bahagian3, kami menilai hasil pembahagian dan cara penyelesaian yang direka bentuk mempengaruhi kestabilan parameter PK yang dianggarkan. Semasa melaksanakan penilaian ini, kami juga membuat hipotesis bahawa adalah mungkin untuk membina skema pengkomputeran universal yang mampu menghasilkan pembahagian yang betul untuk subjek baharu berdasarkan data sejarah semata-mata. Kami percaya bahawa skim sebegini boleh diedarkan secara meluas dan dilaksanakan di klinik dengan atau sedikit tiada usaha untuk menyesuaikan diri dengan protokol pemerolehan imej tersuai. Untuk mencapai matlamat ini, kami telah mengesahkan proses pengiraan yang dicadangkan dalam cara meninggalkan satu subjek. Kami telah mencipta satu siri enjin segmentasi dan klasifikasi, masing-masing dilatih pada kohort pesakit yang berbeza. Kemudian, enjin tertentu telah diuji pada subjek yang tidak kelihatan semasa fasa latihan. Perbincangan keputusan yang diperolehi diberikan dalam Bahagian 4.

2. Bahan-bahan dan cara-cara

2.1. Mri Data

Percubaan dan algoritma yang dibentangkan dalam kertas kerja ini telah direka bentuk menggunakan set 20 jujukan ukuran yang diperoleh daripada 10 sukarelawan yang sihat. Pemeriksaan MRI dilakukan pada unit 1.5 T (Siemens Magnetom Avanto, Erlangen, Jerman). Protokol pemerolehan data menerima pengimejan setiap subjek dua kali, selang 10 hari, menggunakan kaedah gema kecerunan rosak 3D yang dipertingkatkan kontras (TE/TR/FA=0.8/2.36/20 .ms/ms/-, dalam- resolusi satah=2.2 × 2.2 mm2, ketebalan kepingan=3 mm, matriks pemerolehan=192 × 192, bilangan kepingan=30). Ejen kontras (0.025 mmol/kg GdDOTA) ditadbir secara intravena pada kadar aliran 3 mL/s. Setiap jujukan pengukuran terdiri daripada 74 bingkai yang diperoleh pada selang masa 2.3 s.

Untuk mengurangkan artifak gerakan, protokol pengimejan telah direka untuk memperoleh imej pada penahan nafas. Pertama, lapan volum pra-kontras garis dasar telah diperoleh semasa tempoh penahanan nafas 18-. Pada 7 saat selepas suntikan Gadolinium, para peserta diarahkan untuk menahan nafas selama 26 saat untuk perfusi laluan pertama tanpa gerakan. Seterusnya, semasa fasa penapisan, tempoh tahan nafas dipendekkan kepada 13 s dan dijalin dengan 26 s pernafasan bebas. Untuk memudahkan pernafasan, subjek secara hidung menerima oksigen pada kadar aliran 1 L/min.

Bakibuah pinggang gerakan telah diperbetulkan dalam pemprosesan pasca dengan melaksanakan pendaftaran b-spline pada setiap jujukan DCE-MRI. Untuk tujuan itu, kami menggunakan pelaksanaan algoritma B-splines daripada perpustakaan perisian Insight Toolkit (ITK) [27]. Dalam setiap jujukan, kami memilih bingkai rujukan yang sepadan dengan titik tengah fasa perfusi dan kemudian menggunakannya sebagai volum tetap yang setiap volum (bergerak) lain dipadankan. Pendaftaran B-splines telah dilakukan sepenuhnya secara automatik, iaitu, tiada titik fidusial ditandakan di atas tisu yang diminati. Selain itu, prosedur itu dilancarkan dalam konfigurasi berbilang peringkat. Dalam setiap peringkat, pelbagai tetapan saiz grid dan kadar subsampel digunakan. Untuk tafsiran terperinci tentang parameter ini, pembaca dirujuk kepada dokumentasi ITK. Ringkasnya, mereka membenarkan melakukan pendaftaran imej pada skala yang berbeza-bermula daripada padanan kasar dan kemudian menapis hasilnya.

Untuk keperluan reka bentuk dan penilaian algoritma, semua jilid telah dianotasi secara manual oleh ahli radiologi dengan kepakaran dalam urografi MR. Dalam setiap rangka masa, kiri dan kananbuah pinggangtelah digariskan. Kemudian, dalam dua bingkai yang dikaitkan dengan fasa perfusi dan perkumuhan, voxel parenchymal diberikan kepada korteks, medula, atau pelvis.

Di antara peperiksaan, sukarelawan menjalani prosedur pelepasan iohexol. Subjek diberikan dos 5 mL iohexol (300 mg I/mL; Omnipaque 300, GE Healthcare). Kemudian, nilai GFR kebenaran asas ditentukan untuk membolehkan pengesahan anggaran perfusi terbitan imej.

Peserta diarahkan untuk menolak alkohol dan makanan berprotein tinggi, mengelak daripada melakukan senaman fizikal yang berlebihan, biasanya terhidrat sekurang-kurangnya 2 hari sebelum peperiksaan, dan tidak mempunyai kafein pada hari peperiksaan. Untuk memastikan keadaan peperiksaan yang setanding antara sesi pengimbasan dan ujian pelepasan iohexol, ia juga disyorkan untuk mengekalkan masa makan dan diet yang tetap. Semua sukarelawan memberikan persetujuan bertulis bertulis mereka untuk penyertaan dalam kajian yang telah diluluskan oleh Lembaga Kajian Institusi di Hospital Universiti Haukeland Bergen, Norway.

2.2. Gambaran Keseluruhan Talian Paip Segmentasi

Saluran paip segmentasi yang dicadangkan divisualisasikan dalam Rajah 1. Pembahagian kasar awal dicapai oleh rangkaian neural konvolusi sepenuhnya bagi struktur U-Net. Langkah ini dilakukan pada keratan rentas dua dimensi berikutnya bagi imej volumetrik tunggal daripada jujukan DCE-MRI. Imej ini sepadan dengan bingkai peningkatan isyarat tertinggi di kawasan korteks apabila pembahagian parenkim buah pinggang ke dalam korteks dan medula jelas kelihatan.

Kami mengandaikan bahawa satu keratan rentas boleh dibahagikan kepada sisi kiri dan kanan, setiap satu daripada 96-lebar piksel. Pada bahagian tertentu, adalah mungkin untuk mengesan tampalan imej 96-ketinggian piksel yang meliputi keseluruhannya satubuah pinggang. Dengan cara ini, kami memastikan bahawa kiri dan kananbuah pinggangdibahagikan dan diproses secara berasingan. Pada masa ini, kaedah kami memerlukan andaian ini bertahan semasa fasa panggil semula operasi rangkaian. Semasa latihan, adalah memadai jika tampalan imej mengandungi sekurang-kurangnya sebahagian daripada parenkim buah pinggang. Selain itu, saiz tampalan 96 × 96 telah dilaraskan kepada resolusi dalam satah data DCE-MRI yang tersedia dalam kajian ini dan harus diubah suai di bawah konfigurasi pemerolehan yang berbeza.

Segmen kasar kadangkala memerlukan penapisan tambahan untuk menolak gugusan ekstrarenal kecil piksel tersegmen palsu. Dalam algoritma kami, komponen yang disambungkan telah dikenal pasti dan hanya yang terbesar dihantar ke peringkat seterusnya. Selain itu, ambil perhatian bahawa walaupun langkah pembahagian semantik kami dilakukan dalam 2D, langkah itu digunakan pada semua keratan rentas volum tertentu. Analisis yang datang seterusnya telah dicapai mengikut voxel supaya GFR dikira secara berkesan daripada semua nefron yang diedarkan dalam ROI korteks 3D.

