چارچوبی برای تخمین عملکرد کلیه با استفاده از تصویربرداری تشدید مغناطیسی

هدف چکیده: نفرولوژیست هابه صورت تجربی پیش بینی کرده اندعملکرد کلیهاز جانبمورفولوژی کلیه. در تشخیص یک مورد اختلال عملکرد کلیه با دوره ناشناخته، آسیب حاد کلیه، و بیماری مزمن کلیه از طریق آزمایش خون و یک مطالعه تصویربرداری شامل تصویربرداری تشدید مغناطیسی (MRI) تشخیص داده می‌شود و سیاست معاینه/درمان تعیین می‌شود. چارچوبی برای تخمین عملکرد کلیه از تصاویر آب به دست آمده با استفاده از روش دیکسون برای ارائه اطلاعاتی پیشنهاد شده است که به پزشکان کمک می کند تا با تخمین دقیق به تشخیص برسند.عملکرد کلیهبر اساس ام آر آی کلیه

برای دریافت عصاره طبیعی سیستانچ ارگانیک با 25% اکیناکوزید و 9% آکتئوزید برای عملکرد کلیه اینجا را کلیک کنید

رویکرد:چارچوب پیشنهادی شامل چهار مرحله است. ابتدا ناحیه کلیه توسط MRI به روش دیکسون با U-net با یادگیری عمیق استخراج می شود. دوم، ناحیه کلیه استخراج شده با ماسک هدف ثبت می شود. سوم، ویژگی های کلیه بر اساس اطلاعات طبقه بندی ماسک هدف ایجاد شده توسط متخصص محاسبه می شود. چهارم، تخمین زده شده استنرخ فیلتراسیون گلومرولی(eGFR) به نمایندگی ازعملکرد کلیهبا استفاده از ماشین بردار پشتیبان رگرسیون از ویژگی های محاسبه شده تخمین زده می شود.

نتایج:برای ارزیابی دقت، ما آزمایش کردیم تا تخمین بزنیمeGFRزمانی که MRI انجام شد وeGFRشیب، که نرخ سالانه کاهش در eGFR است. هنگامی که دقت برای 165 نفر ارزیابی شد، eGFR دارای ریشه میانگین مربعات خطا (RMSE) 11.99 و ضریب همبستگی 0.83 برآورد شد. علاوه بر این، شیب eGFR دارای RMSE 4.8 و ضریب همبستگی 0.5 برآورد شد.

نتیجه گیری:بنابراین روش پیشنهادی امکان تخمین پیش آگهی عملکرد کلیه را بر اساس تصاویر آب به دست آمده با روش دیکسون نشان می دهد.

کلید واژه ها:کمی برآورد شدهنرخ فیلتراسیون گلومرولی; تصویربرداری رزونانس مغناطیسی؛کلیه

1. معرفی

بیماری مزمن کلیوی(CKD) به عنوان کاهش مداوم در برآورد تعریف شده استنرخ فیلتراسیون گلومرولی(eGFR) به<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 toتصلب شرایینونقص ایمنی، بنابراینCKDمی توان مشاهده کرد که به چندین علت عمده مرگ مرتبط است.1،2 CKDیک مشکل پزشکی جهانی است که بین 8 تا 16 درصد از جمعیت در سراسر جهان را تحت تاثیر قرار می دهد. با توجه به طیف گسترده ای از علل CKD، مداخله درمانی خاصی وجود ندارد و لازم است این بیماری به موقع تشخیص داده شود و عوامل خطر برای آن کنترل شوند. آسیب کلیه.

زمانی که نفرولوژیست بیمار را بااختلال عملکرد کلیهبا یک دوره بالینی ناشناخته، نفرولوژیست اغلب به یافته های تصویربرداری از کلیه علاوه بر داده های آزمایشگاهی و سابقه پزشکی اشاره می کند. برای این منظور، سونوگرافی کلیه، توموگرافی کامپیوتری اشعه ایکس شکم لگن، و تصویربرداری رزونانس مغناطیسی کلیه (MRI) مفید هستند. نفرولوژیست عملکرد کلیوی بالقوه پیشنهاد شده توسط مورفولوژی را پیش بینی می کند و این پتانسیل را در برنامه ریزی درمان منعکس می کند. MRI از نظر کنتراست بافت نرم وضوح خوبی دارد و با استفاده از روش های تصویربرداری مناسب می توان اطلاعات دقیقی از ساختار داخلی کلیه مانند مرز کورتیکومدولاری به دست آورد. اطلاعاتی در مورد جنبه های فیزیولوژیکی کلیه ارائه می دهد. مقدار T2* اکسیژن رسانی خونوابسته به سطحروش (BOLD) شاخص ایسکمی/هیپوکسی است که ممکن است منجر به پیشرفت CKD شود و به طور قابل توجهی با میزان زوال CKD همبستگی دارد. مربوط به فیبروز کلیه است و به طور قابل توجهی با یافته های پاتولوژیک بیوپسی کلیه در ارتباط است.7 همانطور که در بالا توضیح داده شد، انتظارات زیادی در مورد MRI به عنوان یک روش ارزیابی غیرتهاجمی و چند وجهی کلیه وجود دارد، اما MRI یک اشکال دارد و هیچ روشی برای تعیین کمیت جامع وجود ندارد. از تصاویر

