Gezonde niersegmentatie in de Dce-Mr-afbeeldingen met behulp van een convolutief neuraal netwerk en temporele signaalkenmerken

Artur Klepaczko1 , Eli Eikefjord²en Arvid Lundervold^2,3,4

Abstract:Kwantificering van nierperfusie op basis van dynamische contrastversterkte magnetische resonantiebeeldvorming (DCE-MRI) vereist de bepaling van tijdsverloop van signaalintensiteit in het gebied van het nierparenchym. Dus de selectie van voxels die deniermoet met speciale zorg worden uitgevoerd en vormt een van de belangrijkste technische beperkingen die een breder gebruik van deze techniek als standaard klinische routine belemmeren. Handmatige segmentatie van niercompartimenten, zelfs indien uitgevoerd door experts, is een veelvoorkomende oorzaak van verminderde herhaalbaarheid en reproduceerbaarheid. In dit artikel presenteren we een verwerkingskader voor automatischeniersegmentatie in DCE-MR-beelden. Het raamwerk bestaat uit twee fasen. Ten eerste,niermaskers worden gegenereerd met behulp van een convolutioneel neuraal netwerk. Vervolgens worden maskervoxels geclassificeerd in een van de drie regio's - cortex, medulla en bekken - op basis van DCE-MRI-signaalintensiteitstijdverlopen. De voorgestelde aanpak werd geëvalueerd op een cohort van 10 gezonde vrijwilligers die het DCE-MRI-onderzoek ondergingen. MRI-scanning werd herhaald bij tweevoudige gebeurtenissen binnen een interval van 10-dag. Voor de semantische segmentatietaak gebruikten we een klassieke U-Net-architectuur, terwijl experimenten met voxelclassificatie werden uitgevoerd met behulp van drie alternatieve algoritmen: ondersteuningsvectormachines, logistische regressie en bomen met extreme gradiëntversterking, waarvan SVM de meest nauwkeurige resultaten produceerde. Zowel segmentatie- als classificatiestappen werden bereikt door een reeks modellen, elk afzonderlijk getraind voor een bepaald onderwerp met alleen de gegevens van andere deelnemers. Het gemiddelde bereikte een nauwkeurigheid van het geheelniersegmentatie was 94 procent in termen van IoU-coëfficiënt. Cortex, medulla en bekken werden gesegmenteerd met IoU variërend van 90 tot 93 procent, afhankelijk van de weefsel- en lichaamszijde. De resultaten werden ook gevalideerd door beeldafgeleide perfusieparameters te vergelijken met grondwaarheidsmetingen vanglomerulaire filtratiesnelheid:(GFR). De herhaalbaarheid van de GFR-berekening, zoals beoordeeld door de variatiecoëfficiënt, werd bepaald op het niveau van 14,5 en 17,5 procent voor respectievelijk de linker- en rechternier en verbeterde ten opzichte van handmatige segmentatie. De reproduceerbaarheid werd op zijn beurt geëvalueerd door het meten van de overeenkomst tussen beeld-afgeleide en op ihexol gebaseerde GFR-waarden. De geschatte absolute gemiddelde verschillen waren gelijk aan 9,4 en 12,9 ml/min/1,73 m2 voor scansessies 1 en 2 en de voorgestelde geautomatiseerde segmentatiemethode. Het resultaat voor sessie 2 was vergelijkbaar met handmatige segmentatie, terwijl voor sessie 1 de reproduceerbaarheid in de automatische pijplijn zwakker was.

trefwoorden:dynamische contrastversterkte MRI; convolutionele neurale netwerken;niersegmentatie; farmacokinetische modellering; perfusie kwantificering; glomerulaire filtratiesnelheid:

Contactpersoon: ali.ma@wecistanche.com

Klik om Cistanche herba voor nierziekte

1. Inleiding

De nierfunctie wordt routinematig beoordeeld door het serumcreatininegehalte te meten. Op basis van zijn waarde, deglomerulaire filtratiesnelheid:(GFR) kan worden geschat met behulp van bijvoorbeeld de vergelijking voor modificatie van voeding bij nierziekte [1]. Een andere methode om de GFR te bepalen, die recentelijk aan populariteit heeft gewonnen in de klinische setting, is de iohexol-plasmaklaringstest. Sommige auteurs stellen dat deze methode de gouden standaardtechniek vervangt die gebaseerd is op de klaring van inuline via de urine [2]. Al deze procedures maken het echter mogelijk om de GFR gelijktijdig voor beide te kwantificerennieren. Daarom lijkt de dynamische contrastversterkte magnetische resonantiebeeldvorming (DCE-MRI) een aantrekkelijk alternatief - het maakt niet-invasieve monitoring van de filtratieprestaties in één enkelenierterwijl het ruimtelijk opgeloste informatie verschaft over weefsellaesies zoals focale segmentale glomerulosclerose.

In principe produceert het DCE-MRI-onderzoek een reeks T1-gewogen volumes die zijn verkregen in meerdere discrete tijdstappen van de scanprocedure. De methode bestaat uit de intraveneuze toediening van een bolus van een op gadolinium gebaseerd contrastmiddel (CA). Terwijl de CA-bolus door de abdominale arteriële boom, het capillaire bed en de buisvormige systemen van denierenhet verhoogt effectief de T1-relaxatietijd van de doorgedrongen weefsels, waardoor het contrast in het beeld wordt gewijzigd. De temporele dynamiek van deze verandering in de intensiteit van het beeldsignaal weerspiegelt fysiologische omstandigheden van de nierfunctie en vormt de basis voor farmacokinetische (PK) modellering van nierperfusie.

Een aantal van de voorgestelde PK-modellen probeert het proces van bloedperfusie in verschillende organen wiskundig te beschrijven. met betrekking tot denier, gaan de meeste modellen ervan uit dat het signaal dat wordt gemeten in een bepaalde weefselvoxel een som is van bijdragen die afkomstig zijn van ten minste twee compartimenten: intravasculaire (IV) en extracellulaire extravasculaire (EEV) ruimtes [3-6]. Bovendien wordt, zoals in elk PK-model, de afgifte van de gadolinium-tracer via een voedingsslagader naar het orgaan van belang ingekapseld door de zogenaamde arteriële invoerfunctie (AIF). Praktisch gezien is AIF in het geval van nieronderzoek het tijdsverloop van de contrastmiddelconcentratie in de abdominale aorta [7]. Door de AIF te convolueren met een verschuivende en dispersiekern verkrijgt men een tracerconcentratie in het IV-compartiment. Uiteindelijk is de tijdscurve van de concentratie in de EEV-ruimte evenredig met de integraal van de concentratie in het IV-compartiment, eventueel gemoduleerd door een exponentiële factor die de uitstroom uit de niertubuli vertegenwoordigt. De evenredigheidscoëfficiënt, vaak aangeduid als Ktrans, regelt de snelheid van CA-overdracht van het IV- naar het EEV-compartiment. Ktrans vermenigvuldigd met het volume van het orgel leidt direct tot de berekening van GFR.

Er bestaan ​​meer gecompliceerde benaderingen met meerdere compartimenten (bijv. [8]), hoewel hun potentiële klinische toepassing twijfelachtig is. De moeilijkheid ligt in de noodzaak om de stabiliteit van de optimalisatie van dergelijke modelparameters te verzekeren terwijl modelcurves worden aangepast aan de geobserveerde gegevens. Bovendien vereisen deze modellen segmentatie van denierparenchym in de cortex en medulla. Deze eis geldt in feite ook voor modellen met twee compartimenten. Het klassieke model voorgesteld in [3], dat gebaseerd is op het algemene Rutland-Patlak-model [9,10], is alleen van toepassing op het cortexgebied. Aan de andere kant is de toepassing van het tweecompartimentenfiltratiemodel [5] op de hele nier acceptabel voor de opnamefase. Als men perfusie wil meten, moet de analyse zich opnieuw beperken tot alleen de cortex. In ieder geval moet men het bekkengebied uitsluiten dat het contrast verzamelt in de uitscheidingsfase van het onderzoek. Daarom vereist het automatiseren van de procedure van DCE-MRI-gegevensanalyse niet alleen de afbakening van de nier, maar ook het labelen van elke renale voxel als behorend tot de corticale, medullaire of bekkenklasse.

Het probleem vanniersegmentatie is door veel auteurs aangepakt. Vaak worden voxels geclassificeerd op basis van hun intensiteitstijdverloop. In [11] wordt bijvoorbeeld het k-means-algoritme gebruikt om voxels in clusters te groeperen op basis van hun tijdsverloop van de signaalintensiteit. Deze benadering werd verder ontwikkeld in [12], waar de tijdsverlopen van de signaalintensiteit werden voorbewerkt door de discrete wavelet-transformatie. Uiteindelijk moet een soort heuristiek gebaseerd op beide inherente clusterkenmerken en de relatie daarvan worden gebruikt om te bepalen welk cluster de cortex, medulla, bekken en achtergrond vertegenwoordigt. De volledig onbewaakte gevolgtrekking lijdt aan ruisige invoergegevens die niet ondubbelzinnig kunnen worden geclassificeerd in anatomisch betekenisvolle categorieën. Het is vooral duidelijk met betrekking tot de voxels die op de grenzen tussen de cortex en medulla liggen. Ze worden toegewezen aan de klasse "other parts", die ook voxels van buiten de bevatnier.