Terima kasih kepada pendaftaran imej dalam domain masa,buah pinggangtopeng yang dijana untuk satu bingkai boleh digunakan pada semua bingkai lain siri dinamik. Oleh itu, voxel buah pinggang telah ditetapkan vektor ciri yang terdiri daripada nilai keamatan isyarat MRI yang diukur dalam titik masa berikutnya. Untuk mendapatkan ciri yang lebih umum bagi dinamik isyarat, kami mengekstrak agregat ciri menggunakan transformasi PCA. 20 agregat paling bermaklumat telah dipilih untuk menerangkan setiap voxel renal. Akhirnya, pengelas yang dilatih untuk mendiskriminasi antara ciri temporal kawasan korteks, medula, dan pelvis memberikan voxel kepada kategori yang sesuai.

Rasional di sebalik pendekatan dua peringkat yang dicadangkan adalah untuk memastikan bahawa pengiktirafan akhir adalah berdasarkan anotasi kebenaran asas yang yakin secara maksimum. Jika CNN untuk membahagikan korteks daripada medula dan pelvis, topeng sasaran yang tepat perlu dibuat dan anotasi perlu membuat keputusan di mana sempadan sebenar antara pelbagai tisu terletak. Dalam banyak kes, ini bukan perkara remeh kerana kesan volum separa. Oleh itu, keputusan sedemikian, dan akibatnya model rangkaian terlatih, boleh berat sebelah ke arah pengalaman pemerhati yang unik. Sebagai alternatif, kami memutuskan untuk melatih pengelas menggunakan isyarat hanya dari lokasi yang tidak jelas, seperti yang diterangkan di bawah. Kemudian, semasa inferens hantaran hadapan, adalah menjadi tanggungjawab algoritma untuk mendiskriminasi voxel secara objektif kepunyaan mana-mana kawasan yang boleh dipertikaikan.

Akhirnya, semua unit pengiraan prosedur yang dicadangkan—CNN dan model pengelas, serta matriks transformasi PCA—diperolehi untuk kohort pesakit yang bebas daripada set data yang sedang diproses. Dalam subseksyen berikut, kami menyediakan butiran pelaksanaan modul individu algoritma.

2.3. Cnnfor Segmentasi Semantik

Antara varian U-Net yang tersedia, kami menggunakan pelaksanaan yang diterbitkan di [28]. Oleh kerana ia berbeza daripada seni bina yang diterangkan dalam kertas asal [20], ciri khusus struktur ini, disesuaikan dengan keperluan kajian kami, diringkaskan dahulu.

2.3.1. Seni Bina Rangkaian

Rangkaian saraf konvolusi U-Net pada asalnya dibangunkan untuk pembahagian struktur neuron dalam susunan mikroskopik elektron dan terbukti berkesan dalam banyak aplikasi bioperubatan lain. Seperti yang dikatakan, input kepada model kami ialah imej aras kelabu 2D— tampalan keratan rentas volum DCE-MRI 3D tunggal. Saiz tampalan telah dilaraskan kepada 96 × 96 piksel (lihat Rajah 2).

Ciri ciri U-Net ialah ia mengandungi dua bahagian simetri—laluan kontraktif dan pengembangan. Matlamat laluan kontraktif adalah untuk mengekod corak keamatan piksel imej dengan melakukan konvolusi dengan siri 3 × 3 penapis berat boleh dilatih. Output penapis mengaktifkan komponen pemprosesan utama rangkaian-neuron yang dipanggil unit linear diperbetulkan (ReLU). Mereka membenarkan pemodelan perhubungan bukan linear antara ciri imej dan peta pembahagian output. Oleh itu, peringkat pengekodan boleh dibandingkan dengan proses yang dikenali dalam pemprosesan imej digital sebagai pengekstrakan ciri. Ia diikuti oleh operasi pengumpulan maksimum yang menurunkan sampel peta ciri.

Penguncupan diulang empat kali untuk mengekstrak deskriptor imej pada pelbagai peringkat skala. Setiap tahap, sebenarnya, dibentuk oleh blok yang terdiri daripada dua lapisan konvolusi, setiap satu diikuti oleh lapisan normalisasi kelompok, yang mengekalkan min dan sisihan piawai pemalar bagi pembenaman output dalam kelompok tertentu. Oleh itu, penormalan kelompok memastikan bahawa ciri dengan dinamik intensiti rendah mempunyai kepentingan yang sama dengan ciri yang julatnya lebih besar. Pasangan lapisan lilitan dan normalisasi dipisahkan oleh lapisan tercicir, yang secara rawak menetapkan 20 peratus nod input kepada 0. Mekanisme ini, aktif hanya semasa fasa latihan, menghalang rangkaian daripada terlampau pasang [29].

Output blok pensampelan bawah yang terakhir, dirujuk sebagai kesesakan, diteruskan ke laluan pengembangan atau penyahkodan. Ia dibina daripada bilangan tahap pensampelan naik yang sama dengan bahagian kontraktif dan tugas utamanya ialah memulihkan resolusi spatial asal. Dalam kajian ini, pensampelan atas telah direalisasikan oleh konvolusi transposed. Setiap blok penyahkodan juga terdiri daripada dua pasang lapisan normalisasi konvolusi dan kelompok. Berbeza dengan blok pengekodan, bagaimanapun, tiada mekanisme keciciran dimasukkan di antaranya. Selain itu, peta ciri resolusi tinggi yang diekstrak dalam laluan pensampelan bawah bukan sahaja menyalurkan lapisan pengekodan berikutnya tetapi juga digabungkan dengan input lapisan penyahkodan pada tahap masing-masing laluan pensampelan atas. Sambungan tambahan ini membantu blok penyahkodan untuk dipulihkanbuah pinggangpenyetempatan segmen dengan lebih tepat.

Seperti yang dapat dilihat dalam Rajah 2, blok pengekodan terdiri daripada peningkatan bilangan penapis konvolusi yang semakin dalam dalam laluan kontraktif. Bermula daripada 64 penapis dalam dua lapisan konvolusi pertama, bilangan peta ciri mencapai 1024 dalam kesesakan, digandakan pada setiap tahap pensampelan bawah. Sebaliknya, bilangan penapis dalam laluan pengembangan dibahagikan dengan faktor dua pada setiap langkah menaik. Akibatnya, peta ciri akhir sekali lagi mempunyai kedalaman 64.

Output blok pensampelan atas yang terakhir disambungkan ke lapisan konvolusi dengan penapis saiz 1 × 1-. Ia melakukan konvolusi mengikut piksel bagi inti penapis dengan 64-vektor ciri elemen dan kemudian menyerahkan hasilnya kepada fungsi pengaktifan output. Dalam reka bentuk kami, pengaktifan sigmoid telah digunakan kerana keputusan akhir adalah binari-piksel kepunyaan parenkim atau latar belakang buah pinggang.

