تقسیم بندی کلیه سالم در تصاویر Dce-Mr با استفاده از یک شبکه عصبی کانولوشنال و مشخصه های سیگنال زمانی

Artur Klepaczko1، Eli Eikefjord²و آروید لوندروولد^2,3,4

خلاصه:تعیین کمی پرفیوژن کلیوی بر اساس تصویربرداری تشدید مغناطیسی با کنتراست پویا (DCE-MRI) نیازمند تعیین دوره‌های زمانی شدت سیگنال در ناحیه پارانشیم کلیوی است. بنابراین، انتخاب وکسل نشان دهندهکلیهباید با دقت خاصی انجام شود و یکی از محدودیت های فنی اصلی است که استفاده گسترده تر از این تکنیک را به عنوان یک روال بالینی استاندارد مختل می کند. تقسیم بندی دستی بخش های کلیوی - حتی اگر توسط متخصصان انجام شود - یک منبع رایج کاهش تکرارپذیری و تکرارپذیری است. در این مقاله، ما یک چارچوب پردازشی برای خودکار ارائه می‌کنیمکلیهتقسیم بندی در تصاویر DCE-MR چارچوب شامل دو مرحله است. اولا،کلیهماسک ها با استفاده از یک شبکه عصبی کانولوشن تولید می شوند. سپس، وکسل‌های ماسک بر اساس دوره‌های زمانی شدت سیگنال DCE-MRI به یکی از سه ناحیه - قشر، مدولا و لگن طبقه‌بندی می‌شوند. رویکرد پیشنهادی روی گروهی از 10 داوطلب سالم که تحت معاینه DCE-MRI قرار گرفتند، مورد ارزیابی قرار گرفت. اسکن MRI در دو رویداد دو بار در یک فاصله زمانی 10-روز تکرار شد. برای کار تقسیم‌بندی معنایی، ما از معماری کلاسیک U-Net استفاده کردیم، در حالی که آزمایش‌ها بر روی طبقه‌بندی وکسل با استفاده از سه الگوریتم جایگزین انجام شد - ماشین‌های بردار پشتیبان، رگرسیون لجستیک، و درخت‌های تقویت کننده گرادیان شدید، که در میان آنها SVM دقیق‌ترین نتایج را تولید کرد. هر دو مرحله تقسیم‌بندی و طبقه‌بندی توسط مجموعه‌ای از مدل‌ها انجام شد که هر کدام به طور جداگانه برای یک موضوع خاص با استفاده از داده‌های سایر شرکت‌کنندگان فقط آموزش داده شدند. میانگین به دقت کل رسیدکلیهتقسیم بندی از نظر ضریب IoU 94 درصد بود. قشر، مدولا و لگن با IoU از 90 تا 93 درصد بسته به بافت و سمت بدن تقسیم شدند. نتایج همچنین با مقایسه پارامترهای پرفیوژن حاصل از تصویر با اندازه‌گیری‌های حقیقت زمین تأیید شدنرخ فیلتراسیون گلومرولی(GFR). تکرارپذیری محاسبه GFR، همانطور که با ضریب تغییرات ارزیابی می‌شود، برای کلیه چپ و راست به ترتیب در سطح 14.5 و 17.5 درصد تعیین شد و نسبت به تقسیم‌بندی دستی بهبود یافت. تکرارپذیری، به نوبه خود، با اندازه گیری توافق بین مقادیر GFR مشتق شده از تصویر و مبتنی بر iohexol ارزیابی شد. تفاوت میانگین مطلق برآورد شده برابر با 9.4 و 12.9 میلی لیتر در دقیقه / 1.73 متر مربع برای جلسات اسکن 1 و 2 و روش تقسیم خودکار پیشنهادی بود. نتیجه برای جلسه 2 با تقسیم بندی دستی قابل مقایسه بود، در حالی که برای جلسه 1 تکرارپذیری در خط لوله خودکار ضعیف تر بود.

کلید واژه ها:MRI با کنتراست پویا؛ شبکه های عصبی کانولوشنال؛کلیهتقسیم بندی؛ مدل سازی فارماکوکینتیک؛ کمی سازی پرفیوژن؛ نرخ فیلتراسیون گلومرولی

تماس: ali.ma@wecistanche.com

برای بیماری کلیوی روی Cistanche herba کلیک کنید

1. مقدمه

عملکرد کلیه به طور معمول با اندازه گیری سطح کراتینین سرم ارزیابی می شود. بر اساس ارزش آن،نرخ فیلتراسیون گلومرولی(GFR) را می توان با استفاده از معادله اصلاح رژیم غذایی در بیماری کلیوی [1] تخمین زد. روش دیگر برای تعیین GFR که اخیراً در محیط بالینی محبوبیت پیدا کرده است، آزمایش کلیرانس پلاسما آیوهگزول است. برخی از نویسندگان فرض می کنند که این روش جایگزین روش استاندارد طلایی مبتنی بر کلیرانس ادراری اینولین می شود [2]. با این حال، تمام این روش ها امکان کمی سازی GFR را به طور همزمان برای هر دو فراهم می کنند.کلیه ها. از این رو، تصویربرداری تشدید مغناطیسی با کنتراست پویا (DCE-MRI) به عنوان یک جایگزین جذاب به نظر می رسد - این امکان نظارت غیر تهاجمی عملکرد فیلتراسیون را در یک واحد فراهم می کند.کلیهدر حالی که اطلاعاتی را در مورد ضایعات بافتی مانند گلومرولواسکلروزیس سگمنتال کانونی ارائه می دهد.

در اصل، معاینه DCE-MRI مجموعه‌ای از حجم‌های T{1}}وزن‌دار را تولید می‌کند که در چندین مرحله زمانی گسسته فرآیند اسکن به دست می‌آیند. این روش شامل تجویز داخل وریدی یک بولوس ماده حاجب مبتنی بر گادولینیوم (CA) است. در حالی که بولوس CA از درخت شریانی شکمی، بستر مویرگی و سیستم های لوله ای عبور می کند.کلیه هابه طور موثر زمان آرامش T1 بافت های نفوذ شده را افزایش می دهد، بنابراین کنتراست در تصویر را اصلاح می کند. دینامیک زمانی این تغییر شدت سیگنال تصویر، شرایط فیزیولوژیکی عملکرد کلیه را منعکس می کند و اساس مدل سازی فارماکوکینتیک (PK) پرفیوژن کلیوی را تشکیل می دهد.

تعدادی از مدل‌های PK پیشنهادی تلاش می‌کنند تا فرآیند پرفیوژن خون در اندام‌های مختلف را به صورت ریاضی توصیف کنند. در رابطه باکلیهاکثر مدل‌ها فرض می‌کنند که سیگنال اندازه‌گیری شده در یک وکسل بافت معین، مجموع مشارکت‌هایی است که از حداقل دو بخش - فضای داخل عروقی (IV) و خارج عروقی خارج سلولی (EEV) نشات می‌گیرد [3-6]. علاوه بر این، مانند هر مدل PK، تحویل ردیاب گادولینیوم از طریق شریان تغذیه به اندام مورد نظر توسط به اصطلاح تابع ورودی شریانی (AIF) محصور می شود. عملا، AIF در مورد مطالعات کلیه، دوره زمانی غلظت ماده حاجب در آئورت شکمی است [7]. با در هم پیچیدن AIF با یک هسته در حال تغییر و پراکندگی، غلظت ردیاب در محفظه IV بدست می آید. در نهایت، منحنی زمان غلظت در فضای EEV متناسب با انتگرال غلظت در محفظه IV است، که به صورت اختیاری توسط یک عامل نمایی که خروجی از لوله های کلیوی را نشان می دهد تعدیل می شود. ضریب تناسب که اغلب به عنوان Ktrans نشان داده می شود، نرخ انتقال CA از محفظه IV به EEV را کنترل می کند. ضرب Ktrans در حجم اندام مستقیماً منجر به محاسبه GFR می شود.

رویکردهای پیچیده تر و چند بخشی وجود دارد (به عنوان مثال، [8])، اگرچه کاربرد بالینی بالقوه آنها مشکوک است. مشکل در نیاز به اطمینان از ثبات بهینه سازی چنین پارامترهای مدل در حالی که منحنی های مدل را با داده های مشاهده شده منطبق می کند، نهفته است. علاوه بر این، این مدل ها نیاز به تقسیم بندی دارندکلیهپارانشیم به قشر و مدولا. این الزام در واقع برای مدل های دو محفظه نیز صدق می کند. مدل کلاسیک ارائه شده در [3]، که بر اساس مدل عمومی راتلند-پاتلاک [9،10] است، فقط برای ناحیه قشر قابل استفاده است. از سوی دیگر، استفاده از مدل فیلتراسیون دو بخش [5] برای کل کلیه برای مرحله جذب قابل قبول است. اگر کسی بخواهد پرفیوژن را اندازه گیری کند، آنالیز باید دوباره فقط به قشر مغز محدود شود. در هر صورت، باید ناحیه لگنی را که کنتراست را در مرحله دفعی معاینه جمع آوری می کند، حذف کرد. بنابراین، خودکار کردن روش تجزیه و تحلیل داده‌های DCE-MRI نه تنها مستلزم مشخص کردن کلیه، بلکه برچسب زدن هر وکسل کلیه به عنوان متعلق به کلاس کورتیکال، مدولار یا لگنی است.