Daarom bestaat een veel gevolgde strategie erin eerst een geheel te scheidennieruit andere delen van een afbeelding. De afgebakende interessegebieden moeten precies op de niergrenzen passen om alle aangrenzende voxels te verwijderen. Een voorbeeld van zo'n oplossing zijn de area-under-the-curve kaarten (AUC), bijvoorbeeld gebruikt in [13]. Die voxels in de DCE-MRI-sequentie die door het tracermiddel worden gepenetreerd, lijken helder op AUC-kaarten vanwege het grootste gebied onder hun tijdsverloop van de signaalintensiteit. Het is leerzaam om op te merken dat deze benadering handmatige of automatische nabewerking vereist om extra-renale structuren, grote bloedvaten en urineverzamelkanalen te verwijderen.

De grof-naar-fijn segmentatiestrategie werd ook toegepast in [14], waar het concept van Maximally Stable Temporal Volumes (MSTV) werd geïntroduceerd. De MSTV-functies maken het mogelijk om te herkennen:nierendoor ruimtelijk homogene en temporeel stabiele structuren te detecteren. Fijnkorrelige segmentatie wordt verkregen door het tijdsverloop van voxels te reduceren tot vectoren van hoofdcomponenten, die vervolgens door k-means worden gepartitioneerd in meerdere clusters. Uiteindelijk moeten de verkregen segmentaties echter iteratief worden verfijnd om eventuele resterende ruis te verwijderen. Evenzo bestaat in de studie beschreven in [15] de eerste fase van de segmentatieprocedure uit de karakterisering van de signaalversterkingsdynamiek van de buikweefsels. Er wordt waargenomen dat de medulla, in tegenstelling tot de cortex, lever of milt, een gestage toename in signaalintensiteit vertoont die later in de acquisitiesequentie optreedt. Nadat medulla-voxels zijn geïdentificeerd, wordt dilatatie uitgevoerd, gevolgd door het GrubCut-algoritme om niermaskers te maken. Verfijning wordt bereikt door voxels te classificeren met een vooraf getrainde willekeurige bosclassificator. Voxels worden gekenmerkt door hun respectieve beeldintensiteiten in geselecteerde tijdframes van de dynamische reeks en hun locatie binnen de ROI's die in de eerste fase zijn geconstrueerd.

Hoewel zowel MSTV- als GrubCut-gebaseerde bijdragen bevredigende resultaten lijken te leveren voor meerdere datasets, zijn het conceptueel complexe algoritmen die niet beschikbaar zijn in commerciële of open-source software. Als zodanig kunnen ze niet gemakkelijk worden overgenomen door de klinische gemeenschap.

Aan de andere kant maken recente ontwikkelingen in convolutionele neurale netwerkarchitecturen en de brede beschikbaarheid van hun software-implementaties deep learning-methoden bijzonder aantrekkelijk in toepassing op de segmentatie van biologische weefsels in medische beelden. De effectiviteit van CNN's in veelzijdige scenario's van MRI-gegevensanalyse wordt grondig besproken in de uitgebreide review van [16]. Meer specifiek zijn in [17] verschillende netwerkarchitecturen, dwz volledig convolutionele netwerk [18], SegNet [19], U-Net [20] en DeepLabV3 plus [21], getest op semantische segmentatie van prostaatkanker in T 2-gewogen MRI. Anatomische MR-beelden werden ook geanalyseerd in [22]. De auteurs ontwikkelden een aangepaste CNN-architectuur om automatisch polycystische te schetsennieren. Een andere interessante benadering is gepresenteerd in [23], waar deep learning werd gebruikt voor directe inferentie van hersenperfusiekaarten van een DCE-MRI-sequentie zonder expliciet een PK-model te passen aan gemeten signalen.

Er zijn verschillende gepubliceerde onderzoeken geweest naar de toepassing van CNN's op de segmentatie vannierenin computertomografiebeelden [24,25]. Echter, DL-gedreven segmentatie van denierin contrastversterkte MRI-datasets blijft nog steeds een onuitputtelijk onderwerp. Als een uitzonderlijk voorbeeld van de gepubliceerde werken die specifiek zijn gewijd aan renale DCE-MRI-onderzoeken, kan men het artikel van Haghighi et al. noemen. [26]. Ze bouwden en trainden een cascade van twee CNN-netwerken. De invoer voor deze trapsgewijze structuur is een 4D DCE-MR-beeld. Het eerste netwerk lokaliseert ruwweg de linker en rechter nier in het beeld, terwijl het tweede verantwoordelijk is voor de precieze afbakening van de niergrenzen. Er werd echter geen verdere segmentatie in de cortex of medulla uitgevoerd omdat alleen het gehele nierparenchym werd gebruikt om de GFR te berekenen.

In het licht van de bovenstaande overwegingen is de benadering die in dit artikel wordt gepresenteerd een antwoord op de behoefte aan een automatisch algoritme dat enerzijds nauwkeurig denierencompartimenten binnen het DCE-MR-beeld, terwijl het aan de andere kant relatief eenvoudig te reproduceren is door elk onderzoeksteam. Daarom stellen we voor om:

1. gebruik een CNN-architectuur voor semantische segmentatie van denierparenchym,

2. beschrijf parenchymale voxels met kenmerkaggregaten die zijn afgeleid van de transformatie van de signaalintensiteitsgolfvormen door de hoofdcomponentenanalyse (PCA),

3. onderscheid maken tussen cortex, medulla en bekkengebieden door classificatie van de geëxtraheerde PCA-kenmerkvectoren.

Details van de gebruikte algoritmen worden gepresenteerd in sectie 2. In sectie 3 evalueren we de segmentatieresultaten en hoe de ontworpen oplossing de stabiliteit van geschatte PK-parameters beïnvloedt. Bij het uitvoeren van deze beoordeling veronderstellen we ook dat het mogelijk is om een ​​universeel computerschema te construeren dat in staat is om correcte segmentaties te produceren voor nieuwe onderwerpen, uitsluitend gebaseerd op historische gegevens. Wij zijn van mening dat een dergelijk schema op grote schaal zou kunnen worden verspreid en geïmplementeerd in klinieken met of weinig moeite om zich aan te passen aan aangepaste beeldacquisitieprotocollen. Om dit doel te bereiken, hebben we het voorgestelde rekenproces gevalideerd op een 'leave-one-subject-out'-manier. We hebben een reeks segmentatie- en classificatie-engines gemaakt, elk getraind op een ander cohort patiënten. Vervolgens is een bepaalde motor getest op een ongezien onderwerp tijdens de trainingsfase. De bespreking van de verkregen resultaten wordt gegeven in hoofdstuk 4.

2. materialen en methoden

2.1. Mri-gegevens

De experimenten en algoritmen die in dit artikel worden gepresenteerd, zijn ontworpen met behulp van een set van 20 meetreeksen verkregen van 10 gezonde vrijwilligers. MRI-onderzoeken werden uitgevoerd op een 1,5 T-eenheid (Siemens Magnetom Avanto, Erlangen, Duitsland). Het data-acquisitieprotocol omvatte beeldvorming van elk onderwerp twee keer, met een tussenpoos van 10 dagen, met behulp van de contrastversterkte 3D verwende gradiëntecho-methode (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- vlakresolutie=2,2 × 2,2 mm2, plakdikte=3 mm, acquisitiematrix=192 × 192, aantal plakken=30). Contrastmiddel (0,025 mmol/kg GdDOTA) werd intraveneus toegediend met een stroomsnelheid van 3 ml/sec. Elke meetreeks bestond uit 74 frames die werden verkregen met een tijdsinterval van 2,3 s.

Om bewegingsartefacten te verminderen, werd het beeldvormingsprotocol ontworpen om beelden te verkrijgen bij ingehouden adem. Ten eerste werden acht baseline pre-contrast volumes verkregen tijdens de 18-s apneuperiode. Op 7 s na de Gadolinium-injectie kregen de deelnemers de opdracht om hun adem 26 s in te houden voor bewegingsvrije, first-pass perfusie. Vervolgens werden tijdens de filtratiefase de adempauzes ingekort tot 13 s en afgewisseld met 26 s vrij ademen. Om de ademhaling te vergemakkelijken, kregen de proefpersonen nasaal zuurstof toegediend met een stroomsnelheid van 1 l/min.

