Kader voor het schatten van de nierfunctie met behulp van magnetische resonantiebeeldvorming

Abstract doel: Nefrologenempirisch hebben voorspeldnierfunctievanniermorfologie. Bij het diagnosticeren van een geval van nierdisfunctie met een onbekend verloop, acuut nierletsel en chronische nierziekte worden de diagnose gesteld op basis van bloedonderzoek en een beeldvormend onderzoek inclusief magnetische resonantie beeldvorming (MRI), en wordt een onderzoeks-/behandelingsbeleid bepaald. Er wordt een raamwerk voorgesteld voor de schatting van de nierfunctie op basis van waterbeelden verkregen met behulp van de Dixon-methode om informatie te verschaffen die artsen helpt een diagnose te stellen door nauwkeurig te schattennierfunctieop basis van nier-MRI.

KLIK HIER VOOR NATUURLIJK BIOLOGISCH CISTANCHE-EXTRACT MET 25% ECHINACOSIDE EN 9% ACTEOSIDE VOOR DE NIERFUNCTIE

Benadering:Het voorgestelde raamwerk bestaat uit vier stappen. Eerst wordt het niergebied geëxtraheerd door middel van MRI met behulp van de Dixon-methode met een U-net door deep learning. Ten tweede wordt het geëxtraheerde niergebied geregistreerd met het doelmasker. Ten derde worden de nierkenmerken berekend op basis van de classificatie-informatie van het doelmasker die door een specialist is opgesteld. Ten vierde, de geschatteglomerulaire filtratiesnelheid(eGFR) die denierfunctiewordt geschat met behulp van een regressie-ondersteuningsvectormachine op basis van de berekende kenmerken.

Resultaten:Voor de nauwkeurigheidsevaluatie hebben we geëxperimenteerd met het schatten van deeGFRtoen MRI werd uitgevoerd en deeGFRhelling, het jaarlijkse dalingstempo van de eGFR. Toen de nauwkeurigheid werd geëvalueerd voor 165 proefpersonen, werd geschat dat de eGFR een root mean square error (RMSE) had van 11,99 en een correlatiecoëfficiënt van 0.83. Bovendien werd geschat dat de eGFR-helling een RMSE van 4,8 en een correlatiecoëfficiënt van 0.5 had.

Conclusies:Daarom toont de voorgestelde methode de mogelijkheid om de prognose van de nierfunctie te schatten op basis van waterbeelden verkregen met de Dixon-methode.

Trefwoorden:kwantitatief geschatglomerulaire filtratiesnelheid; magnetische resonantiebeeldvorming;nier.

1. Inleiding

Chronische nierziekte(CKD) wordt gedefinieerd als een aanhoudende afname van de geschatteglomerulaire filtratiesnelheid(eGFR) naar<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 toarterioscleroseEnimmuundeficiëntie, DusCKDkan worden gezien als gerelateerd aan verschillende belangrijke doodsoorzaken.1,2 CKDis een mondiaal medisch probleem dat 8% tot 16% van de bevolking wereldwijd treft.3 Vanwege de grote verscheidenheid aan oorzaken van chronische nierziekte is er geen specifieke therapeutische interventie en is het noodzakelijk om de ziekte vroegtijdig op te sporen en de risicofactoren voor chronische nierziekte onder controle te houden. nierschade.