مشکل ازکلیهبخش بندی توسط بسیاری از نویسندگان مورد بررسی قرار گرفته است. اغلب، وکسل ها بر اساس دوره های زمانی شدت طبقه بندی می شوند. به عنوان مثال در [11]، الگوریتم k-means برای گروه بندی وکسل ها به خوشه ها بر اساس دوره های زمانی شدت سیگنال آنها استفاده می شود. این رویکرد بیشتر در [12] توسعه یافت، جایی که دوره‌های زمانی شدت سیگنال توسط تبدیل موجک گسسته پیش پردازش شدند. در پایان، نوعی اکتشافی مبتنی بر هر دو ویژگی خوشه‌های ذاتی و رابطه آن‌ها باید برای تعیین اینکه کدام خوشه نشان‌دهنده قشر، مدولا، لگن و پس‌زمینه است، استفاده شود. استنتاج کاملاً بدون نظارت از داده های ورودی پر سر و صدا رنج می برد که نمی توانند به طور واضح در دسته بندی های معنادار آناتومیک طبقه بندی شوند. این امر به ویژه با توجه به وکسل هایی که در مرزهای بین قشر و مدولا قرار دارند آشکار است. آنها به کلاس "بخش های دیگر" اختصاص داده می شوند که حاوی وکسل هایی نیز از خارج از آن استکلیه.

بنابراین، یک استراتژی که اغلب دنبال می شود شامل جدا کردن یک کل استکلیهاز قسمت های دیگر یک تصویر مناطق مورد علاقه مشخص شده باید دقیقاً با مرزهای کلیه مطابقت داشته باشند تا از شر تمام وکسل های مجاور خلاص شوند. نمونه ای از چنین راه حلی نقشه های ناحیه زیر منحنی (AUC) است که به عنوان مثال در [13] استفاده شده است. آن وکسل‌های توالی DCE-MRI که توسط عامل ردیاب نفوذ می‌کنند، به دلیل بزرگ‌ترین ناحیه تحت دوره‌های زمانی شدت سیگنال، در نقشه‌های AUC روشن به نظر می‌رسند. نکته آموزنده است که توجه داشته باشید که این روش به پس پردازش دستی یا خودکار نیاز دارد تا ساختارهای خارج کلیوی، عروق خونی بزرگ و مجاری جمع‌آوری ادرار را حذف کند.

استراتژی تقسیم‌بندی درشت به ریز نیز در [14] به کار گرفته شد، جایی که مفهوم حجم‌های زمانی حداکثر پایدار (MSTV) معرفی شد. ویژگی‌های MSTV به شما امکان می‌دهد تشخیص دهدکلیه هابا شناسایی ساختارهای همگن مکانی و زمانی پایدار. تقسیم بندی ریز دانه با کاهش دوره های زمانی وکسل ها به بردارهای مولفه های اصلی به دست می آید، که بعد توسط k-means به خوشه های متعدد تقسیم می شوند. با این حال، در نهایت، بخش‌های به‌دست‌آمده باید به طور مکرر اصلاح شوند تا هر گونه نویز باقی‌مانده حذف شود. به طور مشابه، در مطالعه شرح داده شده در [15]، اولین مرحله از روش تقسیم بندی شامل توصیف پویایی افزایش سیگنال بافت های شکمی است. مشاهده شده است که بصل النخاع، بر خلاف قشر، کبد یا طحال، افزایش مداوم در شدت سیگنال را نشان می دهد که بعداً در توالی اکتساب رخ می دهد. پس از شناسایی وکسل‌های مدولا، اتساع و به دنبال آن الگوریتم GrubCut برای ایجاد ماسک‌های کلیوی انجام می‌شود. تنظیم دقیق با طبقه‌بندی وکسل‌ها با یک طبقه‌بندی‌کننده تصادفی جنگلی از پیش آموزش‌دیده به دست می‌آید. وکسل ها با شدت تصویر مربوطه خود در فریم های زمانی انتخاب شده از دنباله پویا و همچنین مکان آنها در ROIهای ساخته شده در مرحله اول مشخص می شوند.

اگرچه به نظر می‌رسد که مشارکت‌های مبتنی بر MSTV و GrubCut نتایج رضایت‌بخشی را برای مجموعه‌های داده چندگانه ایجاد می‌کنند، اما از نظر مفهومی الگوریتم‌هایی نسبتاً پیچیده هستند که در نرم‌افزارهای تجاری یا منبع باز در دسترس نیستند. به این ترتیب، آنها نمی توانند به راحتی توسط جامعه بالینی پذیرفته شوند.

از سوی دیگر، پیشرفت‌های اخیر در معماری شبکه‌های عصبی کانولوشن و در دسترس بودن گسترده پیاده‌سازی نرم‌افزار آنها، روش‌های یادگیری عمیق را به ویژه در کاربرد برای تقسیم‌بندی بافت‌های بیولوژیکی در تصاویر پزشکی جذاب می‌کند. اثربخشی CNN ها در سناریوهای همه کاره تجزیه و تحلیل داده های MRI به طور کامل در بررسی جامع [16] مورد بحث قرار گرفته است. به طور خاص، در [17] معماری های مختلف شبکه، به عنوان مثال، شبکه کاملاً کانولوشن [18]، SegNet [19]، U-Net [20] و DeepLabV3 plus [21] برای تقسیم بندی معنایی سرطان پروستات در T آزمایش شده اند. 2-ام آر آی وزنی. تصاویر MR تشریحی نیز در [22] تجزیه و تحلیل شد. نویسندگان یک معماری سفارشی CNN را برای ترسیم خودکار پلی کیستیک ایجاد کردندکلیه ها. روش جالب دیگری در [23] ارائه شده است، جایی که یادگیری عمیق برای استنتاج مستقیم نقشه‌های پرفیوژن مغز از یک توالی DCE-MRI بدون تطبیق صریح مدل PK برای سیگنال‌های اندازه‌گیری شده به کار گرفته شد.

چندین مطالعه منتشر شده در مورد کاربرد CNN ها در تقسیم بندی وجود داردکلیه هادر تصاویر توموگرافی کامپیوتری [24،25]. با این حال، بخش بندی DL محور ازکلیهدر مجموعه داده‌های MRI با کنتراست هنوز یک موضوع تمام نشده باقی مانده است. به عنوان یک نمونه استثنایی از آثار منتشر شده که به طور خاص به معاینات DCE-MRI کلیه اختصاص داده شده است، می توان به مقاله حقیقی و همکاران اشاره کرد. [26]. آنها آبشاری از دو شبکه CNN را ساختند و آموزش دادند. ورودی این ساختار آبشاری یک تصویر 4 بعدی DCE-MR است. شبکه اول تقریباً کلیه چپ و راست را در تصویر محلی می کند، در حالی که شبکه دوم مسئول تعیین دقیق مرزهای کلیوی است. با این حال، هیچ بخش بندی بیشتری به قشر یا مدولا انجام نشد زیرا تنها کل پارانشیم کلیه برای محاسبه GFR استفاده شد.

با توجه به ملاحظات فوق، رویکرد ارائه شده در این مقاله پاسخی به نیاز به یک الگوریتم خودکار است که از یک طرف به دقت تشخیص دهد.کلیه هامحفظه های درون تصویر DCE-MR، در حالی که در طرف دیگر به راحتی توسط هر تیم تحقیقاتی بازتولید می شود. بنابراین پیشنهاد می کنیم:

1. از یک معماری CNN برای تقسیم بندی معنایی استفاده کنیدکلیهپارانشیم،

2. وکسل های پارانشیمی را با ترکیبات ویژگی که از تبدیل شکل موج های شدت سیگنال توسط تجزیه و تحلیل مؤلفه های اصلی (PCA) به دست می آید، توصیف کنید.

3. از طریق طبقه بندی بردارهای ویژگی PCA استخراج شده، نواحی قشر، مدولا و لگن را متمایز کنید.

جزئیات الگوریتم های به کار گرفته شده در بخش 2 ارائه شده است. در بخش 3، ما نتایج تقسیم‌بندی و چگونگی تأثیر راه‌حل طراحی‌شده بر پایداری پارامترهای تخمینی PK را ارزیابی می‌کنیم. در حین انجام این ارزیابی، ما همچنین فرض می‌کنیم که می‌توان یک طرح محاسباتی جهانی ساخت که قادر به تولید تقسیم‌بندی صحیح برای موضوعات جدید تنها بر اساس داده‌های تاریخی باشد. ما معتقدیم که چنین طرحی می‌تواند به طور گسترده توزیع شود و در کلینیک‌ها با یا بدون هیچ تلاشی برای انطباق با پروتکل‌های جمع‌آوری تصویر سفارشی اجرا شود. به منظور دستیابی به این هدف، ما فرآیند محاسباتی پیشنهادی را به روش ترک یک موضوع خارج کرده ایم. ما مجموعه‌ای از موتورهای تقسیم‌بندی و طبقه‌بندی را ایجاد کرده‌ایم که هر کدام بر روی گروه متفاوتی از بیماران آموزش دیده‌اند. سپس، یک موتور معین روی موضوعی که در مرحله آموزش دیده نشده است، آزمایش شده است. بحث در مورد نتایج به دست آمده در بخش 4 آورده شده است.