De resterendenier beweging werd gecorrigeerd in de nabewerking door b-spline-registratie uit te voeren op elke DCE-MRI-sequentie. Voor dat doel hebben we de B-splines-algoritme-implementatie gebruikt uit de Insight Toolkit (ITK)-softwarebibliotheek [27]. In elke reeks selecteerden we een referentiekader dat overeenkomt met een middelpunt van de perfusiefase en gebruikten het vervolgens als een vast volume waaraan elk ander (bewegend) volume was gekoppeld. De registratie van B-splines werd volledig automatisch uitgevoerd, dwz er werden geen vaste punten gemarkeerd over weefsels van belang. Bovendien werd de procedure gelanceerd in een configuratie met meerdere fasen. In elke fase werden verschillende instellingen van rastergrootte en subsamplingsnelheden gebruikt. Voor een gedetailleerde interpretatie van deze parameters wordt verwezen naar de ITK-documentatie. Kortom, ze maakten het mogelijk om beelden op verschillende schalen te registreren, te beginnen met grove matching en vervolgens de uitkomst te verfijnen.

Voor het ontwerp en de evaluatie van algoritmen werden alle volumes handmatig geannoteerd door een radioloog met expertise in MR-urografie. In elk tijdsbestek, links en rechtsnierenafgebakend waren. Vervolgens werden in twee frames gekoppeld aan perfusie- en excretiefasen parenchymale voxels toegewezen aan de cortex, medulla of het bekken.

Tussen de onderzoeken door ondergingen vrijwilligers de iohexol-klaringsprocedure. De proefpersonen kregen een dosis van 5 ml iohexol (300 mg I/ml; Omnipaque 300, GE Healthcare). Vervolgens werden ground-truth GFR-waarden bepaald om de validatie van beeld-afgeleide perfusieschattingen mogelijk te maken.

De deelnemers kregen de instructie om alcohol en eiwitrijke maaltijden te weigeren, overmatige lichamelijke inspanning te vermijden, normaal gesproken minimaal 2 dagen voor het onderzoek gehydrateerd te zijn en op de onderzoeksdag geen cafeïne te gebruiken. Om te zorgen voor vergelijkbare onderzoekscondities tussen scansessies en de iohexol-klaringstest, werd ook aanbevolen om regelmatig te eten en te eten. Alle vrijwilligers gaven hun schriftelijke geïnformeerde toestemming voor deelname aan de studie, die werd goedgekeurd door de Institutional Review Board van het Haukeland University Hospital Bergen, Noorwegen.

2.2. Overzicht van de segmentatiepijplijn

De voorgestelde segmentatiepijplijn wordt gevisualiseerd in figuur 1. De initiële grove segmentatie wordt bereikt door een volledig convolutief neuraal netwerk van de U-Net-structuur. Deze stap werd uitgevoerd op daaropvolgende tweedimensionale dwarsdoorsneden van een enkel volumetrisch beeld van de DCE-MRI-sequentie. Dit beeld komt overeen met het frame van de hoogste signaalversterking in het cortexgebied wanneer de verdeling van het nierparenchym in de cortex en medulla duidelijk zichtbaar is.

We gingen ervan uit dat een enkele doorsnede kan worden verdeeld in linker- en rechterkant, elk met een breedte van 96-pixels. Aan een bepaalde kant is het mogelijk om centraal een beeldvlak van 96-pixels hoog te lokaliseren dat één geheel bedektnier. Zo zorgden we ervoor dat links en rechtsnierenworden gesegmenteerd en afzonderlijk verwerkt. Momenteel vereiste onze methode dat deze veronderstelling gold tijdens de terugroepfase van de netwerkoperatie. Tijdens de training was het voldoende als een beeldvlek tenminste een deel van het nierparenchym bevatte. Bovendien werd de patchgrootte van 96 × 96 aangepast aan de resolutie in het vlak van de DCE-MRI-gegevens die beschikbaar zijn in dit onderzoek en moet deze worden aangepast onder verschillende acquisitieconfiguraties.

Grove segmentatie kan soms extra verfijning vereisen om kleine extrarenale clusters van foutief gesegmenteerde pixels te verwerpen. In ons algoritme werden de aangesloten componenten geïdentificeerd en alleen de grootste werd doorgegeven aan de volgende fase. Merk bovendien op dat hoewel onze semantische segmentatiestap in 2D werd uitgevoerd, deze werd toegepast op alle dwarsdoorsneden van een bepaald volume. De analyses die daarna kwamen, werden voxel-gewijs uitgevoerd, zodat effectief GFR werd berekend uit alle nefronen die in de 3D-cortex-ROI waren verdeeld.

Dankzij beeldregistratie in het tijdsdomein,niermaskers die voor één frame zijn gegenereerd, kunnen worden toegepast op alle andere frames van de dynamische reeks. Zo werden renale voxels voorgeschreven kenmerkvectoren die waren samengesteld uit MRI-signaalintensiteitswaarden gemeten op opeenvolgende tijdstippen. Om meer algemene kenmerken van de signaaldynamiek te verkrijgen, hebben we feature-aggregaten geëxtraheerd met behulp van PCA-transformatie. De 20 meest informatieve aggregaten werden geselecteerd om elke renale voxel te beschrijven. Uiteindelijk wees een classifier die was getraind om onderscheid te maken tussen temporele kenmerken van cortex, medulla en bekkengebieden, een voxel toe aan een geschikte categorie.

De grondgedachte achter de voorgestelde tweetrapsbenadering was ervoor te zorgen dat de uiteindelijke herkenning was gebaseerd op maximaal betrouwbare annotaties van de grondwaarheid. Als het een CNN was om de cortex van medulla en bekken te scheiden, zouden er exacte doelmaskers moeten worden gemaakt en zou de annotator een beslissing moeten nemen waar de werkelijke grens tussen de verschillende weefsels ligt. In veel gevallen was dit niet triviaal vanwege het partiële volume-effect. Daarom zou een dergelijke beslissing, en bijgevolg het getrainde netwerkmodel, kunnen leiden tot een unieke waarnemerservaring. Als alternatief hebben we besloten om een ​​classifier te trainen met alleen de signalen van ondubbelzinnige locaties, zoals hieronder beschreven. Later, tijdens de forward-pass gevolgtrekking, was het de verantwoordelijkheid van het algoritme om voxels die tot betwistbare regio's behoorden objectief te discrimineren.

Ten slotte werden alle rekeneenheden van de voorgestelde procedure - CNN en classificatiemodel, evenals de PCA-transformatiematrix - verkregen voor een cohort patiënten onafhankelijk van de momenteel verwerkte dataset. In de volgende paragrafen geven we de implementatiedetails van de afzonderlijke modules van het algoritme.

2.3. Cnnvoor semantische segmentatie

Van de beschikbare U-Net-varianten hebben we de implementatie gebruikt die is gepubliceerd op [28]. Omdat het verschilde van de architectuur beschreven in het originele artikel [20], worden eerst de specifieke kenmerken van deze structuur, aangepast aan de behoeften van onze studie, samengevat.

2.3.1. Netwerk architectuur

Het U-Net convolutionele neurale netwerk is oorspronkelijk ontwikkeld voor de segmentatie van neuronale structuren in elektronenmicroscopische stapels en bleek effectief in tal van andere biomedische toepassingen. Zoals gezegd was de invoer voor ons model een 2D-afbeelding met grijsniveau - een dwarsdoorsnede van een enkel 3D DCE-MRI-volume. De grootte van de patch werd aangepast tot 96 × 96 pixels (zie figuur 2).

Het karakteristieke kenmerk van het U-Net is dat het twee symmetrische delen bevat: een samentrekkend en een expansiepad. Het doel van het samentrekkende pad is om de intensiteitspatronen van beeldpixels te coderen door convolutie uit te voeren met een reeks van 3 × 3 filters van trainbare gewichten. Filteruitgangen activeren de belangrijkste verwerkingscomponenten van het netwerk - de neuronen die gerectificeerde lineaire eenheden (ReLU) worden genoemd. Ze maken het mogelijk om niet-lineaire relaties tussen beeldkenmerken en de outputsegmentatiekaart te modelleren. De coderingsfase kan dus worden vergeleken met een proces dat in de digitale beeldverwerking bekend staat als kenmerkextractie. Het wordt gevolgd door de max-pooling-bewerking die de functiekaarten down-sample.

Contractie wordt vier keer herhaald om beeldbeschrijvingen op verschillende schaalniveaus te extraheren. Elk niveau wordt in feite gevormd door een blok bestaande uit twee convolutionele lagen, elk gevolgd door een batch-normalisatielaag, die een constante gemiddelde en standaarddeviatie van de uitvoerinbeddingen binnen een bepaalde batch handhaaft. Batchnormalisatie zorgt er dus voor dat functies met een dynamiek met een lage intensiteit even belangrijk zijn als die waarvan het bereik groter is. De paren convolutie- en normalisatielaag worden gescheiden door de dropout-laag, die willekeurig 20 procent van de invoerknooppunten op 0 zet. Dit mechanisme, dat alleen actief is tijdens de trainingsfase, voorkomt dat het netwerk overbelast [29].