به طور سنتی، تصاویر پزشکی با روش منطقه مورد نظر (ROI) اندازه گیری می شوند. در روش ROI یک ناحیه مستطیلی یا دایره ای انتخاب می شود و مقدار متوسط ​​شدت سیگنال در ناحیه به عنوان یک مقدار معرف استفاده می شود. مشکلات این روش شامل این امکان است که تصمیمات خودسرانه ناظر ممکن است شامل مشکل در گنجاندن اطلاعات مکان و این واقعیت باشد که فقط بخشی از تصویر را می توان اندازه گیری کرد. Pruijm و همکاران 5 روش 12-اشیاء متحدالمرکز لایه (TLCO) را برای تجزیه و تحلیل ناحیه کلیوی با تقسیم این ناحیه به 12 لایه پیشنهاد کردند. روش TLCO روشی برای تعیین داخل و خارج ناحیه کلیوی و آنالیز کل ناحیه بر اساس 12 لایه است. نواحی خارجی (قشر) و داخلی (مدولاری) کلیه ساختارها و عملکردهای متفاوتی دارند و روش TLCO ساختار خاص کلیه را در نظر می گیرد. علاوه بر این، گزارش شده است که روش TLCO پایدارتر از روش ROI است زیرا کل ناحیه کلیوی طبقه بندی شده و صرفاً با مشخص کردن مناطق خارجی و داخلی آنالیز می شود. کلیه آسیب دیده است و ممکن است تفاوت های فردی را نشان دهد یا حاوی کیست باشد. به این ترتیب، همیشه نمی توان کلیه ها را به طور مساوی به چندین لایه تقسیم کرد و در نتیجه یافته های ناپایدار ایجاد می شود. بنابراین، تمایل به یک روش کاملاً خودکار و پایدار برای تجزیه و تحلیل کلیه وجود دارد.

به عنوان یک روش کمی جامع برای تصاویر کلیوی، Kuo و همکاران 9 روشی را برای تخمین eGFR در زمان معاینه با استفاده از یادگیری عمیق و تصاویر اولتراسونیک پیشنهاد کردند. متقابلا،تشخیص به کمک کامپیوترمطالعات (CAD) روی MRI کلیه و مطالعات روی کلیه های پیوندی گزارش شده است. خلیفه و همکاران 10 چارچوبی را پیشنهاد کردند که رد کلیه های پیوندی را با استفاده از روش تصویربرداری تشدید مغناطیسی با کنتراست دینامیک سری زمانی (DCE-MRI) تخمین می زند. در این روش، تصاویر به‌دست‌آمده با سری زمانی DCE-MRI تراز می‌شوند و ناحیه کلیوی با استفاده از روش تنظیم سطح استخراج می‌شود. سپس تراز اصلاح می شود و قشر بر اساس روشنایی از ناحیه کلیه استخراج شده محاسبه و تجزیه و تحلیل می شود. Shehata و همکاران 11 روشی را برای تخمین رد کلیه های پیوندی با استفاده از یادگیری عمیق پیشنهاد کردند. روش DCE-MRI نیاز به ماده حاجب دارد و نمی توان آن را در آن اعمال کردموارد CKD. علاوه بر این، استخراج قشر بر اساس درخشندگی در کلیه های نارسا دشوار است.