2. مواد و روشها

2.1. آقای دیتا

آزمایش‌ها و الگوریتم‌های ارائه‌شده در این مقاله با استفاده از مجموعه‌ای از 2{23}} دنباله اندازه‌گیری به‌دست‌آمده از 10 داوطلب سالم طراحی شده‌اند. معاینات MRI بر روی یک واحد 1.5 T (زیمنس مگنتوم آوانتو، ارلانگن، آلمان) انجام شد. پروتکل اکتساب داده شامل تصویربرداری از هر سوژه دو بار، با فاصله 10 روز، با استفاده از روش اکو گرادیان سه بعدی با کنتراست (TE/TR/FA=0.8/2.36/20 ms/ms/-، in- وضوح صفحه=2.2 × 2.2 میلی متر مربع، ضخامت برش=3 میلی متر، ماتریس جذب=192 × 192، تعداد برش ها=30). ماده حاجب (0.025 میلی مول بر کیلوگرم GdDOTA) به صورت داخل وریدی با سرعت جریان 3 میلی لیتر بر ثانیه تجویز شد. هر دنباله اندازه گیری شامل 74 فریم بود که در فواصل زمانی 2.3 ثانیه به دست آمد.

برای کاهش مصنوعات حرکتی، پروتکل تصویربرداری برای به دست آوردن تصاویر در حبس نفس طراحی شده است. در مرحله اول، هشت حجم اولیه پیش کنتراست در طول دوره حبس نفس 18- بدست آمد. در 7 ثانیه پس از تزریق گادولینیوم، به شرکت کنندگان دستور داده شد که نفس خود را به مدت 26 ثانیه برای پرفیوژن بدون حرکت و اولین پاس نگه دارند. در مرحله بعد، در طول فاز فیلتراسیون، دوره های حبس نفس به 13 ثانیه کوتاه شد و با 26 ثانیه تنفس آزاد در هم آمیخت. به منظور تسهیل تنفس، آزمودنی ها از طریق بینی با سرعت جریان 1 لیتر در دقیقه اکسیژن دریافت کردند.

باقیماندهکلیه حرکت در پس پردازش با اجرای ثبت b-spline در هر دنباله DCE-MRI اصلاح شد. برای این منظور، ما از پیاده‌سازی الگوریتم B-splines از کتابخانه نرم‌افزار Insight Toolkit (ITK) [27] استفاده کردیم. در هر دنباله، یک قاب مرجع مربوط به نقطه میانی فاز پرفیوژن را انتخاب کردیم و سپس از آن به عنوان یک حجم ثابت استفاده کردیم که هر حجم دیگر (متحرک) با آن مطابقت داشت. ثبت B-splines به طور کامل به صورت خودکار انجام شد، به عنوان مثال، هیچ نقطه‌ای روی بافت مورد نظر مشخص نشد. علاوه بر این، این روش در یک پیکربندی چند مرحله ای راه اندازی شد. در هر مرحله از تنظیمات مختلف اندازه شبکه و نرخ نمونه‌گیری فرعی استفاده شد. برای تفسیر دقیق این پارامترها، خواننده به مستندات ITK ارجاع داده می شود. به طور خلاصه، آنها اجازه انجام ثبت تصاویر در مقیاس های مختلف را دادند - از تطبیق درشت شروع و سپس نتیجه را اصلاح کردند.

برای نیاز به طراحی و ارزیابی الگوریتم ها، تمام جلدها به صورت دستی توسط رادیولوژیست با تخصص در اوروگرافی MR حاشیه نویسی شد. در هر تایم فریم، چپ و راستکلیه هاترسیم شدند. سپس، در دو فریم مرتبط با فاز پرفیوژن و دفع، وکسل های پارانشیمی به قشر، مدولا یا لگن اختصاص داده شد.

در بین معاینات، داوطلبان تحت روش پاکسازی آیوهگزول قرار گرفتند. به آزمودنی‌ها دوز 5 میلی‌لیتر آیوهگزول (300 میلی‌گرم در هر میلی‌لیتر؛ Omnipaque 300، GE Healthcare) داده شد. سپس، مقادیر واقعی GFR برای فعال کردن اعتبار تخمین پرفیوژن حاصل از تصویر تعیین شد.

به شرکت کنندگان دستور داده شد که از الکل و وعده های غذایی پر پروتئین خودداری کنند، از فعالیت بدنی بیش از حد خودداری کنند، حداقل 2 روز قبل از معاینه به طور معمول هیدراته شوند و در روز معاینه کافئین مصرف نکنند. برای اطمینان از شرایط معاینه قابل مقایسه بین جلسات اسکن و آزمایش ترخیص کالا از گمرک آیوهگزول، همچنین توصیه می شود که زمان خوردن و رژیم غذایی منظم داشته باشید. همه داوطلبان رضایت آگاهانه کتبی خود را برای شرکت در مطالعه دادند که توسط هیئت بازبینی سازمانی در بیمارستان دانشگاه هاوکلند برگن، نروژ تایید شد.

2.2. مروری بر خط لوله تقسیم بندی

خط لوله تقسیم بندی پیشنهادی در شکل 1 نشان داده شده است. این مرحله بر روی مقاطع دو بعدی بعدی یک تصویر حجمی منفرد از توالی DCE-MRI انجام شد. این تصویر مربوط به قاب بالاترین افزایش سیگنال در ناحیه قشر مغز است، زمانی که پارتیشن بندی پارانشیم کلیه به قشر و مدولا به وضوح قابل مشاهده است.

ما فرض کردیم که یک مقطع منفرد را می توان به دو طرف چپ و راست تقسیم کرد که هر یک از آنها 96-عرض پیکسل است. در یک سمت معین، می‌توان به صورت مرکزی یک وصله تصویر با ارتفاع 96-پیکسل را که کاملاً یک پیکسل را پوشش می‌دهد، قرار داد.کلیه. به این ترتیب چپ و راست را تضمین کردیمکلیه هابه صورت جداگانه تقسیم بندی و پردازش می شوند. در حال حاضر، روش ما مستلزم حفظ این فرض در مرحله فراخوانی عملیات شبکه بود. در حین تمرین، کافی بود که یک پچ تصویر حداقل بخشی از پارانشیم کلیوی را داشته باشد. علاوه بر این، اندازه پچ 96 × 96 با وضوح درون صفحه داده‌های DCE-MRI موجود در این مطالعه تنظیم شد و باید تحت پیکربندی‌های اکتسابی مختلف اصلاح شود.

بخش‌بندی درشت ممکن است گاهی نیاز به اصلاح بیشتری داشته باشد تا خوشه‌های کوچک خارج کلیوی از پیکسل‌های تقسیم‌بندی نادرست را رد کند. در الگوریتم ما، اجزای متصل شناسایی شدند و تنها بزرگترین آنها به مرحله بعدی منتقل شد. علاوه بر این توجه داشته باشید که اگرچه مرحله تقسیم بندی معنایی ما به صورت دو بعدی انجام شد، اما در تمام مقاطع یک حجم مشخص اعمال شد. تجزیه و تحلیل‌هایی که بعداً انجام شد از نظر وکسل انجام شد، به طوری که GFR به طور موثر از همه نفرون‌های توزیع شده در ROI قشر سه بعدی محاسبه شد.

با تشکر از ثبت تصویر در دامنه زمان،کلیهماسک‌های تولید شده برای یک فریم را می‌توان بر روی سایر فریم‌های سری پویا اعمال کرد. بنابراین، وکسل‌های کلیوی بردارهای ویژگی متشکل از مقادیر شدت سیگنال MRI که در نقاط زمانی بعدی اندازه‌گیری می‌شوند، تجویز شدند. به منظور به دست آوردن ویژگی های عمومی تر از دینامیک سیگنال، ما مجموعه های ویژگی را با استفاده از تبدیل PCA استخراج کردیم. 20 آموزنده ترین دانه ها برای توصیف هر وکسل کلیوی انتخاب شدند. در نهایت، طبقه‌بندی‌کننده‌ای که برای تمایز بین ویژگی‌های زمانی نواحی قشر، مدولا و لگن آموزش دیده بود، یک وکسل را به یک دسته مناسب اختصاص داد.

منطق پشت رویکرد دو مرحله‌ای پیشنهادی این بود که اطمینان حاصل شود که تشخیص نهایی بر اساس حاشیه‌نویسی با حداکثر اطمینان از حقیقت پایه است. اگر یک CNN بود که قشر مغز را از بصل النخاع و لگن جدا می کرد، ماسک های هدف دقیقی باید ایجاد می شد و حاشیه نویس باید تصمیم می گرفت که مرز واقعی بین بافت های مختلف کجاست. در بسیاری از موارد، به دلیل اثر حجم جزئی، این امر بی اهمیت نبود. از این رو، چنین تصمیمی، و در نتیجه مدل شبکه آموزش دیده، می تواند به سمت یک تجربه ناظر منحصر به فرد سوگیری کند. از طرف دیگر، ما تصمیم گرفتیم یک طبقه‌بندی کننده را با استفاده از سیگنال‌های تنها از مکان‌های بدون ابهام، همانطور که در زیر توضیح داده شده است، آموزش دهیم. بعداً، در طول استنتاج گذر رو به جلو، این مسئولیت الگوریتم بود که به طور عینی وکسل های متعلق به هر منطقه مورد بحث را متمایز کند.

در نهایت، تمام واحدهای محاسباتی روش پیشنهادی - CNN و مدل طبقه‌بندی‌کننده، و همچنین ماتریس تبدیل PCA - برای گروهی از بیماران مستقل از مجموعه داده‌های پردازش‌شده فعلی به‌دست آمد. در بخش‌های فرعی زیر، جزئیات پیاده‌سازی تک تک ماژول‌های الگوریتم را ارائه می‌کنیم.

2.3. Cnnfor تقسیم بندی معنایی

در میان انواع U-Net موجود، ما از پیاده سازی منتشر شده در [28] استفاده کردیم. از آنجایی که با معماری توصیف شده در مقاله اصلی [20] تفاوت داشت، ابتدا ویژگی های خاص این سازه که با نیازهای مطالعه ما تنظیم شده است، خلاصه می شود.