De uitvoer van het laatste downsampling-blok, bottleneck genoemd, wordt doorgegeven aan het expansie- of decoderingspad. Het is opgebouwd uit hetzelfde aantal upsampling-niveaus als het contractieve deel en heeft als hoofdtaak het herstellen van de oorspronkelijke ruimtelijke resolutie. In deze studie werd up-sampling gerealiseerd door getransponeerde convolutie. Elk decoderingsblok was ook samengesteld uit twee paren convolutionele en batch-normalisatielagen. In tegenstelling tot de codeerblokken is er echter geen dropout-mechanisme tussen geplaatst. Bovendien voedden de feature-maps met hoge resolutie die in het down-sampling-pad werden geëxtraheerd niet alleen de volgende coderingslagen, maar werden ze ook samengevoegd met de ingangen van de decoderingslagen op de respectieve niveaus van het up-sampling-pad. Deze extra verbindingen hielpen de decoderingsblokken te herstellenniersegmenten lokalisatie nauwkeuriger.

Zoals te zien is in figuur 2, bestonden coderingsblokken uit een toenemend aantal convolutionele filters die dieper in het contractieve pad gingen. Uitgaande van 64 filters in de eerste twee convolutionele lagen, bereikte het aantal feature maps 1024 in de bottleneck, verdubbeld op elk down-sampling niveau. Integendeel, het aantal filters in het expansiepad werd bij elke opwaartse stap gedeeld door de factor twee. Als gevolg hiervan had de uiteindelijke kenmerkkaart opnieuw een diepte van 64.

De uitvoer van het laatste upsampling-blok was verbonden met een convolutionele laag met filters van 1 × 1-formaat. Het voerde pixelgewijze convolutie van de filterkernel uit met een 64-element-kenmerkvector en stuurde het resultaat vervolgens naar een uitvoeractiveringsfunctie. In ons ontwerp werd een sigmoïde-activering gebruikt omdat de uiteindelijke beslissing binair was - een pixel behoorde tot nierparenchym of achtergrond.

2.3.2. Opleiding

Netwerkgewichten werden in een willekeurige toestand geïnitieerd door de methode van He et al. [30]. Het trainingsproces werd uitgevoerd op beeldpatches die waren bijgesneden uit de DCE-MRI-volumes, elk met een enkele, linker of rechternierdwarsdoorsnede. Zoals hierboven beschreven, werden 96 × 96-pixelbeeldpatches geëxtraheerd uit volumes van de DCE-sequentie die overeenkomt met de perfusiefase, dwz tijdframes van het maximale signaalcontrast tussen cortex en medulla. Om het aantal trainingsbeelden te vergroten, hebben we voor elk onderzoek drie van dergelijke tijdframes geselecteerd: het ene met maximale signaalversterking in de cortexregio, een voorafgaand en een volgend tijdsbestek. In elk beeldvolume wordt een enkelenierwas gemiddeld op 12 plakjes zichtbaar. Het leverde ongeveer 1440 trainingspatches op.

Hoewel U-Net-netwerken meestal kleine trainingsvoorbeelden aankunnen, hebben we besloten om de dataset verder uit te breiden door middel van data-augmentatie. Dit werd bereikt door 10 verschillende verticale posities van het beeldvlak te kiezen en deze willekeurig in horizontale richting te spiegelen. Bij het selecteren van patchposities hebben we ervoor gezorgd dat het een voldoende groot deel van het beeldcentrum omvatte dat significante fragmenten van het nierparenchym bevat (zie figuur 3). In totaal bereikte het aantal beschikbare afbeeldingen voor training de waarde van 13.964. Een derde van de trainingsbeelden werd gescheiden voor validatiedoeleinden.

We hebben 10 verschillende CNN-modellen getraind, één voor elke patiënt. Bij het bouwen van een model voor een bepaald onderwerp, werden de bijbehorende afbeeldingspatches (ongeacht de examensessie) verwijderd uit de trainings- en validatiesets en alleen gebruikt voor testen. De gewichten van het netwerk zijn bijgewerkt met behulp van het stochastische gradiëntafdalingsalgoritme met de constante leersnelheid=0,01 en momentum=0,99. De verliesfunctie die werd gekozen om te optimaliseren, was het binaire kruis-entropiecriterium, gedefinieerd als:

waarbij N het aantal voxels is, Yi het ware voxellabel is, en p(Yi) de netwerkvoorspelling is dat i-de vector inderdaad tot klasse Yi behoort, met 0 < p(Yi) < 1. Bovendien , om de kwaliteit vanniersegmentatie over opleidingsperioden, berekenden we de Jaccard-coëfficiënt, hierna aangeduid als IoU (intersection-over-union)

waarbij K het aantal pixels in een verwerkt plakje aangeeft en y de voorspelde pixelcategorie is. Hier hadden categorieën een Booleaanse waarde en kreeg een pixel het label True als deze behoorde tot denier, Vals anders. In het geval van elk onderwerp werd het optimalisatie-algoritme gedurende 50 tijdperken uitgevoerd. Het opgeslagen model kwam overeen met het tijdperk met de minimale score op de verliesfunctie verkregen voor de validatiegegevensset.

2.4. Classificatie vanNierVoxels

2.4.1. Functie-extractie

Differentiatie van voxels die bepaalde niercompartimenten vertegenwoordigen, zou kunnen worden gebaseerd op tijdsverloop van ruwe signaalintensiteit. We stellen echter voor om signaalgolfvormen, dwz vectoren van 74 temporele kenmerken, om te zetten in de ruimte van verminderde dimensionaliteit met behulp van hoofdcomponentenanalyse (PCA). Het doel van deze transformatie is niet alleen om de complexiteit van het resulterende classificatiemodel te verminderen, maar ook om meer algemene kenmerken van deniertissue, een vertegenwoordiger voor verschillende onderwerpen. Bovendien kan DCE-beeldvorming zelfs in dezelfde klinische eenheid worden uitgevoerd in een volgorde die, hoewel het een vergelijkbaar tijdsbestek bestrijkt, een verschillende temporele resolutie heeft. Daarom kan een besluitvormingssysteem dat een uniform kenmerkpatroon accepteert, door gebruik te maken van een PCA-transformatieobject als een adapter, worden toegepast op invoergegevensvectoren met variabele lengte.

We gingen ervan uit dat de geëxtraheerde PCA-componenten ten minste 90 procent van de oorspronkelijke variantie van de dataset zouden moeten verklaren. Om voor elk vak aan deze eis te voldoen, moesten er minimaal 20 feature-aggregaten worden geconstrueerd. Zoals we hebben waargenomen, leidde een groter aantal componenten niet tot een hogere classificatienauwkeurigheid.

2.4.2. Classificatie van kenmerkvectoren

Toewijzing van renale voxels aan cortex, medulla of bekken wordt uitgevoerd door een classifier die onder supervisie is opgeleid. In onze benadering dienen historische gegevens als patronen voor het bouwen van geschikte beslissingsregels, die later worden toegepast op nieuwe onderzoeken. We hebben drie classificatie-algoritmen getest om het beste schema voor alle onderwerpen te vinden. De onderzochte methoden omvatten logistische regressie, ondersteuningsvectormachines en XGBoost-beslissingsbomen. In het volgende herinneren we aan de kenmerken van de gebruikte algoritmen en beschrijven we hoe de trainingsgegevens werden voorbereid.

Train en test datasets.De trainingsvectoren werden verkregen uit interessegebieden die handmatig waren geannoteerd op de respectieve parenchymale locaties. De annotaties werden alleen gemaakt in voxels waarvan het lidmaatschap ondubbelzinnig was (zie figuur 4a,b), waardoor een getrainde classifier de dominante weefselcategorie kon bepalen in het geval van voxels die gedeeltelijk gevuld waren met verschillende compartimenten. Het aantal trainingsvectoren verzameld uit de 20 beschikbare onderzoeken overschreed de waarde van 60,000. Deze dataset was opgedeeld in 10 vouwen, elk met datavectoren van op één na allemaal, apart gelaten voor testdoeleinden. In een bepaalde vouw was de klasseverdeling als volgt bij benadering: cortex - 58 procent, medulla - 31 procent, bekken - 11 procent. Om classifiers een kans te geven om categorieën met gelijke nauwkeurigheid te leren onderscheiden, werden in elke trainingsvouw de subsets die cortex en medulla vertegenwoordigen opnieuw gesampled om overeen te komen met de grootte van de bekkencategorie. Gemiddeld omvatte de trainingsset na resampling meer dan 16,000 vectoren per vouw. In een bepaalde trainingsfolder werden gegevens van beide examensessies opgenomen. Aan de andere kant bevatten de testplooien 600 tot 4800 vectoren, afhankelijk van de patiënt en de onderzoekssessie. Classifiers werden geëvalueerd met behulp van de uitgebalanceerde nauwkeurigheidsscore berekend op de testsets.

Logistieke regressie.De logistische regressieclassificator modelleert de kans dat een kenmerkvector tot een van twee categorieën behoort. Het algoritme past een lineaire functie toe aan de trainingsgegevens en het resultaat van de regressievergelijking voor een bepaald gegevenspunt wordt onderworpen aan de logistische transformatie

waarbij p(yi|xi) de waarschijnlijkheid aangeeft van een klasse yi gegeven een gegevenspunt xi met Yi e {{{0}}, 1}, terwijl de gewichtsvector w samen met het snijpunt w0 de gepaste regressie bepaalt lijn.