2.3.2. Latihan

Pemberat rangkaian telah dimulakan kepada keadaan rawak dengan kaedah He et al. [30]. Proses latihan dijalankan pada tampalan imej yang dipotong daripada jilid DCE-MRI, setiap satu mengandungi satu, kiri atau kananbuah pinggangkeratan rentas. Seperti yang diterangkan di atas, tompok imej 96 × 96-piksel telah diekstrak daripada volum jujukan DCE yang sepadan dengan fasa perfusi, iaitu, bingkai masa kontras isyarat maksimum antara korteks dan medula. Untuk meningkatkan bilangan imej latihan, bagi setiap kajian, kami sebenarnya memilih tiga rangka masa sedemikian—satu dengan peningkatan isyarat maksimum di rantau korteks, satu sebelum dan satu rangka masa yang seterusnya. Dalam setiap volum imej, satubuah pinggangdapat dilihat pada 12 keping secara purata. Ia memberikan kira-kira 1440 patch latihan.

Walaupun rangkaian U-Net biasanya boleh mengatasi sampel latihan yang kecil, kami memutuskan untuk membesarkan lagi set data melalui penambahan data. Ini dicapai dengan memilih 10 kedudukan menegak berbeza tampalan imej dan dengan mencerminkannya secara rawak dalam arah mendatar. Semasa memilih kedudukan tampalan, kami memastikan bahawa ia merangkumi sebahagian besar pusat imej yang mengandungi serpihan penting parenkim buah pinggang (lihat Rajah 3). Secara keseluruhan, bilangan imej yang tersedia untuk latihan mencapai nilai 13,964. Satu pertiga daripada imej latihan telah diasingkan untuk tujuan pengesahan.

Kami melatih 10 model CNN yang berbeza, satu untuk setiap pesakit. Semasa membina model khusus untuk subjek tertentu, tampalan imej yang sepadan (tanpa mengira sesi peperiksaan) telah dialih keluar daripada set latihan dan pengesahan dan digunakan hanya untuk ujian. Berat rangkaian telah dikemas kini menggunakan algoritma penurunan kecerunan stokastik dengan kadar pembelajaran malar=0.01 dan momentum=0.99. Fungsi kehilangan yang dipilih untuk mengoptimumkan ialah kriteria entropi silang binari, ditakrifkan sebagai

dengan N ialah bilangan voxel, Yi ialah label voxel sebenar dan p(Yi) ialah ramalan rangkaian bahawa vektor ke-i memang tergolong dalam kelas Yi, dengan 0 < p(Yi) < 1. Selain itu , untuk memantau kualitibuah pinggangpembahagian sepanjang zaman latihan, kami mengira pekali Jaccard, selepas ini ditetapkan sebagai IoU (intersection-over-union)

di mana K menetapkan bilangan piksel dalam kepingan yang diproses dan y ialah kategori piksel yang diramalkan. Di sini, kategori bernilai Boolean dan piksel dilabelkan Benar jika ia tergolong dalambuah pinggang, Salah jika tidak. Dalam kes setiap subjek, algoritma pengoptimuman dijalankan selama 50 zaman. Model yang disimpan sepadan dengan zaman dengan skor minimum pada fungsi kehilangan yang diperoleh untuk set data pengesahan.

2.4. Pengelasan bagibuah pinggangVoksel

2.4.1. Pengekstrakan Ciri

Pembezaan voxel yang mewakili petak buah pinggang tertentu boleh berdasarkan kursus masa intensiti isyarat mentah. Kami mencadangkan, walau bagaimanapun, untuk mengubah bentuk gelombang isyarat, iaitu, vektor 74 ciri temporal, ke dalam ruang dimensi yang dikurangkan menggunakan analisis komponen utama (PCA). Tujuan transformasi ini bukan sahaja untuk mengurangkan kerumitan model klasifikasi yang terhasil tetapi juga untuk mengekstrak ciri-ciri yang lebih umum bagibuah pinggangtisu, wakil untuk pelbagai subjek. Selain itu, walaupun dalam unit klinikal yang sama, pengimejan DCE boleh dilakukan dalam urutan yang, walaupun meliputi julat masa yang sama, mempunyai resolusi temporal yang berbeza. Oleh itu, sistem membuat keputusan yang menerima corak ciri seragam, dengan menggunakan objek transformasi PCA sebagai penyesuai, boleh digunakan pada vektor data input panjang berubah.

Kami menganggap bahawa komponen PCA yang diekstrak harus menerangkan sekurang-kurangnya 90 peratus daripada varians set data asal. Untuk memenuhi keperluan ini bagi setiap mata pelajaran, sekurang-kurangnya 20 agregat ciri perlu dibina. Seperti yang kita perhatikan, bilangan komponen yang lebih besar tidak membawa kepada ketepatan pengelasan yang lebih tinggi.

2.4.2. Klasifikasi Vektor Ciri

Pemberian voxel renal kepada korteks, medula, atau pelvis dilakukan oleh pengelas yang dilatih dengan cara yang diawasi. Dalam pendekatan kami, data sejarah berfungsi sebagai corak untuk membina peraturan keputusan yang sesuai, kemudian digunakan untuk kajian baharu. Kami telah menguji tiga algoritma klasifikasi untuk mencari skema terbaik merentas semua mata pelajaran. Kaedah yang diperiksa termasuk regresi logistik, mesin vektor sokongan, dan pokok keputusan XGBoost. Dalam perkara berikut, kami mengimbas kembali ciri-ciri algoritma yang digunakan dan menerangkan cara data latihan disediakan.

Melatih dan menguji set data.Vektor latihan diperoleh daripada kawasan yang diminati yang dianotasi secara manual di lokasi parenkim masing-masing. Anotasi dibuat hanya dalam voksel yang keahliannya tidak jelas (lihat Rajah 4a, b), dengan itu membenarkan pengelas terlatih memutuskan tentang kategori tisu yang mendominasi dalam kes voksel yang sebahagiannya dipenuhi dengan pelbagai petak. Bilangan vektor latihan yang dikumpul daripada 20 peperiksaan yang tersedia melebihi nilai 60,000. Set data ini telah dibahagikan kepada 10 lipatan, setiap satu mengandungi vektor data daripada semua kecuali satu subjek, ditinggalkan untuk tujuan ujian. Dalam lipatan tertentu, taburan kelas adalah anggaran seperti berikut: korteks—58 peratus, medula—31 peratus, pelvis—11 peratus. Untuk memberi pengelas peluang untuk belajar mendiskriminasikan kategori dengan ketepatan yang sama, dalam setiap lipatan latihan subset yang mewakili korteks dan medula telah disampel semula agar sepadan dengan saiz kategori pelvis. Secara purata, set latihan selepas pensampelan semula merangkumi lebih 16,000 vektor setiap lipatan. Dalam lipatan latihan yang diberikan, data daripada kedua-dua sesi peperiksaan telah dimasukkan. Sebaliknya, lipatan ujian mengandungi 600 hingga 4800 vektor bergantung kepada pesakit dan sesi pemeriksaan. Pengelas dinilai menggunakan skor ketepatan seimbang yang dikira pada set ujian.

Regresi logistik.Pengelas regresi logistik memodelkan kebarangkalian bahawa vektor ciri tergolong dalam satu daripada dua kategori. Algoritma ini sesuai dengan fungsi linear kepada data latihan dan hasil daripada persamaan regresi untuk titik data tertentu diserahkan kepada transformasi logistik.

di mana p(yi|xi) menandakan kebarangkalian kelas yi diberi titik data xi dengan Yi e {{{0}}, 1}, manakala vektor berat w bersama-sama dengan pintasan w0 menentukan regresi yang dipasang barisan.