2.3.1. معماری شبکه

شبکه عصبی کانولوشنال U-Net در ابتدا برای تقسیم‌بندی ساختارهای عصبی در پشته‌های میکروسکوپی الکترونی توسعه یافت و در بسیاری از کاربردهای زیست‌پزشکی دیگر مؤثر بود. همانطور که گفته شد، ورودی مدل ما یک تصویر 2 بعدی در سطح خاکستری بود - یک وصله مقطعی از یک حجم 3 بعدی DCE-MRI. اندازه پچ به 96 × 96 پیکسل تنظیم شد (شکل 2 را ببینید).

ویژگی مشخصه U-Net این است که شامل دو بخش متقارن است - یک مسیر انقباضی و یک مسیر انبساط. هدف از مسیر انقباضی کدگذاری الگوهای شدت پیکسل های تصویر با انجام کانولوشن با یک سری فیلترهای 3×3 وزن قابل آموزش است. خروجی های فیلترها اجزای اصلی پردازش شبکه را فعال می کنند – نورون هایی که واحدهای خطی اصلاح شده (ReLU) نامیده می شوند. آنها امکان مدل سازی روابط غیر خطی بین ویژگی های تصویر و نقشه تقسیم بندی خروجی را فراهم می کنند. بنابراین، مرحله رمزگذاری را می توان با فرآیندی که در پردازش تصویر دیجیتال به عنوان استخراج ویژگی شناخته می شود، مقایسه کرد. به دنبال آن عملیات حداکثر ادغام انجام می شود که نقشه های ویژگی را نمونه برداری می کند.

انقباض چهار بار تکرار می شود تا توصیف کننده های تصویر در سطوح مختلف مقیاس استخراج شود. هر سطح در واقع توسط یک بلوک متشکل از دو لایه کانولوشن تشکیل شده است که هر یک توسط یک لایه نرمال سازی دسته ای دنبال می شود که میانگین و انحراف استاندارد جاسازی های خروجی را در یک دسته مشخص حفظ می کند. بنابراین، نرمال‌سازی دسته‌ای تضمین می‌کند که ویژگی‌هایی با پویایی کم‌شدت دارای اهمیتی برابر با مواردی هستند که دامنه آنها بزرگ‌تر است. جفت‌های لایه کانولوشن و نرمال‌سازی توسط لایه حذفی از هم جدا می‌شوند، که به طور تصادفی 20 درصد از گره‌های ورودی را روی ۰ قرار می‌دهد. این مکانیسم، تنها در مرحله آموزش فعال است، از برازش بیش از حد شبکه جلوگیری می‌کند [29].

خروجی آخرین بلوک نمونه برداری پایین، که به آن گلوگاه گفته می شود، به مسیر گسترش یا رمزگشایی منتقل می شود. این از همان تعداد سطوح نمونه برداری بالا به عنوان قسمت انقباضی ساخته شده است و وظیفه اصلی آن بازیابی وضوح فضایی اصلی است. در این مطالعه، نمونه‌گیری بالا با کانولوشن انتقالی انجام شد. هر بلوک رمزگشایی نیز از دو جفت لایه نرمال سازی کانولوشنال و دسته ای تشکیل شده بود. با این حال، برخلاف بلوک‌های رمزگذاری، هیچ مکانیزم انصراف در بین آنها درج نشده بود. علاوه بر این، نقشه‌های ویژگی با وضوح بالا استخراج‌شده در مسیر نمونه‌برداری پایین، نه تنها لایه‌های رمزگذاری بعدی را تغذیه می‌کنند، بلکه به ورودی‌های لایه‌های رمزگشایی در سطوح مربوطه مسیر نمونه‌برداری بالا متصل می‌شوند. این اتصالات اضافی به بازیابی بلوک های رمزگشا کمک کردندکلیهمحلی سازی بخش ها به طور دقیق تر.

همانطور که در شکل 2 مشاهده می شود، بلوک های رمزگذاری شامل تعداد فزاینده ای از فیلترهای کانولوشن هستند که در مسیر انقباضی عمیق تر می شوند. با شروع از 64 فیلتر در دو لایه کانولوشن اول، تعداد نقشه های ویژگی به 1024 در گلوگاه رسید که در هر سطح نمونه برداری پایین دو برابر می شد. برعکس، تعداد فیلترها در مسیر انبساط بر ضریب دو در هر پله رو به بالا تقسیم شد. در نتیجه، نقشه ویژگی نهایی دوباره عمق 64 داشت.

خروجی آخرین بلوک نمونه‌برداری بالا به یک لایه کانولوشن با فیلترهای 1 × 1- وصل شد. این انحراف پیکسلی هسته فیلتر را با بردار ویژگی عنصر 64- انجام داد و سپس نتیجه را به یک تابع فعال سازی خروجی ارسال کرد. در طراحی ما، از یک فعال سازی سیگموئید استفاده شد زیرا تصمیم نهایی باینری بود - یک پیکسل متعلق به پارانشیم یا پس زمینه کلیه بود.

2.3.2. آموزش

وزن شبکه با روش He et al به حالت تصادفی تبدیل شد. [30]. فرآیند آموزش بر روی تکه های تصویری برش داده شده از حجم های DCE-MRI انجام شد که هر کدام شامل یک، چپ یا راست بود.کلیهسطح مقطع. همانطور که در بالا توضیح داده شد، تکه های تصویر 96 × 96- پیکسلی از حجم های توالی DCE مربوط به فاز پرفیوژن، یعنی فریم های زمانی حداکثر کنتراست سیگنال بین قشر و مدولا استخراج شدند. به منظور افزایش تعداد تصاویر آموزشی، برای هر مطالعه، ما در واقع سه تایم فریم را انتخاب کردیم - یکی با حداکثر افزایش سیگنال در ناحیه قشر، یکی قبل و دیگری فریم زمانی بعدی. در هر حجم تصویر، یک تککلیهبه طور متوسط ​​در 12 برش قابل مشاهده بود. تقریباً 1440 پچ آموزشی داد.

اگرچه شبکه‌های U-Net معمولاً می‌توانند با نمونه‌های آموزشی کوچک کنار بیایند، ما تصمیم گرفتیم مجموعه داده‌ها را از طریق افزایش داده‌ها بیشتر کنیم. این کار با انتخاب 10 موقعیت عمودی مختلف از وصله تصویر و با انعکاس تصادفی آن در جهت افقی انجام شد. هنگام انتخاب موقعیت‌های پچ، مطمئن شدیم که بخش بزرگی از مرکز تصویر حاوی قطعات قابل توجهی از پارانشیم کلیه را در بر می‌گیرد (شکل 3 را ببینید). به طور کلی، تعداد تصاویر موجود برای آموزش به ارزش 13964 رسید. یک سوم تصاویر آموزشی برای اعتبار سنجی از هم جدا شدند.

ما 10 مدل مختلف CNN را آموزش دادیم، یک مدل برای هر بیمار. هنگام ساخت یک مدل اختصاص داده شده به یک موضوع خاص، وصله های تصویری مربوط به آن (بدون توجه به جلسه امتحان) از مجموعه آموزشی و اعتبار سنجی حذف شد و فقط برای آزمایش استفاده شد. وزن شبکه با استفاده از الگوریتم شیب نزولی تصادفی با نرخ یادگیری ثابت=0.01 و تکانه=0.99 به روز شد. تابع ضرر انتخاب شده برای بهینه سازی، معیار آنتروپی متقاطع باینری بود که به صورت تعریف شده است

که در آن N تعداد وکسل‌ها، Yi برچسب وکسل واقعی است، و p(Yi) پیش‌بینی شبکه است که بردار i در واقع به کلاس Yi تعلق دارد، با 0 کلیهتقسیم‌بندی در دوره‌های آموزشی، ما ضریب جاکارد را محاسبه کردیم که از این پس به عنوان IoU (تقاطع بیش از اتحاد) تعیین می‌شود.

که در آن K تعداد پیکسل ها در یک برش پردازش شده را مشخص می کند و y رده پیکسل های پیش بینی شده است. در اینجا، دسته‌ها دارای ارزش بولی بودند و اگر پیکسل به آن تعلق داشت، برچسب True داده شدکلیه، در غیر این صورت نادرست است. در مورد هر موضوع، الگوریتم بهینه سازی برای 50 دوره اجرا شد. مدل ذخیره شده با دوره با حداقل امتیاز در تابع ضرر به دست آمده برای مجموعه داده اعتبار مطابقت دارد.

2.4. طبقه بندی ازکلیهوکسل ها

2.4.1. استخراج ویژگی

تمایز وکسل هایی که بخش های کلیوی خاص را نشان می دهند می تواند بر اساس دوره های زمانی شدت سیگنال خام باشد. با این حال، ما پیشنهاد می‌کنیم که شکل‌های موج سیگنال، به عنوان مثال، بردارهای 74 ویژگی زمانی را به فضایی با ابعاد کاهش‌یافته با استفاده از تحلیل مؤلفه اصلی (PCA) تبدیل کنیم. هدف از این تبدیل نه تنها کاهش پیچیدگی مدل طبقه بندی به دست آمده، بلکه استخراج ویژگی های کلی تر ازکلیهبافت، نماینده ای برای موضوعات مختلف. علاوه بر این، حتی در یک واحد بالینی، تصویربرداری DCE را می توان به ترتیبی انجام داد که اگرچه محدوده زمانی مشابهی را پوشش می دهد، اما وضوح زمانی متفاوتی دارد. از این رو، یک سیستم تصمیم گیری که یک الگوی ویژگی یکنواخت را می پذیرد، با استفاده از شی تبدیل PCA به عنوان یک آداپتور، می تواند برای بردارهای داده ورودی با طول متغیر اعمال شود.