Als zodanig is vergelijking (3) van toepassing op binaire classificatieproblemen. Daarom moeten in het geval van drie nierregio's ofwel drie one-versus-rest classifiers worden gebouwd, ofwel is een multinomiaal regressiemodel geschikt [31]. In onze experimenten gebruiken we de laatste variant. Parameters w van het lineaire model worden gevonden door de log-loss kostenfunctie te minimaliseren met L2 regularisatieterm:

waarin onze studie K=3 en pi,c de voorspelde kans is dat de vector tot klasse c behoort. Het bovenstaande optimalisatieprobleem werd opgelost met het Stochastic Average Gradient (SAG) afdalingsalgoritme [32] geïmplementeerd in het Scikit-Learn-pakket [33]. We kozen voor SAG vanwege de aanbeveling voor grote datasets en ondersteuning voor L2-regularisatie.

Ondersteuning van vectormachines. Ondersteuningsvectormachines (SVM) vormen een klasse van algoritmen die een hypervlak met maximale marge construeren dat verschillende categorieën discrimineert [34]. De beslissing over het categorielidmaatschap van een vector x wordt bepaald door het teken van de hypervlakvergelijking

waar ik de index van een trainingsvoorbeeld aanduid, is xi een overeenkomstige kenmerkvector en is Yi het echte klasselabel. Terwijl dit model wordt aangepast aan trainingsgegevens, wordt een beperkt kwadratisch optimalisatieprobleem opgelost. Als resultaat wordt een reeks Langrage-vermenigvuldigers ai gevonden die niet nul is, die samen met hun respectieve steunvectoren xi en de verschuivingsparameter b de locatie en oriëntatie van de gezochte grens bepalen.

Een puntproduct in (5) kan worden vervangen door een kernelfunctie om de toepassing van SVM op niet-lineaire problemen mogelijk te maken. De kerneltruc transformeert impliciet de kenmerkvectoren naar een ruimte met een hogere dimensie, waarin het mogelijk wordt om het scheidende hypervlak te bepalen. Figuur 4c toont de verdeling van de subset van trainingsvectoren voor een van de deelnemers. Deze visualisatie werd verkregen door de gegevens uit de ruimte van 20 PCA-kenmerkaggregaten te transformeren in een ruimte van drie dimensies met behulp van de t-distributed stochastische buurinbedding (TSNE) -methode [35]. Het kan worden gezien dat, hoewel lineaire scheiding van cortex, medulla en bekkenklassen aannemelijk is, de scheidingsgrens beter kan worden gemodelleerd door een niet-lineaire functie. In onze experimenten werden de beste resultaten verzekerd door de radiale basisfunctie-kernel

waar |.|geeft de é2-norm aan. Aangezien in echte datasets een perfecte scheiding van de klassen zeldzaam is, staat het optimalisatiecriterium toe - via een extra methodeparameter die gewoonlijk wordt aangeduid met de letter C - een bepaald aantal datapunten toestaat de beslissingsgrens te schenden. De parameters en C dragen omgekeerd bij aan de complexiteit van het SVM-model. Daarom hebben we hun waarden afgestemd met behulp van het uitgebreide rasterzoekalgoritme in een vijfvoudig kruisvalidatie-experiment. De beste resultaten werden gerapporteerd voor=0.05 en

C = 1.

XGBoost-beslissingsbomen.Het concept van extreme gradiëntversterking (XGBoost) werd geïntroduceerd door Chen en Guestrin [36] om de training van een ensemble van classificatie- en regressiebomen (CART) te vergemakkelijken. In tegenstelling tot klassieke willekeurige forests, formaliseert het leeralgoritme het regularisatiemechanisme en het gebruik van veelzijdige objectieve verliesfuncties. Dankzij deze voordelen is het recentelijk effectief gebleken bij tal van machine learning-problemen waarbij grote, hoogdimensionale datasets betrokken zijn.

De opbouw van een XGBoost-ensemble is gebaseerd op de strategie van de zogenaamde additieve training. Bij elke stap t wordt een nieuwe boom aan het model toegevoegd die de algehele verliesfunctie minimaliseert

waarbij t ü 1) het klasselabel is dat is voorspeld door het ensemble dat tot nu toe is geconstrueerd, l meet de fout tussen het voorspelde en het werkelijke label Yi, terwijl ft overeenkomt met een boomstructuur van T-bladeren, die elk met datavector een score wq toekent (xi), waarbij q een functie is die datapunt xi toewijst aan een gegeven boomblad. Zowel T als gewichten wj definiëren de regularisatieterm

waarbij en λ parameters de impact van de boomgrootte regelen en scores achterlaten op de strafwaarde. In de configuratie die in onze studie werd gebruikt, waren en respectievelijk ingesteld op {{0}}.1 en 0,9. Bovendien was het aantal bomen in het ensemble gelijk aan 10, en de maximaal toegestane diepte van een boom was 4. Uiteindelijk hebben we de soft-max-functie als objectief criterium l gebruikt.

2.5. Farmacokinetische modellering

Naast het rechtstreeks evalueren van de segmentatieresultaten met het gebruik van IoU-coëfficiënt, vergeleken we ook beeld-afgeleide GFR-waarden met de op de grond gebaseerde iohexol-gebaseerde metingen. Voor de bepaling van de GFR hebben we denier-specifiek filtratiemodel met twee compartimenten (2CFM) [5]. Dit PK-model ontleedde nierweefsel in de intravasculaire (IV) en extracellulaire extravasculaire (EEV) ruimtes en veronderstelde geen tubulaire uitstroom binnen de modelleringsperiode. Hoewel het model kon worden gebruikt om de nierperfusie in de cortex of in het gehele nierparenchym te schatten, hoefde alleen de eerdere regio in aanmerking te worden genomen bij het berekenen van de GFR.

Om het model te passen op een gemeten signaal S(t), moet onafhankelijk van het beschouwde niergebied een respectief tijdsverloop van de gemiddelde beeldintensiteit worden omgezet in de concentratiegolfvorm Ctissue(t). We hebben dit bereikt met behulp van de transformatie beschreven in [37] aangepast aan de gradiëntechosequentie. Aan de andere kant wordt C-weefsel (t) beschreven door het 2CFM-model bepaald door de vergelijking

waarbij C staat voor de arteriële ingangsfunctie, VP-plasmavolumefractie en C-CA-concentratie in het bloedplasma. De eerste term in (9) vertegenwoordigt de CA-concentratie in de EEV-ruimte, terwijl de tweede term de concentratie in de IV-ruimte omvat die wordt verkregen door de arteriële ingangsfunctie te convolueren met de vasculaire impulsresponsfunctie (VIRF), gedefinieerd als

Als zodanig modelleert VIRF de vertraging en verspreiding van de AIF ten opzichte van de CA-stroom door het capillaire bed. Variabelen Tg - de dispersietijdconstante en X - het vertragingsinterval, samen met de volumefractie VP en overdrachtsconstante Ktrans vormen de complete set van de 2CFM-modelparameters. Hun schatting wordt meestal uitgevoerd in de niet-lineaire kleinste-kwadraten (NLLS) curve-fitting procedure. De Trust Region-Reflective-methode [38], die in deze studie is gebruikt, is een van de mogelijke optimizers die worden gebruikt om het NLLS-probleem numeriek op te lossen. In tegenstelling tot down-simplex methoden, maakt het het mogelijk om beperkingen te stellen aan parameterwaarden en er zo voor te zorgen dat de uiteindelijke schattingen binnen het fysiologische bereik vallen. De beperkingen die in onze studie worden verondersteld, zijn weergegeven in tabel 1.

We hebben het algoritme voor optimalisatie van het 2CFM-model geïmplementeerd in de aangepaste software geschreven in Python, beschikbaar om te downloaden op [39]. Het algoritme werd voor elke patiënt gelanceerd met behulp van de cortexregio's die ofwel automatisch werden verkregen door de hierboven beschreven segmentatiepijplijn of handmatig werden geannoteerd. In ieder geval is de AIF automatisch bepaald met behulp van onze eerder in [40] gepubliceerde methode.

2.6. Statistische analyse

Een van de doelen van het automatiseren van het proces van DCE-MR-beeldsegmentatie is om stabiele en herhaalbare perfusieschattingen te garanderen. Daarom hebben we de Student's t-test uitgevoerd voor de gerelateerde (herhaalde) steekproeven om de nulhypothese van gelijke GFR-gemiddelden geschat op twee onderzoeksgebeurtenissen te verifiëren. Bovendien berekenden we de herhaalbaarheidscoëfficiënt gedefinieerd als [41]

waarbij σdiff de standaarddeviatie is van de verschillen tussen GFR's die op hetzelfde onderwerp zijn gemaakt en ╱pool het gemiddelde van alle metingen aangeeft. De kwantiteit ′2σdiff, ook wel standaarddeviatie voor één meting (σsm) genoemd, is een schatting van de standaarddeviatie van verschillen in paren van mogelijk veel opeenvolgende metingen [42]. Naast de herhaalbaarheidsbeoordeling werd de reproduceerbaarheid van op afbeeldingen gebaseerde GFR-schattingen geëvalueerd met behulp van Bland-Altman-plots. Uiteindelijk werden de analyseresultaten voor de automatisch gevonden niersegmenten vergeleken met handmatige annotaties.