Oleh itu, Persamaan (3) terpakai kepada masalah klasifikasi binari. Oleh itu, dalam kes tiga kawasan buah pinggang, sama ada tiga pengelas satu lawan rehat mesti dibina, atau model regresi multinomial adalah sesuai [31]. Dalam eksperimen kami, kami menggunakan varian yang terakhir. Parameter w model linear ditemui dengan meminimumkan fungsi kos kehilangan log dengan istilah regularisasi L2:

di mana kajian kami K=3 dan pi,c ialah kebarangkalian yang diramalkan bahawa vektor itu tergolong dalam kelas c. Masalah pengoptimuman di atas telah diselesaikan dengan algoritma penurunan Stochastic Average Gradient (SAG) [32] yang dilaksanakan dalam pakej Scikit-Learn [33]. Kami memilih SAG kerana pengesyorannya untuk set data yang besar dan sokongan untuk regularisasi L2.

Sokongan Mesin Vektor. Mesin vektor sokongan (SVM) membentuk kelas algoritma yang membina hyperplane margin maksimum yang membezakan kategori yang berbeza [34]. Keputusan tentang keahlian kategori bagi vektor x ditentukan oleh tanda persamaan hyperplane

di mana saya menandakan indeks contoh latihan, xi ialah vektor ciri yang sepadan dan Yi ialah label kelas sebenarnya. Semasa menyesuaikan model ini untuk melatih data, masalah pengoptimuman kuadratik yang terhad telah diselesaikan. Hasilnya, satu set pengganda Langrage bukan sifar ai ditemui, yang bersama-sama dengan vektor sokongan masing-masing xi dan parameter anjakan b menentukan lokasi dan orientasi sempadan yang dicari.

Produk titik dalam (5) boleh digantikan dengan fungsi kernel untuk membolehkan aplikasi SVM kepada masalah bukan linear. Helah kernel secara tersirat mengubah vektor ciri kepada ruang dimensi yang lebih tinggi, di mana ia menjadi mungkin untuk menentukan hyperplane pemisah. Rajah 4c menunjukkan taburan subset vektor latihan untuk salah seorang peserta. Visualisasi ini diperoleh dengan mengubah data daripada ruang 20 agregat ciri PCA kepada ruang tiga dimensi menggunakan kaedah pembenaman jiran stokastik teragih-t (TSNE) [35]. Ia boleh dilihat, walaupun pemisahan linear kelas korteks, medula, dan pelvis adalah munasabah, sempadan pemisah mungkin lebih baik dimodelkan oleh beberapa fungsi bukan linear. Dalam eksperimen kami, hasil terbaik telah dipastikan oleh kernel fungsi asas jejari

di mana |.|menandakan é2-norma. Memandangkan dalam set data sebenar, pengasingan kelas yang sempurna jarang berlaku, kriteria pengoptimuman membenarkan—melalui parameter kaedah tambahan yang biasanya ditetapkan dengan huruf C—membolehkan sejumlah titik data tertentu melanggar sempadan keputusan. Parameter dan C menyumbang sebaliknya kepada kerumitan model SVM. Oleh itu, kami menala nilainya menggunakan algoritma carian grid lengkap dalam eksperimen pengesahan silang lima kali ganda. Keputusan terbaik telah dilaporkan untuk=0.05 dan

C = 1.

Pokok keputusan XGBoost.Konsep penggalak kecerunan melampau (XGBoost) telah diperkenalkan oleh Chen dan Guestrin [36] untuk memudahkan latihan ensemble pokok klasifikasi dan regresi (CART). Berbeza dengan hutan rawak klasik, algoritma pembelajaran memformalkan mekanisme regularisasi dan penggunaan fungsi kehilangan objektif serba boleh. Terima kasih kepada kelebihan ini, ia baru-baru ini terbukti berkesan dalam pelbagai masalah pembelajaran mesin yang melibatkan set data berdimensi tinggi yang besar.

Pembinaan ensembel XGBoost adalah berdasarkan strategi latihan tambahan yang dipanggil. Pada setiap langkah t, pokok baharu ditambahkan pada model yang meminimumkan fungsi kehilangan keseluruhan

di mana t ü 1) ialah label kelas yang diramalkan oleh ensembel yang dibina setakat ini, l mengukur ralat antara yang diramalkan dan label sebenar Yi, manakala ft sepadan dengan struktur pokok daun T, yang memberikan setiap vektor data skor wq (xi), dengan q ialah fungsi yang memperuntukkan titik data xi pada daun pokok tertentu. Kedua-dua T dan pemberat wj mentakrifkan istilah penyelarasan

di mana dan λ parameter mengawal kesan saiz pokok dan meninggalkan markah pada nilai penalti. Dalam konfigurasi yang digunakan dalam kajian kami, dan λ telah ditetapkan kepada {{0}}.1 dan 0.9, masing-masing. Selain itu, bilangan pokok dalam ensembel adalah bersamaan dengan 10, dan kedalaman maksimum yang dibenarkan bagi pokok ialah 4. Akhirnya, kami menggunakan fungsi maksimum-lembut sebagai kriteria objektif l.

2.5. Pemodelan Farmakokinetik

Selain daripada menilai hasil pembahagian secara langsung dengan penggunaan pekali IoU, kami juga membandingkan nilai GFR terbitan imej terhadap ukuran berasaskan iohexol kebenaran tanah. Untuk tujuan penentuan GFR, kami menggunakanbuah pinggang-model penapisan dua petak khusus (2CFM) [5]. Model PK ini menguraikan tisu buah pinggang ke dalam ruang intravaskular (IV) dan ekstraselular ekstravaskular (EEV) dan menganggap tiada aliran keluar tiub dalam tempoh pemodelan. Walaupun model itu boleh digunakan untuk menganggarkan perfusi buah pinggang sama ada dalam korteks atau keseluruhan parenchyma buah pinggang, hanya kawasan sebelumnya yang perlu dipertimbangkan semasa mengira GFR.

Secara bebas daripada kawasan buah pinggang yang dipertimbangkan, untuk menyesuaikan model dengan isyarat yang diukur S(t), purata masa intensiti imej masing-masing mesti ditukar kepada bentuk gelombang kepekatan Ctissue(t). Kami mencapainya menggunakan transformasi yang diterangkan dalam [37] diselaraskan dengan jujukan gema kecerunan. Sebaliknya, tisu C (t) yang diterangkan oleh model 2CFM ditadbir oleh persamaan

di mana C menandakan fungsi input arteri, VP —pecahan isipadu plasma, dan kepekatan C-CA dalam plasma darah. Sebutan pertama dalam (9) mewakili kepekatan CA dalam ruang EEV, manakala sebutan kedua meliputi kepekatan dalam ruang IV yang diperolehi dengan berbelit-belit fungsi input arteri dengan fungsi tindak balas impuls vaskular (VIRF), ditakrifkan sebagai

Oleh itu, VIRF memodelkan kelewatan dan penyebaran AIF berbanding dengan aliran CA melalui dasar kapilari. Pembolehubah Tg—pemalar masa serakan, dan X—selang kelewatan, bersama pecahan volum VP dan pemalar pemindahan Ktrans membentuk set lengkap parameter model 2CFM. Anggaran mereka biasanya dilakukan dalam prosedur pemasangan lengkung kuasa dua terkecil tidak linear (NLLS). Kaedah Reflektif Wilayah Amanah [38], yang digunakan dalam kajian ini, adalah salah satu pengoptimum yang mungkin digunakan untuk menyelesaikan masalah NLLS secara numerik. Berbeza dengan kaedah down-simplex, ia membenarkan untuk menetapkan kekangan pada nilai parameter dan dengan itu memastikan bahawa anggaran akhir jatuh ke dalam julat fisiologi. Kekangan yang diandaikan dalam kajian kami disenaraikan dalam Jadual 1.