ما فرض کردیم که اجزای PCA استخراج شده باید حداقل 90 درصد از واریانس مجموعه داده های اصلی را توضیح دهند. برای برآوردن این نیاز برای هر موضوع، حداقل 20 مجموعه ویژگی باید ساخته می شد. همانطور که مشاهده کردیم، تعداد بیشتری از اجزا به دقت طبقه‌بندی بالاتر منجر نشد.

2.4.2. طبقه بندی بردارهای ویژگی

تخصیص وکسل های کلیوی به قشر، مدولا یا لگن توسط طبقه بندی کننده ای که به شیوه ای تحت نظارت آموزش دیده انجام می شود. در رویکرد ما، داده های تاریخی به عنوان الگوهایی برای ایجاد قوانین تصمیم گیری مناسب عمل می کنند که بعداً در مطالعات جدید اعمال می شوند. ما سه الگوریتم طبقه بندی را برای یافتن بهترین طرح در همه موضوعات آزمایش کرده ایم. روش‌های مورد بررسی شامل رگرسیون لجستیک، ماشین‌های بردار پشتیبان و درخت‌های تصمیم XGBoost بود. در ادامه، ویژگی های الگوریتم های به کار گرفته شده را یادآوری می کنیم و نحوه تهیه داده های آموزشی را شرح می دهیم.

آموزش و آزمایش مجموعه داده ها.بردارهای آموزشی از مناطق مورد علاقه که به صورت دستی در مکان های پارانشیمی مربوطه مشروح شده اند، به دست آمدند. حاشیه‌نویسی‌ها فقط در وکسل‌هایی ساخته شدند که عضویت آن‌ها بدون ابهام بود (شکل 4a،b را ببینید)، بنابراین به یک طبقه‌بندی‌کننده آموزش‌دیده اجازه می‌دهد در مورد دسته بافت غالب در مورد وکسل‌هایی که تا حدی با بخش‌های مختلف پر شده‌اند، تصمیم بگیرد. تعداد بردارهای آموزشی جمع آوری شده از 20 آزمون موجود از مقدار 60،000 فراتر رفت. این مجموعه داده به 10 قسمت تقسیم شد که هر کدام شامل بردارهای داده از همه موضوع به جز یک موضوع بود که برای اهداف آزمایشی از هم جدا شده بودند. در یک چین معین، توزیع طبقاتی تقریبی به شرح زیر بود: قشر مغز-58 درصد، مدولا-31 درصد، لگن-11 درصد. به منظور دادن فرصتی به طبقه‌بندی‌کننده‌ها برای یادگیری تمایز دسته‌ها با دقت یکسان، در هر لایه تمرینی، زیرمجموعه‌های نشان‌دهنده قشر و مدولا برای مطابقت با اندازه دسته لگن مجدداً نمونه‌برداری شدند. به‌طور میانگین، مجموعه آموزشی پس از نمونه‌گیری مجدد بیش از 16،000 بردار در هر برابر را در بر می‌گیرد. در یک بخش آموزشی داده شده، داده های هر دو جلسه امتحان گنجانده شد. از سوی دیگر، چین‌های تست شامل 600 تا 4800 بردار بسته به بیمار و جلسه معاینه بودند. طبقه‌بندی‌کننده‌ها با استفاده از امتیاز دقت متعادل محاسبه‌شده بر روی مجموعه‌های آزمون ارزیابی شدند.

رگرسیون لجستیکطبقه بندی کننده رگرسیون لجستیک احتمال تعلق یک بردار ویژگی به یکی از دو دسته را مدل می کند. الگوریتم یک تابع خطی را با داده های آموزشی منطبق می کند و نتیجه معادله رگرسیون برای یک نقطه داده معین به تبدیل لجستیک ارسال می شود.

که در آن p(yi|xi) احتمال یک کلاس yi را با توجه به نقطه داده xi با Yi e {{{0}}، 1} نشان می‌دهد، در حالی که بردار وزن w همراه با فاصله w0 رگرسیون متناسب را تعیین می‌کند. خط

به این ترتیب، معادله (3) برای مسائل طبقه بندی باینری اعمال می شود. بنابراین، در مورد سه ناحیه کلیوی، یا باید سه طبقه‌بندی کننده یک در مقابل استراحت ساخته شود، یا یک مدل رگرسیون چند جمله‌ای مناسب است [31]. در آزمایشات خود، از نوع دوم استفاده می کنیم. پارامترهای w مدل خطی با به حداقل رساندن تابع هزینه log-loss با عبارت منظم‌سازی L2 یافت می‌شود:

که در آن مطالعه ما K=3 و pi,c احتمال پیش‌بینی شده است که بردار متعلق به کلاس c است. مسئله بهینه سازی فوق با الگوریتم نزولی میانگین تصادفی (SAG) [32] که در بسته Scikit-Learn [33] پیاده سازی شده است، حل شد. ما SAG را به دلیل توصیه آن برای مجموعه داده های بزرگ و پشتیبانی از تنظیم L2 انتخاب کردیم.

ماشین‌های بردار پشتیبانی ماشین‌های بردار پشتیبان (SVM) کلاسی از الگوریتم‌ها را تشکیل می‌دهند که یک ابر صفحه حداکثر حاشیه را ایجاد می‌کنند که دسته‌های مختلف را متمایز می‌کند [34]. تصمیم در مورد عضویت دسته بردار x با علامت معادله ابر صفحه تعیین می شود

جایی که من شاخص یک مثال آموزشی را نشان می‌دهم، xi یک بردار ویژگی مربوطه است و Yi برچسب کلاس واقعی آن است. در حالی که برازش این مدل برای داده های آموزشی، یک مسئله بهینه سازی درجه دوم محدود حل می شود. در نتیجه، مجموعه‌ای از ضرب‌کننده‌های غیرصفر Langrage ai یافت می‌شود که به همراه بردارهای پشتیبان مربوطه xi و پارامتر شیفت b، مکان و جهت‌گیری مرز جستجو شده را تعیین می‌کنند.

یک محصول نقطه در (5) را می توان با یک تابع هسته جایگزین کرد تا کاربرد SVM را برای مسائل غیر خطی فعال کند. ترفند هسته به طور ضمنی بردارهای ویژگی را به فضایی با ابعاد بالاتر تبدیل می کند، که در آن امکان تعیین ابر صفحه جداکننده وجود دارد. شکل 4c توزیع زیرمجموعه بردارهای آموزشی را برای یکی از شرکت کنندگان نشان می دهد. این تجسم با تبدیل داده ها از فضای 20 مجموعه ویژگی PCA به فضایی سه بعدی با استفاده از روش تعبیه همسایه تصادفی t-distributed (TSNE) به دست آمد [35]. می توان مشاهده کرد که اگرچه جداسازی خطی طبقات قشر، مدولا و لگن قابل قبول است، مرز جداکننده ممکن است با برخی از عملکردهای غیر خطی بهتر مدل شود. در آزمایشات ما، بهترین نتایج توسط هسته تابع پایه شعاعی تضمین شد

کجا |.|نشان دهنده ه2-هنجار است. از آنجایی که در مجموعه داده‌های واقعی، جداسازی کامل کلاس‌ها نادر است، معیار بهینه‌سازی اجازه می‌دهد - از طریق یک پارامتر روش اضافی که معمولاً با حرف C تعیین می‌شود - به تعداد معینی از نقاط داده اجازه می‌دهد تا مرز تصمیم را نقض کنند. پارامترهای C و C برعکس به پیچیدگی مدل SVM کمک می کنند. بنابراین، ما مقادیر آنها را با استفاده از الگوریتم جستجوی شبکه جامع در یک آزمایش اعتبارسنجی متقاطع پنج برابر تنظیم کردیم. بهترین نتایج برای=0.05 و. گزارش شد

C = 1.

درخت های تصمیم XGBoost.مفهوم تقویت گرادیان شدید (XGBoost) توسط چن و گسترین [36] برای تسهیل آموزش مجموعه ای از درختان طبقه بندی و رگرسیون (CART) معرفی شد. برخلاف جنگل‌های تصادفی کلاسیک، الگوریتم یادگیری مکانیسم منظم‌سازی و استفاده از توابع از دست دادن هدف همه کاره را رسمیت می‌دهد. به لطف این مزایا، اخیراً در بسیاری از مشکلات یادگیری ماشینی که شامل مجموعه داده‌های بزرگ و با ابعاد بالا هستند، مؤثر بوده است.

ساخت یک گروه XGBoost بر اساس استراتژی به اصطلاح آموزش افزودنی است. در هر مرحله t، یک درخت جدید به مدل اضافه می شود که تابع تلفات کلی را به حداقل می رساند

جایی که t ü 1) برچسب کلاسی است که توسط مجموعه ساخته شده تاکنون پیش بینی شده است، l خطای بین برچسب پیش بینی شده و واقعی Yi را اندازه گیری می کند، در حالی که ft مربوط به ساختار درختی از برگ های T است که به هر یک با بردار داده امتیازی wq اختصاص می دهد. (xi)، با q تابعی است که نقطه داده xi را در یک برگ درخت معین تخصیص می دهد. هم T و هم وزن wj اصطلاح منظم سازی را تعریف می کنند

پارامترهای کجا و λ تأثیر اندازه درخت را کنترل می‌کنند و امتیازات را روی مقدار جریمه باقی می‌گذارند. در پیکربندی مورد استفاده در مطالعه ما، و λ به ترتیب روی {{0}}.1 و 0.9 تنظیم شد. علاوه بر این، تعداد درختان مجموعه برابر با 10 و حداکثر عمق مجاز یک درخت 4 بود. در نهایت از تابع soft-max به عنوان معیار هدف l استفاده کردیم.