Cistanche kan verlichtenniereneffectief

3. Resultaten

Afbeelding 5 toont voorbeelduitvoer van het semantische segmentatienetwerk voor twee van de deelnemende onderwerpen, samen met de annotatiemaskers van de grondwaarheid. De bijbehorende trainingsprocessen worden gevisualiseerd in figuur 6, die de evolutie van de verlies- en evaluatiestatistieken voor zowel de trainings- als validatiesets uitzet. Men kan opmerken dat na een eerste paar tijdperken de IoU-curves voor de trainings- en validatiesets dicht bij elkaar lagen en dat het netwerk niet in de overmatige toestand kwam. Tegelijkertijd was er een monotone afname van de verliesfunctie, wat aantoonde dat het netwerk het generalisatievermogen kreeg. De IoU-coëfficiënten van overeenkomst tussen handmatige annotaties en de automatisch gevonden aantekeningennierregio's die zijn verkregen na verwijdering van de extrarenale eilanden die losgekoppeld zijn van de hoofdsegmenten, zijn verzameld in Tabel 2. De gemiddelde IoU voor alle proefpersonen en onderzoeken=0.94 en het leek lateraal onverschillig.

In het volgende stadium werden parenchymale voxels ingedeeld in afzonderlijke niercompartimenten. Een vergelijking van de drie geteste classificaties wordt weergegeven in Tabel 3. Het evalueert elke methode met betrekking tot drie metrieken: gebalanceerde nauwkeurigheid, herinnering en precisie. De laatste twee zijn voor elke niercategorie afzonderlijk bepaald. De uitgebalanceerde nauwkeurigheidsmetriek werd verkregen als het gemiddelde van echt positieve percentages die voor bepaalde klassen werden verkregen. Alle gepresenteerde scores waren gemiddelde waarden over 20 proefpersonen. De drie geteste classifiers behaalden vergelijkbare prestaties in termen van echt positieve percentages (ongeveer 95 procent). Over het algemeen was het echter de SVM die de best uitgebalanceerde nauwkeurigheid vertoonde (96 procent) en ook groter werd dan de andere methoden om fout-positieve detecties te voorkomen. Het was bijzonder duidelijk

voor het bekkengebied, waar precisie=92 procent tegen 89 procent wordt geboden door logistische regressie en XGBoost-classificaties.

Hoge classificatienauwkeurigheid vertaalde zich in even goede segmentatieresultaten (tabel 2), die opnieuw werden beoordeeld met behulp van de Jaccard-coëfficiënt. Deze keer werd het echter berekend als de som van de IoU's die voor elke regio afzonderlijk werden bepaald en vervolgens gewogen op basis van de ondersteuning, dwz het aantal grondwaarheidsvoxels die een bepaalde klasse vertegenwoordigen. Om vergelijking met de andere werken mogelijk te maken, hebben we de verkregen Jaccard-snelheden herberekend naar Dice-coëfficiënten (F1-score) met de formule.

Met behulp van ons algoritme bereikten we de gemiddelde Jaccard-coëfficiënt voor de cortexklasse aan de linkerkantniergelijk aan 93,2 procent. In het geval van de andere regio's kwam de IoU overeen met ongeveer 91 procent, behalve de bekkenklasse in de linkernier waar het daalde tot 90,1 procent. De kwaliteit van fijne segmentatie kan visueel worden bevestigd door voorbeelden van denier decompositie in regio's weergegeven in figuur 7. Om de beoordeling in een bredere context mogelijk te maken, hebben we ook segmentatie uitgevoerd met twee alternatieve methoden die in de literatuur worden voorgesteld. De eerste bestaat uit het extraheren van DCE-signaalkarakteristieken met behulp van de discrete wavelet-transformatie (DWT) met de Daubechies-4-wavelet, zoals bijvoorbeeld gepostuleerd in [12]. Vervolgens hebben we DWT-coëfficiëntvectoren geclassificeerd met behulp van het SVM-algoritme. In de tweede vergeleken methode werden PCA-kenmerkvectoren geclusterd met behulp van een k-means-algoritme (met k=3), zoals beschreven in [14]. Deze tweede benadering slaagde er niet in om goed onderscheid te maken tussen cortex en medulla. De meeste voxels die beide regio's vertegenwoordigen, werden omarmd in een gemeenschappelijk cluster en alleen het bekken werd herkend als een autonoom deel van het parenchym op de meeste dwarsdoorsneden. In tegenstelling tot de resultaten verkregen door clustering, zijn de regio's die op een gecontroleerde manier zijn geproduceerd met behulp van op DWT gebaseerde voxelsbeschrijving nauwkeuriger. Het aantal valse herkenningen is echter blijkbaar hoger dan in het geval van PCA-kenmerkvectoren. De verkregen gebalanceerde nauwkeurigheidsscore voor de SVM-classificator was in dit geval slechts 78 procent. Zie de laatste twee rijen van tabel 3 voor de kwantitatieve vergelijking van deze alternatieve partitieschema's met Xgboost, lineaire regressie en de beste in ons onderzoek SVM/PCA-algoritme.

De uitkomsten van de segmentatiefase werden gebruikt om de gemiddelde signalen in de nierschors te bepalen. Dit signaal werd vervolgens aangepast aan het 2CFM farmacokinetische model. Figuur 8 laat zien hoe single-nierglomerulaire filtratiesnelheden(SK-GFR) verkregen op deze manier komen overeen met de relevante scores die zijn afgeleid met behulp van de handmatige annotaties. De gemiddelde SK-GFR-waarden voor alle proefpersonen en onderzoeken zoals verkregen na automatische en handmatige segmentatie zijn vergelijkbaar (56 versus 55 ml/min/1,73 m2) en het waargenomen verschil is statistisch niet significant (T-statistiek=0,75, p-waarde=0.46). Bovendien bewijst de lineaire fit tussen de twee soorten metingen dat ze goed overeenkomen met r2=0.13 en 0.49 voor respectievelijk MR-onderzoekssessies 1 en 2.

Met de Bland-Altman-grafieken die in figuur 9 worden getoond, kunnen we de overeenstemming van de totale GFR's met de op grondwaarheid gebaseerde op ihexol gebaseerde tarieven beoordelen. Voorafgaand aan de toepassing van de Bland-Altman-methode, werd de normale verdeling van de metingen bevestigd met behulp van de Shapiro-Wilk-test. De verkregen p-waarden worden gegeven in de relevante plotlegenda's. Het gemiddelde verschil voor de MR-onderzoekssessie 1 in termen van absolute waarden was kleiner voor handmatige segmentaties (ü0,8 tegen ü7,4 ml/min/1,73 m2). In het geval van sessie 2 waren de waarden van ╱d consistent tussen de segmentatiemethoden, hoewel de overeenkomst met de referentiemethode zwakker was. Het voorgestelde algoritme bleek echter iets beter te presteren ( ü 12,9 versus ü 14,1 ml/min/1,73 m2). Op basis van de verkregen resultaten kon niet worden besloten welke segmentatiebenadering voor nauwere overeenstemmingsgrenzen zorgde. In het geval van sessie 1 gaf de vergelijking de voorkeur aan handmatige segmentatie (π=31,3 versus 35,5 ml/min/1,73 m2). De smalste limieten van overeenstemming en betrouwbaarheidsintervallen voor alle experimenten werden echter verkregen voor sessie 2 en automatische labeling (π=25,1 ml/min/1,73 m2). Beide segmentatiebenaderingen leidden tot herhaalbare resultaten (zie tabel 4) waarbij de variatiecoëfficiënt in het slechtste geval gelijk was aan 30,2 procent (handmatige segmentatie, linksnier). Blijkbaar zorgde automatische segmentatie voor een betere stabiliteit met variatiecoëfficiënten die twee keer zo laag waren als in het geval van handmatige tegenhangers. De p-waarden die in Student's t-tests voor de verwante steekproeven werden verkregen, lagen allemaal boven het betrouwbaarheidsniveau a=0.05, wat onvoldoende bewijs toont tegen de nulhypothese dat er geen significant verschil is tussen de waargenomen gemiddelden van SK-GFR-metingen. De berekende p-waarde voor de linker nier en handmatige segmentatie was echter relatief klein. Verder onderzoek, eventueel met een grotere steekproef, is nodig om de herhaalbaarheid van de metingen in dit geval te bevestigen of te verwerpen.