Wanneer een nefroloog een patiënt behandeltnierfunctiestoornisbij een onbekend klinisch beloop verwijst de nefroloog naast laboratoriumgegevens en medische voorgeschiedenis vaak naar beeldvormingsbevindingen van de nier. Voor dit doel zijn echografie van de nieren, röntgencomputertomografie van de buik en het bekken en magnetische resonantiebeeldvorming (MRI) van de nieren nuttig. De nefroloog voorspelt de potentiële nierfunctie die door de morfologie wordt gesuggereerd en weerspiegelt dit potentieel in de behandelplanning. MRI heeft een bijzonder goede resolutie in termen van zacht weefselcontrast en met behulp van geschikte beeldvormingsmethoden is het mogelijk om gedetailleerde informatie te verkrijgen over de interne structuur van de nier, zoals de corticomedullaire grens.4 Bovendien kan MRI ook gegevens verstrekken over de fysiologische aspecten van de nier. De T2*-waarde van de bloedoxygenatieniveau-afhankelijk(BOLD)-methode is een index van ischemie/hypoxie, die kan leiden tot de progressie van chronische nierziekte, en is significant gecorreleerd met de mate van achteruitgang van chronische nierziekte.5,6 De schijnbare diffusiecoëfficiëntwaarde van het diffusiegewogen beeld is een index gerelateerd aan nierfibrose en is significant gecorreleerd met de pathologische bevindingen van nierbiopsie.7 Zoals hierboven beschreven, zijn er hoge verwachtingen ten aanzien van MRI als een niet-invasieve en veelzijdige nierevaluatiemethode, maar MRI heeft één nadeel: er is geen methode beschikbaar voor de uitgebreide kwantificering van afbeeldingen.

Traditioneel worden medische beelden gemeten volgens de Region of Interest (ROI)-methode. Bij de ROI-methode wordt een rechthoekig of cirkelvormig gebied geselecteerd en wordt de gemiddelde waarde van de signaalintensiteiten in het gebied als representatieve waarde gebruikt. Problemen met deze methode zijn onder meer de mogelijkheid dat willekeurige beslissingen van de waarnemer problemen kunnen opleveren bij het opnemen van locatie-informatie en het feit dat slechts een deel van het beeld kan worden gemeten. Pruijm et al.5 stelden de 12-laag concentrische objecten (TLCO)-methode voor voor het analyseren van het niergebied door dit gebied in twaalf lagen te verdelen. De TLCO-methode is een methode om de binnen- en buitenkant van het niergebied aan te wijzen en het gehele gebied te analyseren op basis van de 12 lagen. De externe (cortex) en interne (medullaire) gebieden van de nier hebben verschillende structuren en functies, en de TLCO-methode houdt rekening met de bijzondere structuur van de nier. Bovendien is gerapporteerd dat de TLCO-methode stabieler is dan de ROI-methode, omdat het gehele niergebied wordt gestratificeerd en geanalyseerd door eenvoudigweg de externe en interne gebieden te specificeren.8 Beelden die klinisch worden verkregen, kunnen echter atrofiëren of vervormen wanneer de nier is beschadigd en kan individuele verschillen vertonen of cysten bevatten. Als zodanig is het niet altijd mogelijk om de nieren gelijkmatig in meerdere lagen te verdelen, wat resulteert in onstabiele bevindingen. Daarom bestaat er behoefte aan een volledig automatische en stabiele methode voor nieranalyse.

Als uitgebreide kwantificeringsmethode voor nierbeelden hebben Kuo et al.9 een methode voorgesteld voor het schatten van de eGFR op het moment van onderzoek met behulp van deep learning en ultrasone beelden. In tegenstelling tot,computerondersteunde diagnoseEr zijn onderzoeken (CAD) naar nier-MRI en onderzoeken naar getransplanteerde nieren gerapporteerd. Khalifa et al.10 stelden een raamwerk voor dat de afstoting van getransplanteerde nieren schat met behulp van de tijdreeks dynamische contrast-enhanced-magnetic resonance imaging (DCE-MRI) methode. Bij deze methode worden beelden verkregen door tijdreeksen DCE-MRI uitgelijnd en wordt het niergebied geëxtraheerd met behulp van de niveau-set-methode. De uitlijning wordt vervolgens gecorrigeerd en de cortex wordt berekend en geanalyseerd op basis van de helderheid uit het geëxtraheerde niergebied. Shehata et al.11 stelden een methode voor om de afstoting van getransplanteerde nieren te schatten met behulp van deep learning. De DCE-MRI-methode vereist een contrastmiddel en kan niet worden toegepastgevallen van CKD. Bovendien is het moeilijk om de cortex te extraheren op basis van de helderheid van aangetaste nieren.