2.5. مدلسازی فارماکوکینتیک

جدای از ارزیابی نتایج تقسیم‌بندی به‌طور مستقیم با استفاده از ضریب IoU، ما همچنین مقادیر GFR مشتق‌شده از تصویر را با اندازه‌گیری‌های مبتنی بر iohexol مقایسه کردیم. به منظور تعیین GFR، ما از آن استفاده کردیمکلیه-مدل فیلتراسیون دو محفظه خاص (2CFM) [5]. این مدل PK بافت کلیه را به فضاهای داخل عروقی (IV) و خارج عروقی خارج سلولی (EEV) تجزیه کرد و هیچ خروج لوله‌ای را در دوره مدل‌سازی فرض نکرد. اگرچه این مدل می تواند برای تخمین پرفیوژن کلیه در قشر یا کل پارانشیم کلیه مورد استفاده قرار گیرد، تنها ناحیه قبلی باید در هنگام محاسبه GFR در نظر گرفته می شد.

مستقل از ناحیه کلیوی در نظر گرفته شده، برای تطبیق مدل با سیگنال اندازه گیری شده S(t)، یک دوره زمانی متوسط ​​شدت تصویر مربوطه باید به شکل موج غلظت Ctissue(t) تبدیل شود. ما آن را با استفاده از تبدیل توضیح داده شده در [37] با توالی اکو گرادیان انجام دادیم. از سوی دیگر، بافت C (t) توصیف شده توسط مدل 2CFM توسط معادله اداره می شود

که در آن C نشان دهنده عملکرد ورودی شریانی، VP - کسر حجمی پلاسما، و غلظت C-CA در پلاسمای خون است. اولین عبارت در (9) نشان دهنده غلظت CA در فضای EEV است، در حالی که عبارت دوم غلظت در فضای IV را پوشش می دهد که با تابع ورودی شریانی در هم پیچیدن با تابع پاسخ ضربه عروقی (VIRF) به دست می آید، که به صورت تعریف شده است.

به این ترتیب، VIRF تاخیر و پراکندگی AIF را نسبت به جریان CA از طریق بستر مویرگی مدل می‌کند. متغیرهای Tg - ثابت زمانی پراکندگی، و X - فاصله تاخیر، همراه با کسر حجمی VP و ثابت انتقال Ktrans مجموعه کامل پارامترهای مدل 2CFM را تشکیل می‌دهند. تخمین آنها معمولاً در روش منحنی برازش حداقل مربعات غیرخطی (NLLS) انجام می شود. روش بازتاب منطقه اعتماد [38]، که در این مطالعه به کار گرفته شده است، یکی از بهینه سازهای ممکن برای حل عددی مسئله NLLS است. برخلاف روش‌های پایین سیمپلکس، اجازه می‌دهد تا محدودیت‌هایی را بر روی مقادیر پارامتر تنظیم کنیم و بنابراین اطمینان حاصل کنیم که برآوردهای نهایی در محدوده فیزیولوژیکی قرار می‌گیرند. محدودیت های فرض شده در مطالعه ما در جدول 1 فهرست شده است.

ما الگوریتم بهینه‌سازی مدل 2CFM را در نرم‌افزار سفارشی نوشته شده در پایتون، که برای دانلود در [39] موجود است، پیاده‌سازی کردیم. این الگوریتم برای هر بیمار با استفاده از نواحی قشر مغز راه‌اندازی شد که یا به‌طور خودکار توسط خط لوله تقسیم‌بندی توصیف‌شده در بالا به دست می‌آیند یا به صورت دستی حاشیه‌نویسی می‌شوند. در هر صورت، AIF به طور خودکار با استفاده از روش ما که قبلا در [40] منتشر شد، تعیین شد.

2.6. تحلیل آماری

یکی از اهداف خودکارسازی فرآیند تقسیم‌بندی تصویر DCE-MR، اطمینان از تخمین‌های پرفیوژن پایدار و تکرارپذیر است. از این رو، ما آزمون t Student را برای نمونه‌های مرتبط (تکرارشده) انجام دادیم تا فرضیه صفر میانگین GFR برابر برآورد شده در دو رویداد معاینه را تأیید کنیم. علاوه بر این، ما ضریب تکرارپذیری تعریف شده به صورت [41] را محاسبه کردیم.

که σdiff انحراف استاندارد تفاوت بین GFRهای ساخته شده در یک موضوع است و ╱pooldene میانگین همه اندازه‌گیری‌ها را نشان می‌دهد. کمیت ′2σdiff که به آن انحراف استاندارد اندازه گیری منفرد (σsm) نیز گفته می شود، تخمینی از انحراف استاندارد تفاوت ها در جفت اندازه گیری های بالقوه بسیاری متوالی است [42]. علاوه بر ارزیابی تکرارپذیری، تکرارپذیری تخمین GFR مبتنی بر تصویر با استفاده از نمودارهای بلند-آلتمن مورد ارزیابی قرار گرفت. در نهایت، نتایج تجزیه و تحلیل به دست آمده برای بخش های کلیوی به طور خودکار پیدا شده با حاشیه نویسی دستی مقایسه شد.

سیستانچ می تواند تسکین دهدکلیه هابه طور موثر

3. نتایج

شکل 5 نمونه خروجی های شبکه تقسیم بندی معنایی را برای دو موضوع شرکت کننده به همراه ماسک های حاشیه نویسی حقیقت زمین نشان می دهد. فرآیندهای آموزشی مربوطه در شکل 6 نشان داده شده است، که تکامل معیارهای از دست دادن و ارزیابی را برای هر دو مجموعه آموزشی و اعتبار سنجی ترسیم می کند. ممکن است مشاهده شود که پس از چند دوره اول، منحنی‌های IoU برای مجموعه‌های آموزشی و اعتبارسنجی نزدیک به هم قرار داشتند و شبکه وارد حالت بیش‌ازپیوندی نشد. به طور همزمان، کاهش یکنواخت تابع ضرر وجود داشت که ثابت کرد شبکه قابلیت تعمیم را به دست آورده است. ضرایب شباهت IoU بین حاشیه نویسی های دستی و یافته های خودکارکلیهمناطق به دست آمده پس از حذف جزایر خارج کلیوی که با بخش های اصلی قطع شده اند، در جدول 2 جمع آوری شده اند. میانگین IoU برای همه افراد و مطالعات 94.94=0 و از نظر جانبی بی تفاوت به نظر می رسد.

در مرحله بعد، وکسل های پارانشیمی به بخش های کلیوی جداگانه طبقه بندی شدند. مقایسه سه طبقه‌بندی‌کننده آزمایش‌شده در جدول 3 ارائه شده است. هر روش را با توجه به سه معیار - دقت متعادل، یادآوری و دقت ارزیابی می‌کند. دو مورد آخر برای هر دسته کلیوی به طور جداگانه تعیین شد. متریک دقت متعادل به عنوان میانگین نرخ های مثبت واقعی به دست آمده برای کلاس های خاص به دست آمد. همه نمرات ارائه شده مقادیر میانگین بیش از 20 آزمودنی بود. سه طبقه‌بندی‌کننده آزمایش‌شده عملکرد مشابهی از نظر نرخ‌های مثبت واقعی (تقریباً 95 درصد) به دست آوردند. با این حال، به طور کلی، این SVM بود که بهترین دقت متعادل را نشان داد (96 درصد) و همچنین توانایی بیشتری نسبت به روش های دیگر برای جلوگیری از تشخیص مثبت کاذب به دست آورد. به خصوص مشهود بود

برای ناحیه لگن، که در آن دقت=92 درصد در برابر 89 درصد توسط رگرسیون لجستیک و طبقه‌بندی‌کننده XGBoost ارائه می‌شود.

نرخ بالای دقت طبقه‌بندی به نتایج تقسیم‌بندی به همان اندازه خوب تبدیل شد (جدول 2)، که دوباره با استفاده از ضریب جاکارد ارزیابی شدند. با این حال، این بار به‌عنوان مجموع IoU که برای هر منطقه به‌طور جداگانه تعیین می‌شود، محاسبه شد و سپس با پشتیبانی آن، یعنی تعداد وکسل‌های حقیقت زمین که یک کلاس معین را نشان می‌دهند، وزن شد. برای اینکه بتوانیم مقایسه با آثار دیگر را انجام دهیم، نرخ‌های جاکارد به‌دست‌آمده را به ضرایب تاس (F1-امتیاز) با فرمول دوباره محاسبه کردیم.