Kami melaksanakan algoritma untuk pengoptimuman model 2CFM dalam perisian tersuai yang ditulis dalam Python, tersedia untuk dimuat turun di [39]. Algoritma telah dilancarkan untuk setiap pesakit menggunakan kawasan korteks sama ada diperoleh secara automatik oleh saluran paip segmentasi yang diterangkan di atas atau dijelaskan secara manual. Walau apa pun, AIF ditentukan secara automatik menggunakan kaedah kami yang diterbitkan sebelum ini dalam [40].

2.6. Analisis statistik

Salah satu matlamat untuk mengautomasikan proses pembahagian imej DCE-MR adalah untuk memastikan anggaran perfusi yang stabil dan boleh berulang. Oleh itu, kami melakukan ujian-t Pelajar untuk sampel yang berkaitan (berulang) untuk mengesahkan hipotesis nol bagi bermakna GFR yang sama dianggarkan pada dua acara peperiksaan. Selain itu, kami mengira pekali kebolehulangan yang ditakrifkan sebagai [41]

di mana σdiff ialah sisihan piawai bagi perbezaan antara GFR yang dibuat pada subjek yang sama dan ╱pool menandakan min semua ukuran. Kuantiti ′2σdiff juga dirujuk sebagai sisihan piawai ukuran tunggal (σsm), ialah anggaran sisihan piawai perbezaan dalam pasangan ukuran berpotensi banyak berturut-turut [42]. Selain penilaian kebolehulangan, kebolehulangan anggaran GFR berasaskan imej dinilai menggunakan plot Bland-Altman. Akhirnya, hasil analisis yang dicapai untuk segmen buah pinggang yang ditemui secara automatik dibandingkan dengan anotasi manual.

Cistanche boleh melegakanbuah pinggangdengan berkesan

3. Keputusan

Rajah 5menunjukkan contoh output rangkaian pembahagian semantik untuk dua daripada subjek yang mengambil bahagian bersama-sama dengan topeng anotasi kebenaran tanah. Proses latihan yang sepadan digambarkan dalam Rajah 6, yang menggambarkan evolusi metrik kerugian dan penilaian untuk kedua-dua set latihan dan pengesahan. Seseorang mungkin memerhati, bahawa selepas beberapa zaman pertama, lengkung IoU untuk set latihan dan pengesahan terletak berdekatan antara satu sama lain dan rangkaian tidak memasuki keadaan overfitting. Pada masa yang sama, terdapat penurunan monotonik fungsi kehilangan, yang membuktikan bahawa rangkaian memperoleh keupayaan generalisasi. Pekali persamaan IoU antara anotasi manual dan yang ditemui secara automatikbuah pinggangkawasan yang diperoleh selepas penyingkiran pulau ekstrarenal yang terputus hubungan dengan segmen utama, dikumpulkan dalam Jadual 2. Purata IoU untuk semua mata pelajaran dan kajian=0.94 dan ia kelihatan acuh tak acuh.

Pada peringkat seterusnya, voxel parenchymal diklasifikasikan ke dalam petak buah pinggang yang berasingan. Perbandingan tiga pengelas yang diuji dibentangkan dalam Jadual 3. Ia menilai setiap kaedah berkenaan dengan tiga metrik—ketepatan, ingat dan ketepatan yang seimbang. Dua yang terakhir ditentukan untuk setiap kategori buah pinggang secara berasingan. Metrik ketepatan seimbang diperoleh sebagai purata kadar positif benar yang diperoleh untuk kelas tertentu. Semua markah yang dibentangkan adalah nilai min melebihi 20 subjek ujian. Tiga pengelas yang diuji mencapai prestasi yang sama dari segi kadar positif sebenar (kira-kira 95 peratus ). Secara keseluruhan, bagaimanapun, SVM yang mempamerkan ketepatan seimbang terbaik (96 peratus ) dan juga memperoleh lebih besar daripada keupayaan kaedah lain untuk mengelakkan pengesanan positif palsu. Ia amat ketara

untuk rantau pelvis, dengan ketepatan=92 peratus berbanding 89 peratus ditawarkan oleh regresi logistik dan pengelas XGBoost.

Kadar ketepatan klasifikasi yang tinggi diterjemahkan kepada keputusan pembahagian yang sama baik (Jadual 2), yang sekali lagi dinilai menggunakan pekali Jaccard. Walau bagaimanapun, kali ini, ia dikira sebagai jumlah IoU yang ditentukan untuk setiap rantau secara berasingan dan kemudian ditimbang dengan sokongannya, iaitu, bilangan voxel kebenaran tanah yang mewakili kelas tertentu. Untuk membolehkan perbandingan dengan karya lain, kami mengira semula kadar Jaccard yang diperoleh kepada pekali Dadu (skor F1-) dengan formula.

Menggunakan algoritma kami, kami mencapai pekali Jaccard min untuk kelas korteks di sebelah kiribuah pinggangbersamaan dengan 93.2 peratus . Dalam kes kawasan lain, IoU bersamaan dengan kira-kira 91 peratus , kecuali untuk kelas pelvis di sebelah kiribuah pinggang di mana ia menurun kepada 90.1 peratus . Kualiti segmentasi halus boleh disahkan secara visual dengan menganalisis contoh-contohbuah pinggang penguraian kepada kawasan yang ditunjukkan dalam Rajah 7. Untuk membolehkan penilaian dalam konteks yang lebih luas, kami juga melakukan segmentasi dengan dua kaedah alternatif yang dicadangkan dalam literatur. Yang pertama terdiri daripada mengekstrak ciri isyarat DCE menggunakan transformasi wavelet diskret (DWT) dengan wavelet Daubechies-4, seperti yang didalilkan cth, dalam [12]. Kemudian kami mengelaskan vektor pekali DWT dengan bantuan algoritma SVM. Dalam kaedah perbandingan kedua, vektor ciri PCA dikelompokkan menggunakan algoritma k-means (dengan k=3), seperti yang diterangkan dalam [14]. Pendekatan kedua ini gagal membezakan dengan betul antara korteks dan medula. Majoriti voksel yang mewakili kedua-dua kawasan telah dirangkul dalam kelompok yang sama dan hanya pelvis yang diiktiraf sebagai bahagian autonomi parenkim pada kebanyakan keratan rentas. Berbeza dengan hasil yang diperoleh melalui pengelompokan, wilayah yang dihasilkan secara diawasi menggunakan perihalan voxel berasaskan DWT adalah lebih tepat. Walau bagaimanapun, bilangan pengecaman palsu nampaknya lebih tinggi daripada dalam kes vektor ciri PCA. Skor ketepatan seimbang yang diperoleh untuk pengelas SVM hanya 78 peratus dalam kes ini. Lihat dua baris terakhir Jadual 3 untuk perbandingan kuantitatif skema pembahagian alternatif ini dengan Xgboost, regresi linear dan yang terbaik dalam algoritma SVM/PCA kajian kami.