در این مطالعه سعی شد مشکلات فوق حل شود و یک روش ارزیابی جامع برای MRI کلیه ارائه شود که می تواند به عنوان یک آزمایش بالینی استفاده شود. با بهره گیری از رابطه نزدیک بین مورفولوژی کلیه و عملکرد کلیه، از تصاویر آب مورد استفاده در روش دیکسون برای ارزیابی ساختار داخلی کلیه برای ارزیابی هدف استفاده شد و برچسب صحیح eGFR بود که یک شاخص کلیوی است. تابع. تکنیک‌های دیکسون بر تفاوت فرکانس تشدید بین چربی و آب تکیه می‌کنند، و بنابراین، تصاویر فقط چربی، فقط آب، درون فاز و خارج از فاز به دست می‌آیند.12 در کلیه، جایی که غنی از آب است. پارانشیم اندام توسط چربی احاطه شده است، دیکسون یا تصاویر مشابهی که با چربی سرکوب شده اند به وضوح پارانشیم کلیه را از ساختار اطراف آن متمایز می کند. ما روشی برای استخراج ناحیه کلیه از تصاویر تشدید مغناطیسی با U-net، تبدیل ناحیه کلیه استخراج شده به یک جسم غیر صلب در ماسک هدف و سپس تجزیه و تحلیل این ناحیه بر اساسTLCOاز ماسک هدف

شکل 1 سیستم CAD پیشنهادی برای تخمین شیب نرخ فیلتراسیون گلومرولی از MRI ​​با استفاده از روش دیکسون.

2 مواد و روشها

چارچوب خودکار پیشنهادی در شکل 1 نشان داده شده است. چارچوب پیشنهادی از چهار مرحله زیر برای پردازش MRI روش دیکسون استفاده می‌کند:

1. تقسیم ناحیه کلیه از ساختارهای اطراف شکم توسط U-net.

2. حذف نویز با برچسب گذاری سه بعدی (3D). 3. ثبت غیر صلب ناحیه کلیه و ماسک هدف. 4. محاسبه TLCO. 5. برآورد عملکرد کلیه (eGFR) توسط دستگاه بردار پشتیبان رگرسیون (SVM).

در این مقاله، روش پیشنهادی روش خودکار TLCO (A-TLCO) است که نقاط ضعف روش TLCO قبلا گزارش شده را جبران کرده و فرآیند اندازه گیری را خودکار می کند. جزئیات روش در زیر توضیح داده شده است تا روش پیشنهادی را از روش TLCO دستی معمولی متمایز کند.

2.1 ناحیه کلیه

جدا شده از ساختارهای اطراف شکم توسط U-net تصاویر آب از روش دیکسون مورد استفاده در این مطالعه دارای ناحیه کلیوی شفاف است. علاوه بر این، این بخش استخراج ناهموار ناحیه کلیه را توضیح می دهد. بنابراین، ما تصمیم گرفتیم از U-net استفاده کنیم، که به عنوان نتایج خوبی برای استخراج ناحیه تصاویر پزشکی شناخته شده است. برای هر موضوع سه تا شش تصویر برش داده شده است و اندازه تصویر 320 × 320 است. ما از 1201 تصویر از 174 مورد استفاده کردیم. تمام تصاویر توسط یک متخصص به عنوان یک تصویر تقسیم بندی کلیوی ایجاد شده است. شکل 2 U-net مورد استفاده برای استخراج ناحیه کلیه را نشان می دهد. شبکه بین سه دسته تمایز قائل می شود: کلیه، مرزهای کلیه و سایر بافت ها. با این حال، توزیع نامتعادل نمونه ها در کلاس مرزهای کلیه در مقایسه با سایر کلاس های بافتی وجود دارد. برای جبران این عدم تعادل و دستیابی به یادگیری دقیق تر هنگام آموزش شبکه، از یک افت متقابل آنتروپی وزنی استفاده کردیم. ما از نرم‌افزار مکس با از دست دادن متقابل آنتروپی برای خروجی شبکه و مقایسه برچسب واقعی استفاده کردیم.

شکل 2 معماری U-net مورد استفاده برای استخراج ناحیه کلیوی در این مطالعه.

شکل 3 نتایج استخراج ناحیه کلیه توسط U-net: (الف) اصلی، (ب) ماسک، و (ج) نتیجه.

به حداقل رساندن هزینه در 50 دوره با استفاده از بهینه ساز برآورد لحظه تطبیقی ​​با نرخ یادگیری 0.0001 انجام شد. زمان آموزش برای این شبکه حدود 1 ساعت در یک ایستگاه کاری با NVIDIA TITAN RTX GPU × 2 بود. در مجموع 1201 تصویر به 600 و 601 تصویر تقسیم شدند و طبقه بندی برای استخراج ناحیه کلیوی انجام شد. سپس آزمایش تخمین عملکرد کلیه برای همه افراد انجام شد. شکل 3 نتایج استخراج بدست آمده توسط U-net را نشان می دهد. شکل 3(a) یک تصویر ورودی است و شکل 3(b) یک تصویر معلم است. شکل 3(c) نتیجه استخراج را نشان می دهد. می توان تایید کرد که موارد مثبت کاذب کمی وجود دارد و می توان ناحیه نزدیک به ناحیه کلیه را استخراج کرد.