با استفاده از الگوریتم خود، به میانگین ضریب جاکارد برای کلاس قشر در سمت چپ دست یافتیم.کلیهمعادل 93.2 درصد. در مورد سایر مناطق، IoU تقریباً 91 درصد است، به جز کلاس لگن در سمت چپ.کلیه جایی که به 90.1 درصد کاهش یافت. کیفیت تقسیم بندی ریز را می توان به صورت بصری با تجزیه و تحلیل نمونه هایی ازکلیه تجزیه به مناطق نشان داده شده در شکل 7. به منظور فعال کردن ارزیابی در یک زمینه گسترده تر، ما همچنین تقسیم بندی را با دو روش جایگزین ارائه شده در ادبیات انجام دادیم. اولین مورد شامل استخراج ویژگی های سیگنال DCE با استفاده از تبدیل موجک گسسته (DWT) با موجک Daubechies{1}} است، به عنوان مثال، در [12] فرض شده است. سپس ما بردارهای ضریب DWT را با کمک الگوریتم SVM طبقه بندی کردیم. در روش مقایسه دوم، بردارهای ویژگی PCA با استفاده از یک الگوریتم k-means (با k=3)، همانطور که در [14] توضیح داده شد، خوشه‌بندی شدند. این رویکرد دوم نتوانست به درستی بین قشر و مدولا تمایز قائل شود. اکثر وکسل‌هایی که هر دو ناحیه را نشان می‌دهند در یک خوشه مشترک قرار گرفتند و فقط لگن به عنوان یک بخش مستقل از پارانشیم در بیشتر مقاطع تشخیص داده شد. برخلاف نتایج به‌دست‌آمده از خوشه‌بندی، مناطق تولید شده به شیوه‌ای نظارت شده با استفاده از توصیف وکسل‌های مبتنی بر DWT دقیق‌تر هستند. با این حال، تعداد تشخیص های نادرست ظاهراً بیشتر از مورد بردارهای ویژگی PCA است. امتیاز دقت متعادل به‌دست‌آمده برای طبقه‌بندی کننده SVM در این مورد تنها 78 درصد بود. برای مقایسه کمی این طرح های پارتیشن بندی جایگزین با Xgboost، رگرسیون خطی و بهترین در الگوریتم SVM/PCA مطالعه ما، دو ردیف آخر جدول 3 را ببینید.

نتایج مرحله تقسیم‌بندی برای تعیین سیگنال‌های میانگین در قشر کلیه استفاده شد. سپس این سیگنال به مدل فارماکوکینتیک 2CFM نصب شد. شکل 8 چگونگی تککلیهنرخ فیلتراسیون گلومرولی(SK-GFR) به دست آمده از این طریق با نمرات مربوطه به دست آمده با استفاده از حاشیه نویسی دستی مطابقت دارد. میانگین مقادیر SK-GFR در همه موضوعات و مطالعات که پس از تقسیم‌بندی خودکار و دستی به‌دست می‌آید مشابه است (56 در مقابل 55 میلی‌لیتر/دقیقه/1.73 متر مربع) و تفاوت مشاهده‌شده از نظر آماری ناچیز است (آمار T=0.75، p-value=0.46). علاوه بر این، تناسب خطی بین دو نوع اندازه‌گیری مطابقت خوب آنها را با r{13}}.13 و 0.49 به ترتیب برای جلسات معاینه MR 1 و 2 ثابت می‌کند.

نمودارهای بلند-آلتمن نشان داده شده در شکل 9 به ما امکان می دهد تا مطابقت کل GFR ها را با نرخ های مبتنی بر آیوهگزول حقیقت زمینی ارزیابی کنیم. قبل از استفاده از روش بلند-آلتمن، توزیع نرمال اندازه گیری ها با استفاده از آزمون شاپیرو-ویلک تایید شد. مقادیر p به دست آمده در افسانه های نمودار مربوطه آورده شده است. میانگین تفاوت برای جلسه معاینه MR 1 بر حسب مقادیر مطلق برای تقسیم‌بندی‌های دستی کوچک‌تر بود (8/0 ü{4} در مقابل ü7.4 میلی‌لیتر/دقیقه/1.73 متر مربع). در مورد جلسه 2، مقادیر ╱d بین روش‌های تقسیم‌بندی سازگار بود، اگرچه توافق با روش مرجع ضعیف‌تر بود. با این حال، به نظر می رسد که الگوریتم پیشنهادی کمی بهتر عمل کند ( ü 12.9 در مقابل ü 14.1 میلی لیتر در دقیقه / 1.73 m2). بر اساس نتایج به‌دست‌آمده، نمی‌توان تصمیم گرفت که کدام رویکرد تقسیم‌بندی محدودیت‌های محدودتر توافق را تضمین می‌کند. در مورد جلسه 1، مقایسه تقسیم بندی دستی را ترجیح داد (π=31.3 در مقابل 35.5 mL/min/1.73 m2). با این حال، باریک‌ترین محدودیت‌های فواصل توافق و اطمینان در تمام آزمایش‌ها برای جلسه 2 و برچسب‌گذاری خودکار (π=25.1 میلی‌لیتر/دقیقه/1.73 متر مربع) به دست آمد. هر دو روش تقسیم بندی منجر به نتایج قابل تکرار (نگاه کنید به جدول 4) با ضریب تغییرات برابر با 30.2 درصد در بدترین حالت (بخش بندی دستی، سمت چپ) شد.کلیه). ظاهراً تقسیم‌بندی خودکار پایداری بهتری را با ضرایب تغییرات دو برابر کمتر از نمونه‌های دستی تضمین می‌کرد. مقادیر p به دست آمده در آزمون های t Student برای نمونه های مرتبط، همگی بالاتر از سطح اطمینان 0.05=0 بودند که شواهد کافی را در برابر فرضیه صفر وجود نداشتن تفاوت معنی داری بین میانگین های مشاهده شده اندازه گیری های SK-GFR نشان می دهد. با این حال، p-value محاسبه‌شده برای کلیه چپ و تقسیم‌بندی دستی نسبتاً کوچک بود. برای تأیید یا رد تکرارپذیری اندازه‌گیری‌ها در این مورد، بررسی‌های بیشتر، به‌طور بالقوه شامل نمونه‌ای بزرگ‌تر، ضروری است.

4. بحث

هدف اولیه این مطالعه طراحی یک روش کارآمد برایکلیهتقسیم بندی در تصاویر DCE-MR ما مفاهیمی را که تا حدی در آثار منتشر شده قبلی ارائه شده بود در یک چارچوب محاسباتی یکنواخت ترکیب کردیم. این شامل بخش‌بندی معنایی درشت پارانشیم کلیه، تبدیل PCA سیگنال MR در دوره‌های زمانی است تا نمایش عددی وکسل‌ها را ایجاد کند و سپس طبقه‌بندی آن‌ها را برای تولید قطعه‌بندی ریز بافت کلیوی به قشر، مدولا و لگن فعال می‌کند. رویکرد پیشنهادی منجر به نتایج دقیق می‌شود و تشخیص کلیه را با نرخ 94 درصد بر حسب ضریب جاکارد ممکن می‌سازد. بخش بندی بخش های کلیوی خاص را می توان با IoU بین 90 تا 93 درصد (96-95 درصد ضریب تاس) بسته به نوع بافت به دست آورد.

هنگام ارجاع به سایر نتایج منتشر شده، نسبت های به دست آمده یا مطابقت خوبی دارند یا کمی پایین تر هستند. در [14]، تاس برای افراد سالم امتیاز می گیردکلیهتقسیم بندی در سطح 99 درصد (قشر)، 98 درصد (بصل النخاع)، و 96 درصد (لگن) گزارش شد. با این حال، همچنین برای داده های شبیه سازی شده نشان داده شد که نویز تصویر ممکن است به طور قابل توجهی دقت را به 82 تا 85 درصد کاهش دهد. از آنجایی که پروتکل های تصویربرداری مورد استفاده در آن و در مطالعه ما از نظر تفکیک مکانی و زمانی متفاوت بود، اختلافات مشاهده شده در محدوده 1 تا 2 درصد ممکن است به سطوح مختلف نویز در مطالعات ما نسبت داده شود. شرایط اسکن قابل مقایسه در یک گروه از بیماران اطفال در [15] مورد استفاده قرار گرفت. میانگین F{8}}نمره مشاهده شده در آن برابر با 93 درصد برای کل بودکلیهو 86 درصد برای قشر کلیه. در [12] تقسیم بندی مبتنی بر خوشه با استفاده از نمرات دقت ارزیابی شد. میانگین نتایج به دست آمده عبارت بودند از: 88 درصد - قشر مغز، 91 درصد - مدولا و 98 درصد - لگن. این مقادیر را می توان مجموعاً به عنوان امتیاز دقت متعادل نام برد که اندازه یک بخش معین را در نظر می گیرد. بنابراین، به نظر می‌رسد که مدل SVM ما از رویکرد مبتنی بر خوشه‌بندی که دقت طبقه‌بندی و همچنین نرخ فراخوانی در سطح 96 درصد را حتی برای بزرگ‌ترین ناحیه قشر مغز ارائه می‌کند، بهتر عمل می‌کند.

در نهایت، شبکه CNN به شناسایی کل اختصاص دادکلیهشرح داده شده در [26] عملکرد پایین تری نسبت به طراحی U-Net ما نشان داد و برای افراد آزمایشی عادی به F{2}}امتیاز=91.4 درصد رسید.