In deze studie hebben we geprobeerd de bovenstaande problemen op te lossen en een uitgebreide evaluatiemethode voor nier-MRI te ontwikkelen die als klinische test kan worden toegepast. Door gebruik te maken van de nauwe relatie tussen de niermorfologie en de nierfunctie, werden de waterbeelden gebruikt in de Dixon-methode voor het evalueren van de interne structuur van de nier gebruikt om het doel te evalueren, en het juiste label was eGFR, wat een index is van de nierfunctie. functie. Dixon-technieken zijn gebaseerd op het verschil in resonantiefrequentie tussen vet en water, en daarom worden alleen-vet-, alleen-water-, in-fase- en uit-fase-beelden verkregen.12 In de nier, waar de waterrijke orgaanparenchym is omgeven door vet; Dixon- of soortgelijke vet-onderdrukte afbeeldingen onderscheiden het nierparenchym duidelijk van de omringende structuur. We stellen een methode voor om het niergebied uit magnetische resonantiebeelden te extraheren met een U-net, het geëxtraheerde niergebied om te zetten in een niet-rigide lichaam in het doelmasker, en vervolgens dit gebied te analyseren op basis van deTLCOvan het doelmasker.

Fig. 1 Voorgesteld CAD-systeem voor schatting van de glomerulaire filtratiesnelheidshelling op basis van MRI met behulp van de Dixon-methode.

2 Materiaal en methoden

Het voorgestelde geautomatiseerde raamwerk wordt getoond in figuur 1. Het voorgestelde raamwerk gebruikt de volgende vier stappen om de MRI van de Dixon-methode te verwerken:

1. Segmentatie van het niergebied ten opzichte van de omringende buikstructuren door U-net.

2. Ruisverwijdering door driedimensionale (3D) labeling. 3. Niet-rigide registratie van niergebied en doelmasker. 4. Berekening van de TLCO. 5. Schatting van de nierfunctie (eGFR) door een regressie-ondersteuningsvectormachine (SVM).

In dit artikel is de voorgestelde methode de automatische TLCO (A-TLCO)-methode die de zwakke punten van de eerder gerapporteerde TLCO-methode compenseert en het meetproces automatiseert. De details van de methode worden hieronder beschreven om de voorgestelde methode te onderscheiden van de conventionele handmatige TLCO-methode.

2.1 Niergebied

Wordt door U-net gesegmenteerd van de omliggende buikstructuren. Waterbeelden van de Dixon-methode die in dit onderzoek zijn gebruikt, hebben een duidelijk niergebied. Bovendien beschrijft deze sectie een ruwe extractie van het niergebied. Daarom hebben we besloten U-net te gebruiken, waarvan bekend is dat het goede resultaten oplevert voor gebiedsextractie van medische beelden.13 Er werd gebruik gemaakt van coronale secties van Dixon-waterbeelden. Er zijn drie tot zes gesneden afbeeldingen per onderwerp en het afbeeldingsformaat is 320 × 320. We gebruikten 1201 afbeeldingen van 174 casussen. Alle afbeeldingen zijn door een specialist gemaakt als niersegmentatiebeeld. Figuur 2 toont het U-net dat wordt gebruikt voor extractie van het niergebied. Het netwerk maakt onderscheid tussen drie klassen: nieren, niergrenzen en ander weefsel. Er is echter een onevenwichtige verdeling van monsters in de niergrensklasse vergeleken met de andere weefselklassen. We hebben een gewogen kruis-entropieverlies gebruikt om deze onbalans te compenseren en nauwkeuriger leren te bereiken bij het trainen van het netwerk. We gebruikten softmax met gewogen cross-entropieverlies voor netwerkuitvoer en echte labelvergelijking.

Fig. 2 De U-net-architectuur die in dit onderzoek werd gebruikt voor extractie van het niergebied.

Fig. 3 Resultaten van extractie van het niergebied door U-net: (a) origineel, (b) masker en (c) resultaat.

Kostenminimalisatie op 50 tijdvakken werd uitgevoerd met behulp van de adaptieve momentschattingsoptimalisatie met een leersnelheid van 0,0001. De trainingstijd voor dit netwerk was ~1 uur op een werkstation met een NVIDIA TITAN RTX GPU × 2. In totaal werden 1201 afbeeldingen verdeeld in 600 en 601 afbeeldingen, en classificatie werd uitgevoerd om het niergebied te extraheren. Het experiment voor het schatten van de nierfunctie werd vervolgens voor alle proefpersonen uitgevoerd. Figuur 3 toont de extractieresultaten verkregen door U-net. Figuur 3(a) is een invoerbeeld, en figuur 3(b) is een leraarbeeld. Figuur 3(c) toont het extractieresultaat. Er kan worden bevestigd dat er weinig valse positieven zijn en dat het gebied dichtbij het niergebied kan worden geëxtraheerd.