2.2 تشخیص غلط

حذف با برچسب گذاری سه بعدی اگرچه ناحیه کلیوی شناسایی شده توسط U-net بسیار دقیق بود، تشخیص نادرست رخ داد. همانطور که در شکل 4 (ب) نشان داده شده است، موارد مثبت کاذب برای اندام هایی غیر از کلیه ها استخراج می شود. این ممکن است به این دلیل باشد که وقتی U-net با وصله های 64 × 64 آموزش داده می شود، اطلاعات مکانی بزرگتر از اندازه پچ از بین می رود. برای بهبود این مشکل، روش هایی از جمله تشخیص مکان کلیه با تشخیص شی، مانند Faster R-CNN14 یا YOLOv3،15، و استفاده از تقسیم بندی معنایی در یک منطقه باریک در نظر گرفته شده است. با این حال، در این مطالعه، مرز کلیه توسط U-net به خوبی تشخیص داده شده است، و موارد مثبت کاذب کمی برای سایر اندام‌ها وجود دارد، بنابراین نیازی به پیچیده‌تر کردن فرآیند نیست. بنابراین، ما تصمیم گرفتیم برای هر موضوع برچسب گذاری سه بعدی انجام دهیم و مناطقی غیر از مواردی که مساحت زیادی دارند را حذف کنیم. نتایج پردازش شده در شکل 4 نشان داده شده است. می توان تایید کرد که مثبت کاذب در مناطقی غیر از ناحیه کلیوی رخ می دهد. شکل‌های 4(d)-4(f) نتایج برچسب‌گذاری سه بعدی و حذف نواحی با ناحیه سه بعدی 2500 پیکسل یا کمتر را نشان می‌دهند. این روش برای همه 1201 تصویر اعمال شد و تایید شد که هیچ موردی از تصادفی بودن ناحیه کلیه وجود ندارد.

شکل 4 ناحیه کلیه به دست آمده توسط U-net: (الف) برش 1، (ب) برش 2، و (ج) برش 3. نتیجه حذف ناحیه نویز با برچسب گذاری سه بعدی: (د) برش 1، (ه) برش 2 و (f) برش 3.

2.3 ثبت غیر صلب ناحیه کلیه و ماسک هدف

یک روش موثر برای تخمین عملکرد کلیه، تجزیه و تحلیل ساختار کلیه در حالی که کلیه را از نظر آناتومیک در نظر می گیرد، می باشد. علاوه بر این، اندازه گیری های دستی بسته به متخصص، نتایج متفاوتی را به همراه خواهد داشت. بنابراین، ما روشی را پیشنهاد می‌کنیم که بوسیله آن موقعیت‌های قشر و مدولا همه تصاویر را با ثبت تمام نواحی کلیوی استخراج‌شده توسط U-net در یک ماسک هدف به‌طور خودکار شناسایی کنیم. روش ثبت نام در دو مرحله با استفاده از تابع MATLAB انجام می شود. اولین مرحله یک تبدیل افین مبتنی بر روشنایی است. روش ثبت بر اساس روشنایی شباهت بین دو تصویر را محاسبه می کند، تبدیل افین را تکرار می کند تا شباهت زیاد باشد و تبدیل هندسی (ترجمه/چرخش/مقیاس بندی/برش) را با بیشترین شباهت تخمین می زند. نتایج پردازش در شکل 5 نشان داده شده است. شکل 5(a) تصویر اصلی است. شکل 5 (ب) نتایج استخراج ناحیه کلیه توسط U-net را نشان می دهد. شکل 5(c) ماسک هدف است. شکل 5(c) ناحیه کلیوی یک تصویر کلیوی طبیعی است که توسط متخصص استخراج شده است. یک بیمار معمولی دارای دو کلیه است. در این مطالعه، کلیه را با مساحت بزرگتر تجزیه و تحلیل می کنیم. در شکل 5 (ب)، کلیه چپ بزرگتر است. به این ترتیب، کلیه چپ استخراج و با ماسک هدف ثبت می شود. شکل 5(d) یک تصویر شبه رنگی از ماسک هدف و موقعیت اولیه کلیه استخراج شده را نشان می دهد. تصویر شبه رنگ، ماسک هدف را به رنگ سبز، کلیه استخراج شده را با رنگ سرخابی، و پیکسل های روی هم رفته هر دو را به رنگ سفید نشان می دهد. نتیجه تبدیل affine در شکل 5 (e) نشان داده شده است. سپس، شکل با ثبت با استفاده از یک میدان جابجایی مبتنی بر روشنایی به خوبی اصلاح می‌شود. 9،10 در این مقاله، ثبت با استفاده از میدان جابجایی بر اساس الگوریتم شیاطین تیریون انجام می‌شود. نتیجه اصلاح تصویر نشان داده شده در شکل شکل 5(e) با استفاده از میدان جابجایی در شکل 5(f) نشان داده شده است. شکل ریز برای نزدیک شدن به ماسک هدف اصلاح شده است. شکل 5(g) ثبت نهایی تصویر را نشان می دهد.