4. Discussie

Het primaire doel van dit onderzoek was het ontwerpen van een efficiënte methode voorniersegmentatie in DCE-MR-beelden. We combineerden de concepten die gedeeltelijk werden voorgesteld in eerder gepubliceerde werken in een uniform rekenraamwerk. Het omvat grove semantische segmentatie van nierparenchym, PCA-transformatie van MR-signaaltijdverloop om voxels-numerieke representatie te creëren en vervolgens hun classificatie mogelijk te maken om fijne segmentatie van nierweefsel in cortex, medulla en bekken te produceren. De voorgestelde aanpak leidt tot nauwkeurige resultaten, waardoor nierherkenning mogelijk wordt met een snelheid van 94 procent in termen van Jaccard-coëfficiënt. Segmentatie van bepaalde niercompartimenten kan worden bereikt met IoU tussen 90 procent en 93 procent (96-95 procent van de Dice-coëfficiënt), afhankelijk van het weefseltype.

Wanneer wordt verwezen naar andere gepubliceerde resultaten, zijn de verkregen ratio's ofwel in goede overeenstemming of iets lager. In [14] scoort de dobbelsteen voor de gezondeniersegmentatie werd gerapporteerd op het niveau van 99 procent (cortex), 98 procent (medulla) en 96 procent (bekken). Voor gesimuleerde gegevens werd echter ook aangetoond dat beeldruis de nauwkeurigheid aanzienlijk kan verslechteren tot 82-85 procent. Aangezien de daarin gebruikte beeldvormingsprotocollen en in onze studie verschilden, zowel met betrekking tot ruimtelijke als temporele resolutie, kunnen de waargenomen discrepanties in het bereik van 1-2 procent worden toegeschreven aan verschillende ruisniveaus in onze onderzoeken. Vergelijkbare scancondities werden gebruikt bij één groep pediatrische patiënten in [15]. De daarin waargenomen gemiddelde F1-score was gelijk aan 93 procent voor het geheelnier, en 86 procent voor de nierschors. In [12] werd op clustering gebaseerde segmentatie geëvalueerd met behulp van nauwkeurigheidsscores. De gemiddeld verkregen resultaten waren: 88 procent —cortex, 91 procent —medulla en 98 procent —bekken. Deze waarden kunnen gezamenlijk worden aangeduid als de gebalanceerde nauwkeurigheidsscore die rekening houdt met de grootte van een bepaald segment. Ons SVM-model lijkt dus beter te presteren dan de op clustering gebaseerde benadering en biedt classificatienauwkeurigheid, evenals recall-percentages op het niveau van 96 procent, zelfs voor het grootste cortexgebied.

Uiteindelijk wijdde het CNN-netwerk aan de erkenning van het geheelnierbeschreven in [26] vertoonde lagere prestaties dan ons U-Net-ontwerp en behaalde een F1-score=91,4 procent voor de normale proefpersonen.

De waargenomen verschillen in segmentatieresultaten moeten ook worden gezien in het licht van de algoritmetraining-herinneringsconfiguratie. In tegenstelling tot sommige alternatieve benaderingen [11,14], is onze strategie patiëntonafhankelijk. Zodra de semantische segmentatie- en classificatiemodellen zijn gebouwd, worden ze toegepast op nieuwe onderzoeken die niet in de trainingsset voorkomen. Daarom kunnen patiëntspecifieke kenmerken het herkenningsmechanisme niet sturen en passen ze mogelijk niet in het getrainde model, waardoor de algehele nauwkeurigheid afneemt. Bovendien blijft er, zoals hierboven besproken, vanwege het gedeeltelijke volume-effect dat aanhoudt op de grenzen tussen cortex, medulla en bekken, een zekere mate van onzekerheid over de handmatige referentiesegmentaties waarmee rekening moet worden gehouden bij het analyseren van de gerapporteerde statistieken. Hoewel de SVM-classificator is getraind op zorgvuldig geselecteerde, weefsel-onderscheidende grond-waarheidssignalen, kunnen validatiegegevens, die alle renale voxels moeten omvatten, nog steeds lijden aan subjectivisme van de waarnemersannotaties.

Afgezien van het waargenomen vermogen om nauwkeurige segmentatieresultaten te produceren, heeft onze strategie één voordelig kenmerk. Omdat we een gecontroleerde classificatie gebruiken om beeldvoxels toe te wijzen aan geschiktenierregio's, is er geen aparte etiketteringsstap nodig. In het geval van clustering is het noodzakelijk om enige heuristiek te verschaffen voor het interpreteren van de feitelijke categorie van elk cluster, als men de automatisering van de hele procedure wil verzekeren.

Zoals geïllustreerd in figuur 10, zijn er hoofdzakelijk twee bronnen van discrepantie tussen automatische en handmatige annotaties. Ten eerste is de grens tussen cortex en medullaire piramides dubbelzinnig en zijn de corresponderende voxels gedeeltelijk gevuld met beide soorten

van nierweefsel. Hoewel de automatische methode de neiging heeft om dergelijke voxels in de cortexklasse op te nemen, werden ze door de deskundige vaak aangeduid als medulla. Aan de andere kant is zelfs de handmatige segmentatie in dit opzicht niet consistent, wat de moeilijkheid bewijst om willekeurig te beslissen over de klasse van voxels waar het partiële volume-effect dominant is. Ten tweede kunnen valse detecties worden waargenomen, bijvoorbeeld aan de externe corticale randen. Deze effecten kunnen worden toegeschreven aan de verkeerde registratie van afbeeldingen in het tijdsdomein. De toegepaste b-spline-registratiemethode was niet geoptimaliseerd voor de behoefte van deze studie en blijft het onderwerp van ons toekomstig onderzoek.

De uitgevoerde experimenten toonden ook aan dat het voorgestelde segmentatie-algoritme de herhaalbaarheid van op afbeeldingen gebaseerde SK-GFR-schattingen verbetert. De berekende variatiecoëfficiënten bedroegen 14,5 procent en 17,5 procent voor links en rechtsnieren, respectievelijk. In het geval van handmatige annotaties hebben we CoV=30,2 procent en 29,4 procent verkregen. Deze resultaten moeten worden beoordeeld met betrekking tot natuurlijke GFR-variatie veroorzaakt door onafhankelijke factoren, zoals voeding en tijdstip van de dag. De verwachting is dat het serumcreatininegehalte, dat goed correleert met GFR, een variatiegraad tot 10 procent kan bereiken [43]. Vandaar dat CoV van ca. 15 procent geeft een goede herhaalbaarheid van de procedure aan die gebruikmaakt van geautomatiseerdeniersegmentatie. Bovendien vallen de verkregen meetwaarden voor herhaalbaarheid binnen het waardenbereik dat elders wordt gepresenteerd, bijvoorbeeld in [44] CoV=32 procent en 27 procent, terwijl in [13] CoV=17,5 procent en 15,4 procent voor links en rechtsnieren, respectievelijk. In de laatste studie werd CoV echter alleen berekend als de verhouding van σsm en het gemiddelde van alle metingen, zonder de extra factor ′2. Als deze correctiefactor wordt weerspiegeld, worden hun gerapporteerde CoV's 24,7 procent en 21,8 procent, wat redelijk dicht bij onze bevindingen ligt.

Er kunnen drie beperkingen van ons onderzoek naar voren worden gebracht. Ten eerste kan de veronderstelde verdeling in afbeeldingspatches ertoe leiden dat het semantische segmentatienetwerk leertnierlocaties alleen in de buurt van een van de patchranden. Daarom zal bij de verdere ontwikkeling van onze modellen worden onderzocht hoe het algoritme presteert als het verwervingsveld anders wordt geconfigureerd. Ten tweede is het segmentatie-algoritme ontworpen met alleen gezonde proefpersonen. Vooral bij fijne segmentatie van het nierparenchym kan het grote gevolgen hebben. Om het classificatiemodel aan te passen aan de zieke nieren, kan het nodig zijn het aantal klassen uit te breiden tot meer dan slechts drie categorieën (cortex, medulla en bekken) om verschillende temporele kenmerken van nierweefsellaesies weer te geven. Ten derde hebben we, om de GFR te berekenen, het 2CFM-model aangepast aan het gemiddelde DCE-signaal geschat in de gesegmenteerde cortex. Vanwege het gedeeltelijke volume-effect kunnen zowel handmatige als automatische segmentatie sommige voxels als medullair classificeren, hoewel ze renale glomeruli bevatten. Het negeren van dergelijke voxels kan een van de redenen zijn voor de waargenomen discrepanties tussen beeldafgeleide en op ihexol gebaseerde GFR-metingen. Om dit probleem op te lossen, stellen sommige auteurs [5] voor om volledige nier-ROI te gebruiken om ervoor te zorgen dat alle voxels die bijdragen aan nierfiltratie worden opgenomen in het PK-modelaanpassingsproces. We ontdekten echter dat deze benadering leidt tot een opmerkelijke overschatting van GFR voor de datasets die beschikbaar zijn in onze studie. Daarom zijn we van plan om in de toekomst op deep learning gebaseerde superresolutietechnieken toe te passen en te proberen nauwkeurigere annotaties van corticale voxels te bereiken.