2.2 Valsdetectie

Verwijdering door 3D-labeling Hoewel het door U-net gedetecteerde niergebied zeer nauwkeurig was, vond er valse detectie plaats. Valse positieven worden geëxtraheerd voor andere organen dan de nieren, zoals weergegeven in figuur 4(b). Dit kan zijn omdat wanneer U-net wordt getraind met 64 x 64 patches, ruimtelijke informatie groter dan de patchgrootte verloren gaat. Om dit probleem te verbeteren, worden methoden overwogen, waaronder het detecteren van de locatie van de nier door objectdetectie, zoals Faster R-CNN14 of YOLOv3,15, en het toepassen van semantische segmentatie in een smal gebied. In dit onderzoek wordt de grens van de nier door U-net echter goed onderscheiden, en zijn er weinig valse positieven voor andere organen, dus er is weinig reden om het proces te compliceren. Daarom hebben we besloten om voor elk onderwerp 3D-labeling uit te voeren en andere gebieden dan die met een groot oppervlak uit te sluiten. De verwerkte resultaten worden getoond in figuur 4. Figuren 4(a) – 4(c) tonen de extractieresultaten door U-net. Er kan worden bevestigd dat valse positieven optreden in andere gebieden dan de nierregio. Figuren 4(d)–4(f) tonen de resultaten van 3D-labeling en uitsluiting van gebieden met een 3D-gebied van 2500 pixels of minder. Deze procedure werd toegepast op alle 1201 beelden en er werd bevestigd dat er geen gevallen waren waarbij het niergebied per ongeluk werd beschadigd.

Fig. 4 Niergebied verkregen door U-net: (a) plak 1, (b) plak 2, en (c) plak 3. Resultaat van de eliminatie van het ruisgebied door 3D-labeling: (d) plak 1, (e) plak 2 en (f) plak 3.

2.3 Niet-rigide registratie van niergebied en doelmasker

Een effectieve methode voor het schatten van de nierfunctie is het analyseren van de structuur van de nier, waarbij de nier anatomisch wordt bekeken.5,16 Er zijn echter tijd en moeite nodig voor een specialist om het niergebied handmatig te extraheren. Bovendien zullen handmatige metingen afhankelijk van de specialist tot verschillende resultaten leiden. Daarom stellen we een methode voor waarmee de posities van de cortex en de medulla van alle beelden automatisch kunnen worden geïdentificeerd door registratie van alle door U-net geëxtraheerde niergebieden in één doelmasker. De registratiemethode wordt in twee stappen uitgevoerd met behulp van een MATLAB-functie. De eerste stap is een op helderheid gebaseerde affiene transformatie. De op helderheid gebaseerde registratiemethode berekent de gelijkenis tussen twee afbeeldingen, herhaalt de affiene transformatie zodat de gelijkenis hoog is, en schat de geometrische transformatie (translatie/rotatie/schaling/afschuiving) met de hoogste gelijkenis. De verwerkingsresultaten worden getoond in figuur 5. Figuur 5(a) is de originele afbeelding. Figuur 5(b) toont de resultaten van het extraheren van het niergebied met U-net. Figuur 5(c) is het doelmasker. Figuur 5(c) is het niergebied van een normaal nierbeeld dat door een specialist is geëxtraheerd. Een typische patiënt heeft twee nieren. In deze studie analyseren we de nier met een groter oppervlak. In figuur 5(b) is de linker nier groter. Als zodanig wordt de linker nier geëxtraheerd en geregistreerd met het doelmasker. Figuur 5(d) toont een pseudokleurenbeeld van het doelmasker en de initiële positie van de geëxtraheerde nier. De pseudokleurenafbeelding toont het doelmasker in groen, de geëxtraheerde nier in magenta en de overlappende pixels van beide in wit. Het resultaat van de affiene transformatie wordt getoond in figuur 5(e). Vervolgens wordt de vorm fijn gewijzigd door registratie met behulp van een op helderheid gebaseerd verplaatsingsveld.9,10 In dit artikel wordt de registratie uitgevoerd met behulp van het verplaatsingsveld gebaseerd op het demonenalgoritme van Thirion.1,2 Het resultaat van de wijziging van de afbeelding getoond in Figuur 5(e) waarbij het verplaatsingsveld wordt gebruikt, wordt getoond in figuur 5(f). De fijne vorm is aangepast om het doelmasker te benaderen. Figuur 5(g) toont de uiteindelijke registratie van het beeld.