Hasil daripada peringkat segmentasi digunakan untuk menentukan isyarat min dalam korteks buah pinggang. Isyarat ini kemudiannya dipasang pada model farmakokinetik 2CFM. Rajah 8 menunjukkan bagaimana satu-buah pinggangkadar penapisan glomerular(SK-GFR) yang diperoleh dengan cara ini sepadan dengan skor berkaitan yang diperoleh menggunakan anotasi manual. Purata nilai SK-GFR merentas semua mata pelajaran dan kajian seperti yang diperolehi selepas pembahagian automatik dan manual adalah serupa (56 berbanding 55 mL/min/1.73 m2) dan perbezaan yang diperhatikan adalah tidak ketara secara statistik (statistik T=0.75, nilai-p=0.46). Selain itu, kesesuaian linear antara kedua-dua jenis ukuran membuktikan kesepadanan yang baik dengan r2=0.13 dan 0.49 untuk peperiksaan MR sesi 1 dan 2, masing-masing.

Plot Bland–Altman yang ditunjukkan dalam Rajah 9 membolehkan kami menilai persetujuan jumlah GFR dengan kadar berasaskan iohexol kebenaran asas. Sebelum penggunaan kaedah Bland-Altman, taburan normal ukuran telah disahkan menggunakan ujian Shapiro-Wilk. Nilai-p yang diperolehi diberikan dalam legenda plot yang berkaitan. Perbezaan min bagi peperiksaan MR sesi 1 dari segi nilai mutlak adalah lebih kecil untuk pembahagian manual ( ü0.8 berbanding ü7.4 mL/min/1.73 m2). Dalam kes sesi 2, nilai ╱d adalah konsisten antara kaedah pembahagian, walaupun persetujuan dengan kaedah rujukan adalah lebih lemah. Algoritma yang dicadangkan, bagaimanapun, kelihatan berprestasi lebih baik sedikit (ü 12.9 berbanding ü 14.1 mL/min/1.73 m2). Berdasarkan keputusan yang diperoleh, tidak dapat diputuskan pendekatan segmentasi mana yang memastikan had persetujuan yang lebih sempit. Dalam kes sesi 1, perbandingan mengutamakan pembahagian manual (π=31.3 berbanding 35.5 mL/min/1.73 m2). Walau bagaimanapun, had persetujuan dan selang keyakinan yang paling sempit merentas semua eksperimen diperolehi untuk sesi 2 dan pelabelan automatik (π=25.1 mL/min/1.73 m2). Kedua-dua pendekatan segmentasi membawa kepada keputusan yang boleh berulang (lihat Jadual 4) dengan pekali variasi bersamaan dengan 30.2 peratus dalam kes terburuk (segmentasi manual, kiribuah pinggang). Nampaknya, pembahagian automatik memastikan kestabilan yang lebih baik dengan pekali variasi dua kali lebih rendah daripada dalam kes rakan sejawatan manual. Nilai-p yang diperolehi dalam ujian-t Pelajar untuk sampel yang berkaitan semuanya berada di atas tahap keyakinan=0.05 menunjukkan bukti yang tidak mencukupi terhadap hipotesis nol bahawa tiada perbezaan yang ketara antara cara yang diperhatikan bagi pengukuran SK-GFR. Walau bagaimanapun, nilai p yang dikira untuk buah pinggang kiri dan segmentasi manual adalah agak kecil. Penyiasatan lanjut, yang berpotensi melibatkan sampel yang lebih besar, adalah perlu untuk mengesahkan atau menolak kebolehulangan pengukuran dalam kes ini.

4. Perbincangan

Matlamat utama kajian ini adalah untuk mereka bentuk kaedah yang cekap untukbuah pinggangpembahagian dalam imej DCE-MR. Kami menggabungkan konsep yang sebahagiannya dicadangkan dalam karya yang diterbitkan sebelum ini ke dalam rangka kerja pengiraan yang seragam. Ia merangkumi segmentasi semantik kasar parenkim buah pinggang, transformasi PCA bagi kursus masa isyarat MR untuk mencipta perwakilan berangka voxel dan kemudian membolehkan klasifikasinya menghasilkan pembahagian halus tisu buah pinggang ke dalam korteks, medula, dan pelvis. Pendekatan yang dicadangkan membawa kepada keputusan yang tepat, membolehkan pengecaman buah pinggang pada kadar 94 peratus dari segi pekali Jaccard. Segmentasi petak buah pinggang tertentu boleh dicapai dengan IoU antara 90 peratus dan 93 peratus (96–95 peratus pekali Dadu), bergantung pada jenis tisu.

Apabila merujuk kepada hasil lain yang diterbitkan, nisbah yang diperolehi adalah sama ada mengikut baik atau lebih rendah sedikit. Dalam [14], skor Dadu untuk yang sihatbuah pinggangsegmentasi dilaporkan pada tahap 99 peratus (korteks), 98 peratus (medulla), dan 96 peratus (pelvis). Walau bagaimanapun, ia juga ditunjukkan untuk data simulasi bahawa hingar imej boleh menurunkan ketepatan dengan ketara kepada 82-85 peratus. Oleh kerana protokol pengimejan yang digunakan di dalamnya dan dalam kajian kami berbeza kedua-duanya berkenaan dengan resolusi spatial dan temporal, percanggahan yang diperhatikan dalam julat 1-2 peratus mungkin dikaitkan dengan pelbagai tahap hingar dalam kajian kami. Keadaan pengimbasan yang setanding digunakan dalam satu kumpulan pesakit pediatrik dalam [15]. Purata skor F1-yang diperhatikan di dalamnya adalah sama dengan 93 peratus untuk keseluruhannyabuah pinggang, dan 86 peratus untuk korteks buah pinggang. Dalam [12] segmentasi berasaskan kluster dinilai menggunakan skor ketepatan. Purata keputusan yang diperoleh ialah: 88 peratus —korteks, 91 peratus —medula, dan 98 peratus —pelvis. Nilai ini secara kolektif boleh dirujuk sebagai skor ketepatan seimbang yang mengambil kira saiz segmen tertentu. Oleh itu, model SVM kami nampaknya mengungguli pendekatan berasaskan kluster yang menawarkan ketepatan klasifikasi, serta kadar ingatan semula pada tahap 96 peratus walaupun untuk rantau korteks terbesar.

Akhirnya, rangkaian CNN menumpukan kepada pengiktirafan keseluruhanbuah pinggangyang diterangkan dalam [26] menunjukkan prestasi yang lebih rendah daripada reka bentuk U-Net kami, mencapai skor F1-=91.4 peratus untuk subjek ujian biasa.

Perbezaan yang diperhatikan dalam keputusan segmentasi juga harus dilihat berdasarkan konfigurasi latihan-ingat algoritma. Berbeza dengan beberapa pendekatan alternatif [11,14], strategi kami adalah bebas pesakit. Setelah model segmentasi dan klasifikasi semantik dibina, ia digunakan untuk kajian baharu, tidak ditemui dalam set latihan. Oleh itu, ciri khusus pesakit tidak boleh membimbing mekanisme pengecaman dan mungkin tidak sesuai dengan model terlatih, mengurangkan kadar ketepatan keseluruhan. Selain itu, seperti yang dibincangkan di atas, disebabkan oleh kesan volum separa yang berterusan pada sempadan antara korteks, medulla, dan pelvis, masih terdapat beberapa dos ketidakpastian mengenai segmentasi manual rujukan yang mesti diambil kira semasa menganalisis metrik yang dilaporkan. Walaupun pengelas SVM telah dilatih pada isyarat kebenaran tanah yang tersendiri yang dipilih dengan teliti, data pengesahan, yang mesti merangkumi semua voxel buah pinggang, mungkin masih mengalami subjektivisme anotasi pemerhati.