شکل 5 نتیجه تبدیل صلب: (الف) تصویر اصلی، (ب) نتیجه توسط شبکه U، (ج) ماسک هدف، (د) موقعیت اولیه، (ه) تبدیل افین، (f) میدان جابجایی، و (g) ) نتیجه ثبت نام

2.4 محاسبه TLCO

در این مطالعه از روش TLCO برای آنالیز عملکرد کلیه استفاده شده است. روش TLCO مرزهای داخلی (سمت مدولاری) و خارجی (سمت قشر مغز) پارانشیم کلیه را مشخص می کند و ناحیه کلیه را از بیرون به داخل به 12 لایه تقسیم می کند. روش لایه‌بندی در مقاله TLCO توضیح داده نشده است. بنابراین، در این مطالعه، TLCO را با استفاده از تبدیل فاصله ژئودزی محاسبه کردیم. بر اساس تصویر بذر تولید شده است. شکل 6(a) یک تصویر باینری از ناحیه کلیه را نشان می دهد که توسط متخصص استخراج شده است. شکل 6 (ب) یک تصویر بذر ساخته شده توسط یک متخصص را نشان می دهد. شکل 6(c) یک تصویر شبه رنگ از تبدیل فاصله ژئودزیکی را نشان می دهد. با این حال، تصویر نشان داده شده در شکل 6(c) با تقسیم ناحیه کلیه به 12 لایه به دست نیامده است. بنابراین، نتیجه تبدیل فاصله ژئودزیکی به 12 لایه نرمال شد. به طور خاص، تعداد لایه ها بر مقدار حداکثر تقسیم شد و سپس در 12 ضرب شد. تصویر شبه رنگ تبدیل فاصله ژئودزیکی نرمال شده در شکل 6 (d) نشان داده شده است. ماسک هدف بسیار مهم است زیرا مستقیماً بر محاسبه روش TLCO تأثیر می گذارد. در این مطالعه تصمیم گرفتیم از دو نوع تصویر استفاده کنیم، تصویر کلیه طبیعی انتخاب شده توسط متخصص و تصویر کلیه با بیشترین ناحیه. از آنجایی که روش TLCO کلیه را به 12 لایه تقسیم می کند، محاسبه با کلیه کوچک آتروفی شده دشوار است. بنابراین نمی توان از تصویر کلیه با ناحیه کوچک به عنوان ماسک هدف استفاده کرد. شکل 7 نتایج اعمال روش TLCO را در تصاویر MRI بیماران نشان می دهد. شکل 7 (الف) یک تصویر عادی است که توسط یک متخصص انتخاب شده است. شکل 7(b) نتایج استخراج تخصصی ناحیه کلیه را از شکل 7(a) نشان می دهد. شکل 7(c) یک تصویر شبه رنگی است که با روش TLCO به 12 لایه تقسیم شده است. شکل 7(d) تصویری از کلیه با بیشترین مساحت است. شکل 7(e) نتیجه استخراج ناحیه کلیه توسط متخصص را از شکل 7(d) نشان می دهد. شکل 7(d) یک تصویر شبه رنگ است که با روش TLCO به 12 لایه تقسیم شده است.

2.5 eGFR برای تخمین استفاده می شود

عملکرد کلیه توسط RSVM در روش TLCO، ما از 12 اندازه گیری، یکی برای هر لایه، برای تخمین گرادیان کورتیکومدولاری شدت سیگنال MR بر اساس تعاریف زیر استفاده کردیم: کورتیکال

خدمات حمایتی Wecistanche - بزرگترین صادرکننده سیستانچ در چین:

ایمیل:wallence.suen@wecistanche.com

واتساپ/تلفن:+86 15292862950

خرید برای جزئیات بیشتر مشخصات:

https٪3a٪2f٪2fwww.xjcistanche.com٪2fcistanche-shop