Bovendien moet een volledig 3D-benadering van semantische segmentatie worden benut. Het kan worden verwacht dat een neuraal netwerk dat in staat is om hele MR-volumes te verwerken, nauwkeuriger zou producerennierannotaties dankzij extra diepte-informatie. Het probleem in deze studie moest echter worden teruggebracht tot twee dimensies vanwege het relatief kleine aantal studies dat beschikbaar is voor training. Door de ontleding van volumetrische afbeeldingen in 2D-dwarsdoorsneden kon de trainingsgegevensset aanzienlijk worden vergroot.

Uiteindelijk, zoals eerder beschreven, werd de voorgestelde aanpak gevalideerd op de manier waarop je een proefpersoon weglaat. Er werden effectieve, 10 onafhankelijke neurale netwerk- en classificatiemodellen gemaakt. Een legitieme vraag is hoe deze modellen kunnen worden toegepast op nieuwe proefpersonen van buiten de steekproef die in dit onderzoek beschikbaar is. Een mogelijkheid zou zijn om een ​​ensemble op te richten en een stemmechanisme in te voeren. Als alternatief zou een nieuw segmentatieschema kunnen worden getraind (dat zowel grove als fijnmazige stappen omvat) op basis van de gehele 10-proefpersoon. De prestaties met betrekking tot nieuwe datasets moeten vergelijkbaar zijn met de hierboven gepresenteerde resultaten.

cistanche kan verlichtennierpijn, klik hier om meer te weten

5. Conclusies

Tot slot hebben we in dit artikel een computationeel raamwerk gedemonstreerd voor het ondersteunen van de kwantitatieve beoordeling vannierperfusie door een geautomatiseerde manier van segmentatie van niercompartimenten te bieden. De verkregen nauwkeurigheidsresultaten bewijzen de betrouwbare werking van de ontworpen methode. Bovendien presteren in onze experimenten alternatieve benaderingen om cortex-, medulla- en bekkensegmenten te onderscheiden, gebaseerd op wavelet-transformaties en clusteringalgoritmen, minder effectief. Herhaalbaarheid van SK-GFR-metingen op basis van automatisch gevonden segmenten verbetert in vergelijking met de resultaten van handmatige verwerking en blijft ook in goede overeenstemming met andere gepubliceerde resultaten. De ontworpen segmentatiemethode zorgt voor een verhoogd objectivisme van de van het beeld afgeleide perfusieparameters en ook voor een mogelijk snellere diagnose van nierfunctiestoornissen. Deze bevindingen brengen de klinische toepassing van DCE-MR-beeldvorming als een routinematige methode dichterbijnierdiagnostiek. Ten slotte, om deze verschuiving van onderzoek naar het toepassingsdomein te vergemakkelijken, stellen we ons softwareraamwerk voor farmacokinetische modellering beschikbaar op [39]. De repository bevat ook de scripts voor op DCE-signalen gebaseerde feature-extractie en classificatie.

Auteursbijdragen:Conceptualisatie, AK; methodologie, AK en EE; software, AK; validatie, AK; formele analyse, AK; onderzoek, AK; middelen, EE en AL; gegevensbeheer, EE; schrijven-originele ontwerpvoorbereiding, AK; schrijven-recensie en redactie, AL en EE; visualisatie, AK; toezicht, AL; projectadministratie, AK Alle auteurs hebben de gepubliceerde versie van het manuscript gelezen en ermee ingestemd.

Financiering:Dit onderzoek heeft geen externe financiering gekregen.

Verklaring van de Institutionele Review Board:Het onderzoek is uitgevoerd in overeenstemming met de Verklaring van Helsinki en het protocol is goedgekeurd door de Regionale Comités voor ethiek van medisch onderzoek - West-Noorwegen (REC West 2012/1869).

Verklaring van geïnformeerde toestemming:Alle proefpersonen gaven hun geïnformeerde toestemming voor opname voordat ze deelnamen aan het onderzoek.

Verklaring van beschikbaarheid van gegevens:DCE-MR-afbeeldingen die in dit onderzoek zijn gebruikt, kunnen niet beschikbaar worden gesteld omdat de schriftelijke toestemming ondertekend door de deelnemers niet de overeenkomst voor openbare verspreiding van de verkregen gegevens dekte.

Belangenverstrengeling:De auteurs verklaren geen belangenverstrengeling.

Referenties

1. Zabell, JR; Larson, G.; Koffel, J.; Li, D.; Anderson, JK; Gewicht, CJ Gebruik van de wijziging van dieet bij nierziekte Vergelijking voor schatting Glomerulaire filtratiesnelheidin de urologische literatuur. 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. Iohexol plasmaklaring voor metingglomerulaire filtratiesnelheid:in de klinische praktijk en onderzoek: een overzicht. Deel 1: Hoe te metenglomerulaire filtratiesnelheidmet iohexol? clin.NierJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Glomerulaire filtratiesnelheid: beoordeling met dynamische contrastversterkte MRI en een corticaal compartimentmodel bij het konijnnier. J. Magn. Reson. Beeldvorming 2004, 20, 843-849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO MRI-meting van perfusie en glomerulaire filtratie bij de mensniermet een scheidbaar compartimentmodel. Onderzoek. Radiol. 2008, 43, 40-48.

5. Tofts, P.; Cutajar, M.; Mendichovszky, I.; Peters, A.; Gordon, I. Nauwkeurige meting van nierfiltratie en vasculaire parameters met behulp van een tweecompartimentenmodel voor dynamische contrastversterkte MRI van deniergeeft realistische normaalwaarden. EUR. Radiol. 2012, 22, 1320-1330.

6. Chen, B.; Zhang, Y.; Lied, X.; Wang, X.; Zhang, J.; Fang, J. Kwantitatieve schatting van de nierfunctie met dynamische contrastversterkte MRI met behulp van een gemodificeerd tweecompartimentenmodel. PLoS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovszky, I.; Tofts, P.; Gordon, I. Het belang van AIF ROI-selectie bij DCE-MRI-renografie: reproduceerbaarheid en variabiliteit van nierperfusie en -filtratie. EUR. J. Radiol. 2010, 74, e154-e160.

8. Lee, VS; Rusinek, H.; Bokacheva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; Prins, K.; Lied, T.; Kramer, EL; et al. Nierfunctiemetingen van MR-renografie en een vereenvoudigd multicompartimenteel model. Ben. J. Fysiol.-nierfysiol. 2007, 292, F1548-F1559.

9. Patlak, CS; Blasberg, RG Grafische evaluatie van bloed-naar-hersenoverdrachtsconstanten van meervoudige opnamegegevens. Generalisaties. J. Cereb. Bloedstroom Metab. 1985, 5, 584-590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Meting van enkelvoudigenierglomerulaire filtratiesnelheid met behulp van een contrastversterkte dynamische gradiënt-echosequentie en de Rutland-Patlak-plottechniek. J. Magn. Reson. Beeldvorming 2003, 18, 714-725.

11. Zollner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rørvik, J.; Santos, A.; Lundervold, A. Beoordeling van 3D DCE-MRI van denierenmet behulp van niet-rigide beeldregistratie en segmentatie van voxel-tijdcursussen. Berekenen. Med. Afbeeldingsgrafiek. 2009, 33, 171-181.

12. Li, S.; Zollner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Wavelet-gebaseerde segmentatie van niercompartimenten in DCE-MRI van de mensnier: Eerste resultaten bij patiënten en gezonde vrijwilligers. Berekenen. Med. Afbeeldingsgrafiek. 2012, 36, 108-118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Dynamische contrastversterkte MRI-meting van de nierfunctie bij gezonde deelnemers. Acta Radiol. 2017, 58, 748-757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Segmentatie van het niercompartiment in DCE-MRI-afbeeldingen. Med. Afbeelding Anaal. 2016, 32, 269-280.

15. Yoruk, Verenigde Staten; Hargreaves, BA; Vasanawala, SS Automatische niersegmentatie voor MR-urografie met behulp van 3D-GrabCut en willekeurige bossen. Magn. Reson. Med. 2018, 79, 1696-1707.

16. Lundervold, AS; Lundervold, A. Een overzicht van diep leren in medische beeldvorming met de nadruk op MRI. Z. Für Med. Fys. 2019, 29, 102-127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Evaluatie van diepe neurale netwerken voor semantische segmentatie van prostaat in T2W MRI. Sensoren 2020, 20, 3183.

18. Shelhamer, E.; Lang, J.; Darrell, T. Volledig convolutionele netwerken voor semantische segmentatie. IEEE Trans. Patroon anaal. Mach. Intel. 2017, 39, 640-651.

19. Badrinarayanan, V.; Kendall, A.; Cipolla, R. SegNet: een diepe convolutionele encoder-decoderarchitectuur voor beeldsegmentatie. IEEE Trans. Patroon anaal. Mach. Intel. 2017, 39, 2481-2495.

20. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: convolutionele netwerken voor biomedische beeldsegmentatie. In Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention, München, Duitsland, 5-9 oktober 2015; blz. 234–241.