Selain daripada kuasa yang diperhatikan untuk menghasilkan keputusan pembahagian yang tepat, strategi kami mempunyai satu ciri yang berfaedah. Memandangkan kami menggunakan pengelas diselia untuk menetapkan voxel imej kepada yang sesuaibuah pinggangkawasan, tidak ada keperluan untuk langkah pelabelan yang berasingan. Dalam kes pengelompokan, adalah perlu untuk menyediakan beberapa heuristik untuk mentafsir kategori sebenar setiap kelompok, jika automasi keseluruhan prosedur ingin dipastikan.

Seperti yang digambarkan dalam Rajah 10, terdapat terutamanya dua sumber percanggahan antara anotasi automatik dan manual. Pertama, sempadan antara korteks dan piramid medula adalah samar-samar dan voxel yang sepadan sebahagiannya diisi dengan kedua-dua jenis

daripada tisu buah pinggang. Walaupun kaedah automatik cenderung untuk memasukkan voxel tersebut dalam kelas korteks, mereka sering ditetapkan sebagai medula oleh pakar. Sebaliknya, walaupun segmentasi manual tidak konsisten dalam hal ini yang membuktikan kesukaran untuk sewenang-wenangnya memutuskan tentang kelas voxel di mana kesan voxel separa adalah dominan. Kedua, pengesanan palsu boleh diperhatikan contohnya, pada tepi kortikal luaran. Kesan ini boleh dikaitkan dengan salah pendaftaran imej dalam domain masa. Kaedah pendaftaran b-spline yang digunakan tidak dioptimumkan untuk keperluan kajian ini dan kekal sebagai topik penyiasatan masa depan kami.

Eksperimen yang dijalankan juga menunjukkan bahawa algoritma pembahagian yang dicadangkan meningkatkan kebolehulangan anggaran SK-GFR berasaskan imej. Pekali variasi yang dikira berjumlah 14.5 peratus dan 17.5 peratus untuk kiri dan kananbuah pinggang, masing-masing. Dalam kes anotasi manual, kami memperoleh CoV=30.2 peratus dan 29.4 peratus . Keputusan ini perlu dinilai berkenaan dengan variasi GFR semulajadi yang disebabkan oleh faktor bebas, seperti diet dan masa dalam sehari. Dijangkakan bahawa tahap kreatinin serum, yang berkorelasi baik dengan GFR, boleh mencapai tahap variasi sehingga 10 peratus [43]. Oleh itu, CoV lebih kurang. 15 peratus menunjukkan kebolehulangan yang baik bagi prosedur yang menggunakan automatikbuah pinggangpembahagian. Selain itu, metrik kebolehulangan yang diperoleh termasuk dalam julat nilai yang dibentangkan di tempat lain, contohnya, dalam [44] CoV=32 peratus dan 27 peratus , manakala dalam [13], CoV=17.5 peratus dan 15.4 peratus untuk kiri dan kananbuah pinggang, masing-masing. Walau bagaimanapun, dalam kajian terakhir, CoV hanya dikira mengikut nisbah σsm dan min semua ukuran, tanpa faktor tambahan ′2. Jika faktor pembetulan ini dicerminkan, CoV yang dilaporkan mereka menjadi 24.7 peratus dan 21.8 peratus, yang agak hampir dengan penemuan kami.

Terdapat tiga batasan kajian kami yang boleh dibangkitkan. Pertama, pembahagian yang diandaikan ke dalam tompok imej mungkin mencondongkan rangkaian pembahagian semantik untuk belajarbuah pingganglokasi hanya berhampiran salah satu tepi tampalan. Oleh itu, dalam pembangunan selanjutnya model kami, ia akan dikaji bagaimana prestasi algoritma jika medan pandangan pemerolehan dikonfigurasikan secara berbeza. Kedua, algoritma segmentasi direka menggunakan subjek yang sihat sahaja. Ia boleh mempunyai akibat yang sangat ketara dalam kes pembahagian halus parenkim buah pinggang. Melaraskan model klasifikasi kepada buah pinggang yang berpenyakit mungkin memerlukan penambahan bilangan kelas kepada lebih daripada tiga kategori (korteks, medula, dan pelvis) untuk mencerminkan ciri temporal yang pelbagai bagi lesi tisu buah pinggang. Ketiga, untuk mengira GFR, kami memasangkan model 2CFM kepada isyarat DCE min yang dianggarkan dalam korteks bersegmen. Disebabkan oleh kesan isipadu separa, kedua-dua segmentasi manual dan automatik boleh mengklasifikasikan beberapa voksel sebagai medula, walaupun ia mengandungi glomeruli buah pinggang. Mengabaikan voxel tersebut mungkin menjadi salah satu sebab percanggahan yang diperhatikan antara pengukuran GFR yang diperolehi imej dan berasaskan iohexol. Untuk mengatasi masalah ini, sesetengah penulis [5] mencadangkan untuk menggunakan ROI buah pinggang keseluruhan untuk memastikan bahawa semua voxel yang menyumbang kepada penapisan buah pinggang dimasukkan ke dalam proses pemasangan model PK. Walau bagaimanapun, kami mendapati bahawa pendekatan ini membawa kepada anggaran berlebihan GFR yang luar biasa untuk set data yang tersedia dalam kajian kami. Oleh itu, pada masa hadapan, kami merancang untuk menggunakan teknik penyelesaian super berasaskan pembelajaran mendalam dan cuba mencapai anotasi voxel kortikal yang lebih tepat.

Selain itu, pendekatan 3D sepenuhnya kepada segmentasi semantik harus dieksploitasi. Ia boleh dijangka bahawa rangkaian saraf yang mampu memproses keseluruhan volum MR akan menghasilkan lebih tepatbuah pingganganotasi terima kasih kepada maklumat kedalaman tambahan. Walau bagaimanapun, masalah dalam kajian ini terpaksa dikurangkan kepada dua dimensi kerana bilangan kajian yang disediakan untuk latihan agak sedikit. Penguraian imej volumetrik kepada keratan rentas 2D dibenarkan untuk meningkatkan set data latihan dengan ketara.

Akhirnya, seperti yang diterangkan sebelum ini, pendekatan yang dicadangkan telah disahkan dalam fesyen cuti-satu-subjek-out. Terdapat 10 rangkaian neural bebas dan model pengelas yang berkesan dicipta. Soalan yang sah ialah bagaimana model ini boleh digunakan untuk subjek baru dari luar sampel yang terdapat dalam kajian ini. Satu pilihan ialah membuat ensemble dan memperkenalkan mekanisme pengundian. Sebagai alternatif, skim pembahagian baharu boleh dilatih (merangkumi kedua-dua langkah kasar dan berbutir halus) berdasarkan keseluruhan 10-sampel subjek. Prestasinya berkenaan dengan set data baharu hendaklah setanding dengan keputusan yang dibentangkan di atas.

cistanche boleh melegakanbuah pinggangsakit, klik di sini untuk mengetahui lebih lanjut

5. Kesimpulan

Untuk membuat kesimpulan, dalam makalah ini kami menunjukkan rangka kerja pengiraan untuk menyokong penilaian kuantitatifbuah pinggangperfusi dengan menyediakan cara automatik pembahagian petak buah pinggang. Keputusan ketepatan yang diperolehi membuktikan operasi yang boleh dipercayai bagi kaedah yang direka bentuk. Selain itu, dalam eksperimen kami, pendekatan alternatif untuk mendiskriminasi segmen korteks, medula dan pelvis, berdasarkan transformasi wavelet dan algoritma pengelompokan berprestasi kurang berkesan. Kebolehulangan pengukuran SK-GFR berdasarkan segmen yang ditemui secara automatik bertambah baik jika dibandingkan dengan hasil pemprosesan manual dan juga kekal dalam persetujuan yang baik dengan hasil diterbitkan lain. Kaedah segmentasi yang direka bentuk membolehkan peningkatan objektivisme parameter perfusi terhasil imej dan juga diagnosis kerosakan buah pinggang yang berpotensi lebih cepat. Penemuan ini membawa lebih dekat aplikasi klinikal pengimejan DCE-MR sebagai kaedah rutin dalambuah pinggangdiagnostik. Akhir sekali, untuk memudahkan peralihan ini daripada penyelidikan kepada domain aplikasi, kami membuat rangka kerja perisian kami untuk pemodelan farmakokinetik tersedia di [39]. Repositori termasuk juga skrip untuk pengekstrakan dan pengelasan ciri berasaskan isyarat DCE.