Fig. 5 Resultaat van starre transformatie: (a) origineel beeld, (b) resultaat door U-net, (c) doelmasker, (d) initiële positie, (e) affiene transformatie, (f) verplaatsingsveld, en (g ) resultaat van registratie.

2.4 Berekening van TLCO

In dit onderzoek wordt de TLCO-methode gebruikt voor de analyse van de nierfunctie. De TLCO-methode specificeert de binnenste (medullaire zijde) en buitenste (corticale zijde) grenzen van het nierparenchym en verdeelt het niergebied in 12 lagen van buiten naar binnen. De gelaagdheidsmethode wordt niet uitgelegd in het TLCO-artikel.8 Daarom hebben we in dit onderzoek de TLCO berekend met behulp van geodetische afstandsconversie.17 Wanneer geodetische afstandsconversie een binair beeld van het niergebied en een zaadbeeld invoert, wordt een afstandsconversiebeeld gegenereerd. gegenereerd op basis van de zaadafbeelding. Figuur 6(a) toont een binair beeld van het niergebied, geëxtraheerd door een specialist. Figuur 6(b) toont een zaadbeeld gemaakt door een specialist. Figuur 6(c) toont een pseudokleurenbeeld van de geodetische afstandsconversie. Het beeld getoond in figuur 6(c) werd echter niet verkregen door het niergebied in 12 lagen te verdelen. Daarom werd het resultaat van de geodetische afstandsconversie genormaliseerd in 12 lagen. Concreet werd het aantal lagen gedeeld door de maximale waarde en vervolgens vermenigvuldigd met 12. Het genormaliseerde pseudokleurenbeeld voor geodetische afstandsconversie wordt getoond in figuur 6 (d). Het doelmasker is erg belangrijk omdat het rechtstreeks van invloed is op de berekening van de TLCO-methode. In dit onderzoek hebben we besloten om twee soorten afbeeldingen te gebruiken: een normaal nierbeeld geselecteerd door een specialist en een nierbeeld met het grootste gebied. Omdat de TLCO-methode de nier in 12 lagen verdeelt, is rekenen met een kleine geatrofieerde nier moeilijk. Daarom kan een nierbeeld met een klein oppervlak niet als doelmasker worden gebruikt. Figuur 7 toont de resultaten van het toepassen van de TLCO-methode op MRI-beelden van patiënten. Figuur 7(a) is een normaal beeld geselecteerd door een specialist. Figuur 7(b) toont de resultaten van de specialistische extractie van het niergebied uit figuur 7(a). Figuur 7(c) is een pseudokleurenbeeld verdeeld in 12 lagen door de TLCO-methode. Figuur 7(d) is een afbeelding van de nier met het grootste oppervlak. Figuur 7(e) toont het resultaat van de specialist die het niergebied uit figuur 7(d) extraheert. Figuur 7(d) is een pseudokleurenbeeld verdeeld in 12 lagen door de TLCO-methode.

2.5 eGFR gebruikt om te schatten

Nierfunctie via RSVM Bij de TLCO-methode hebben we twaalf metingen gebruikt, één voor elke laag, om de corticomedullaire gradiënt van de MR-signaalintensiteit te schatten op basis van de volgende definities: corticaal

Ondersteunende service van Wecistanche, de grootste cistanche-exporteur in China:

E-mail:wallence.suen@wecistanche.com

Whatsapp/tel:+86 15292862950

Winkel voor meer specificaties:

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