Sumbangan Pengarang:Pengkonsepan, AK; metodologi, AK dan EE; perisian, AK; pengesahan, AK; analisis formal, AK; penyiasatan, AK; sumber, EE dan AL; penyusunan data, EE; penulisan—penyediaan draf asal, AK; menulis—menyemak dan menyunting, AL dan EE; visualisasi, AK; penyeliaan, AL; pentadbiran projek, AK Semua pengarang telah membaca dan bersetuju dengan versi manuskrip yang diterbitkan.

Pembiayaan:Penyelidikan ini tidak menerima pembiayaan luar.

Penyata Lembaga Semakan Institusi:Kajian telah dijalankan mengikut Deklarasi Helsinki, dan protokol telah diluluskan oleh Jawatankuasa Serantau untuk Etika Penyelidikan Perubatan— Western Norway (REC West 2012/1869).

Kenyataan Persetujuan Termaklum:Semua subjek memberikan persetujuan termaklum mereka untuk dimasukkan sebelum mereka mengambil bahagian dalam kajian.

Penyata Ketersediaan Data:Imej DCE-MR yang digunakan dalam kajian ini tidak boleh disediakan kerana persetujuan bertulis yang ditandatangani oleh peserta tidak meliputi perjanjian untuk penyebaran data yang diperoleh kepada orang ramai.

Konflik Kepentingan:Penulis mengisytiharkan tiada konflik kepentingan.

Rujukan

1. Zabell, JR; Larson, G.; Koffel, J.; Li, D.; Anderson, JK; Berat, CJ Penggunaan Pengubahsuaian Diet dalam Persamaan Penyakit Renal untuk Anggaran Kadar Penapisan Glomerulardalam Kesusasteraan Urologi. J. Endourol. 2016, 30, 930–933.

2. Delaney, P.; Ebert, N.; Melsom, T.; Gaspari, F.; Mariat, C.; Cavalier, E.; Björk, J.; Christensson, A.; Nyman, U.; Porrini, E.; et al. Kelegaan plasma Iohexol untuk mengukurkadar penapisan glomerulardalam amalan klinikal dan penyelidikan: Kajian semula. Bahagian 1: Bagaimana untuk mengukurkadar penapisan glomerulardengan iohexol? Clin.buah pinggangJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Kadar penapisan glomerular: Penilaian dengan MRI dipertingkatkan kontras dinamik dan model petak kortikal dalam arnabbuah pinggang. J. Magn. Reson. Pengimejan 2004, 20, 843–849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO MRI-pengukuran perfusi dan penapisan glomerular dalam manusiabuah pinggangdengan model petak yang boleh dipisahkan. Menyiasat. Radiol. 2008, 43, 40–48.

5. Tofts, P.; Cutajar, M.; Mendichovszky, I.; Peters, A.; Gordon, I. Pengukuran tepat penapisan buah pinggang dan parameter vaskular menggunakan model dua petak untuk MRI dipertingkatkan kontras dinamikbuah pinggangmemberikan nilai normal yang realistik. Eur. Radiol. 2012, 22, 1320–1330.

6. Chen, B.; Zhang, Y.; Lagu, X.; Wang, X.; Zhang, J.; Fang, J. Anggaran Kuantitatif Fungsi Buah Pinggang dengan MRI Dipertingkat Kontras Dinamik Menggunakan Model Dua Petak yang Diubahsuai. PLoS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovszky, I.; Tofts, P.; Gordon, I. Kepentingan pemilihan AIF ROI dalam renografi DCE-MRI: Kebolehulangan dan kebolehubahan perfusi dan penapisan buah pinggang. Eur. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, H.; Bokacheva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; Putera, K.; Lagu, T.; Kramer, EL; et al. Pengukuran fungsi buah pinggang daripada MR renography dan model multicompartmental yang dipermudahkan. Am. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS; Blasberg, RG Penilaian Grafik Pemalar Pemindahan Darah-ke-Otak daripada Data Serapan Berbilang Masa. Generalisasi. J. Cereb. Metab Aliran Darah. 1985, 5, 584–590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Pengukuran tunggal-buah pinggangkadar penapisan glomerular menggunakan jujukan kecerunan-gema dinamik dipertingkatkan kontras dan teknik plot Rutland-Patlak. J. Magn. Reson. Pengimejan 2003, 18, 714–725.

11. Zöllner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rørvik, J.; Santos, A.; Lundervold, A. Penilaian 3D DCE-MRI bagibuah pinggangmenggunakan pendaftaran imej tidak tegar dan pembahagian kursus masa voxel. Pengiraan. Med. Graf Pengimejan. 2009, 33, 171–181.

12. Li, S.; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Pembahagian berasaskan wavelet bagi petak buah pinggang dalam DCE-MRI manusiabuah pinggang: Keputusan awal dalam pesakit dan sukarelawan yang sihat. Pengiraan. Med. Graf Pengimejan. 2012, 36, 108–118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Pengukuran MRI dipertingkatkan kontras dinamik fungsi buah pinggang dalam peserta yang sihat. Acta Radiol. 2017, 58, 748–757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Pembahagian petak buah pinggang dalam imej DCE-MRI. Med. Dubur Imej. 2016, 32, 269–280.

15. Yoruk, U.; Hargreaves, BA; Vasanawala, SS Pembahagian buah pinggang automatik untuk urografi MR menggunakan 3D-GrabCut dan hutan rawak. Magn. Reson. Med. 2018, 79, 1696–1707.

16. Lundervold, AS; Lundervold, A. Gambaran keseluruhan pembelajaran mendalam dalam pengimejan perubatan yang memfokuskan pada MRI. Z. Für Med. Fizik. 2019, 29, 102–127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Penilaian Rangkaian Neural Dalam untuk Segmentasi Semantik Prostat dalam T2W MRI. Penderia 2020, 20, 3183.

18. Shelhamer, E.; Long, J.; Darrell, T. Rangkaian Konvolusi Sepenuhnya untuk Segmentasi Semantik. IEEE Trans. Corak Dubur. Mach. Intell. 2017, 39, 640–651.

19. Badrinarayanan, V.; Kendall, A.; Cipolla, R. SegNet: Seni Bina Pengekod-Penyahkod Konvolusi Dalam untuk Pembahagian Imej. IEEE Trans. Corak Dubur. Mach. Intell. 2017, 39, 2481–2495.

20. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Rangkaian Konvolusi untuk Segmentasi Imej Bioperubatan. Dalam Prosiding Persidangan Antarabangsa ke-18 mengenai Pengkomputeran Imej Perubatan dan Intervensi Berbantukan Komputer, Munich, Jerman, 5–9 Oktober 2015; ms 234–241.