تفاوت‌های مشاهده‌شده در نتایج تقسیم‌بندی نیز باید در پرتو پیکربندی آموزش-یادآوری الگوریتم مشاهده شود. در مقابل برخی از رویکردهای جایگزین [11،14]، استراتژی ما مستقل از بیمار است. هنگامی که مدل‌های تقسیم‌بندی و طبقه‌بندی معنایی ساخته می‌شوند، آن‌ها در مطالعات جدید اعمال می‌شوند، که در مجموعه آموزشی دیده نمی‌شوند. از این رو، ویژگی‌های خاص بیمار نمی‌توانند مکانیسم تشخیص را هدایت کنند و ممکن است با مدل آموزش‌دیده منطبق نباشند و میزان دقت کلی را کاهش دهند. علاوه بر این، همانطور که در بالا مورد بحث قرار گرفت، به دلیل تداوم اثر حجم جزئی در مرزهای بین قشر، مدولا و لگن، مقداری عدم قطعیت در مورد بخش‌بندی‌های دستی مرجع وجود دارد که باید در هنگام تجزیه و تحلیل معیارهای گزارش‌شده در نظر گرفته شود. اگرچه طبقه‌بندی‌کننده SVM بر روی سیگنال‌های حقیقت زمینی متمایز بافتی و با دقت انتخاب شده آموزش داده شده است، داده‌های اعتبارسنجی، که باید همه وکسل‌های کلیوی را در بر گیرند، ممکن است همچنان از ذهنیت‌گرایی حاشیه‌نویسی‌های مشاهده‌گر رنج ببرند.

جدا از قدرت مشاهده شده برای تولید نتایج دقیق تقسیم بندی، استراتژی ما دارای یک ویژگی سودمند است. از آنجایی که ما از یک طبقه‌بندی کننده نظارت شده برای تخصیص وکسل‌های تصویر به مناسب استفاده می‌کنیمکلیهمناطق، نیازی به مرحله برچسب گذاری جداگانه نیست. در مورد خوشه‌بندی، اگر قرار است از اتوماسیون کل رویه اطمینان حاصل شود، لازم است مقداری اکتشافی برای تفسیر مقوله واقعی هر خوشه ارائه شود.

همانطور که در شکل 10 نشان داده شده است، عمدتاً دو منبع اختلاف بین حاشیه نویسی خودکار و دستی وجود دارد. اولاً، مرز بین کورتکس و اهرام مدولاری مبهم است و وکسل های مربوطه تا حدی با هر دو نوع پر شده اند.

از بافت کلیه در حالی که روش خودکار تمایل دارد که چنین وکسل هایی را در کلاس کورتکس شامل شود، آنها اغلب توسط متخصص به عنوان مدولا تعیین می شدند. از سوی دیگر، حتی تقسیم‌بندی دستی نیز از این نظر سازگار نیست و این مشکل را در تصمیم‌گیری خودسرانه در مورد کلاس وکسل‌ها که در آن اثر حجم جزئی غالب است، ثابت می‌کند. ثانیاً، تشخیص های نادرست را می توان به عنوان مثال، در لبه های قشر خارجی مشاهده کرد. این اثرات را می توان به ثبت اشتباه تصاویر در حوزه زمان نسبت داد. روش ثبت b-spline اعمال شده برای نیاز این مطالعه بهینه نشده است و موضوع تحقیقات آینده ما باقی می ماند.

آزمایش‌های انجام‌شده همچنین نشان داد که الگوریتم تقسیم‌بندی پیشنهادی تکرارپذیری تخمین SK-GFR مبتنی بر تصویر را بهبود می‌بخشد. ضرایب تغییرات محاسبه شده برای چپ و راست 14.5 درصد و 17.5 درصد بوده است.کلیه ها، به ترتیب. در مورد حاشیه نویسی دستی، ما CoV=30.2 درصد و 29.4 درصد به دست آوردیم. این نتایج باید با توجه به تغییرات طبیعی GFR ناشی از عوامل مستقل مانند رژیم غذایی و زمان روز ارزیابی شوند. انتظار می رود که سطح کراتینین سرم، که به خوبی با GFR همبستگی دارد، ممکن است به درجه تغییر تا 10 درصد برسد [43]. از این رو، CoV تقریبا. 15 درصد نشان دهنده تکرارپذیری خوب روش است که از خودکار استفاده می کندکلیهبخش بندی علاوه بر این، معیارهای تکرارپذیری به‌دست‌آمده در محدوده مقادیر ارائه‌شده در جاهای دیگر قرار می‌گیرند، به عنوان مثال، در [44] CoV=32 درصد و 27 درصد، در حالی که در [13]، CoV=17.5 درصد و 15.4 درصد برای چپ و راستکلیه ها، به ترتیب. با این حال، در مطالعه اخیر، CoV تنها بر اساس نسبت σsm و میانگین همه اندازه‌گیری‌ها، بدون ضریب اضافی «2» محاسبه شد. اگر این ضریب تصحیح منعکس شود، CoVهای گزارش شده آنها به 24.7 درصد و 21.8 درصد می رسد که تقریباً به یافته های ما نزدیک است.

می توان سه محدودیت را برای مطالعه ما مطرح کرد. اولا، پارتیشن بندی فرضی به وصله های تصویری ممکن است شبکه تقسیم بندی معنایی را برای یادگیری متمایل کند.کلیهمکان ها فقط نزدیک یکی از لبه های پچ هستند. از این رو، در توسعه بیشتر مدل‌های ما، نحوه عملکرد الگوریتم در صورتی که میدان دید اکتساب به طور متفاوتی پیکربندی شده باشد، مورد مطالعه قرار خواهد گرفت. ثانیاً، الگوریتم تقسیم بندی تنها با استفاده از افراد سالم طراحی شده است. این می تواند عواقب مهمی در مورد تقسیم بندی دقیق پارانشیم کلیه داشته باشد. تنظیم مدل طبقه‌بندی برای کلیه‌های بیمار ممکن است نیاز به گسترش تعداد کلاس‌ها به بیش از سه دسته (قشر، مدولا و لگن) داشته باشد تا ویژگی‌های زمانی متنوع ضایعات بافت کلیوی را منعکس کند. ثالثاً، به منظور محاسبه GFR، مدل 2CFM را به سیگنال DCE میانگین تخمین زده شده در قشر تقسیم‌بندی شده برازش دادیم. با توجه به اثر حجم جزئی، تقسیم بندی دستی و خودکار ممکن است برخی از وکسل ها را به عنوان مدولاری طبقه بندی کند، اگرچه آنها حاوی گلومرول های کلیوی هستند. نادیده گرفتن چنین وکسل‌هایی ممکن است یکی از دلایل عدم تطابق مشاهده شده بین اندازه‌گیری‌های GFR مشتق‌شده از تصویر و مبتنی بر آیوهگزول باشد. برای غلبه بر این مشکل، برخی از نویسندگان [5] پیشنهاد می کنند که از ROI کل کلیه استفاده شود تا اطمینان حاصل شود که تمام وکسل هایی که در فیلتراسیون کلیوی نقش دارند در فرآیند برازش مدل PK گنجانده شده اند. با این حال، ما دریافتیم که این رویکرد منجر به تخمین بیش از حد قابل توجه GFR برای مجموعه داده‌های موجود در مطالعه ما می‌شود. از این رو، در آینده، ما قصد داریم از تکنیک‌های وضوح فوق‌العاده مبتنی بر یادگیری عمیق استفاده کنیم و تلاش کنیم تا حاشیه‌نویسی دقیق‌تری از وکسل‌های قشر مغز به دست آوریم.

علاوه بر این، یک رویکرد کاملاً سه بعدی برای تقسیم بندی معنایی باید مورد بهره برداری قرار گیرد. می‌توان انتظار داشت که یک شبکه عصبی که قادر به پردازش کل حجم‌های MR باشد، دقیق‌تر تولید کندکلیهحاشیه نویسی به لطف اطلاعات بیشتر در عمق. با این حال، مشکل در این مطالعه به دلیل تعداد نسبتا کمی مطالعات موجود برای آموزش، باید به دو بعد کاهش می یافت. تجزیه تصاویر حجمی به مقاطع 2 بعدی باعث افزایش قابل توجه مجموعه داده های آموزشی می شود.

در نهایت، همانطور که قبلاً توضیح داده شد، رویکرد پیشنهادی به روش ترک یک موضوع مورد تایید قرار گرفت. 10 شبکه عصبی مستقل و مدل طبقه‌بندی‌کننده مؤثر وجود داشت. یک سوال قانونی این است که چگونه می توان این مدل ها را برای افراد جدید خارج از نمونه موجود در این مطالعه به کار برد. یکی از گزینه ها ایجاد یک گروه و معرفی مکانیزم رای گیری است. متناوباً، می‌توان یک طرح تقسیم‌بندی جدید (شامل مراحل درشت و ریزدانه) بر اساس کل 10- نمونه موضوع آموزش داد. عملکرد آن با توجه به مجموعه داده های جدید باید با نتایج ارائه شده در بالا قابل مقایسه باشد.

سیستانچ می تواند تسکین دهدکلیهدرد، برای دانستن بیشتر اینجا را کلیک کنید

5. نتیجه گیری ها

برای نتیجه گیری، در این مقاله یک چارچوب محاسباتی برای حمایت از ارزیابی کمی نشان دادیمکلیهپرفیوژن با ارائه روشی خودکار برای تقسیم بندی کمپارتمان های کلیوی. نتایج دقت به‌دست‌آمده، عملکرد قابل اعتماد روش طراحی‌شده را اثبات می‌کند. علاوه بر این، در آزمایش‌های ما، رویکردهای جایگزین برای تمایز بخش‌های قشر، مدولا و لگن، بر اساس تبدیل موجک و الگوریتم‌های خوشه‌بندی، کارایی کمتری دارند. تکرارپذیری اندازه‌گیری SK-GFR بر اساس بخش‌های یافت‌شده خودکار در مقایسه با نتایج پردازش دستی بهبود می‌یابد و همچنین با سایر نتایج منتشر شده مطابقت خوبی دارد. روش تقسیم‌بندی طراحی‌شده امکان افزایش عینیت‌گرایی پارامترهای پرفیوژن حاصل از تصویر و همچنین تشخیص سریع‌تر اختلالات کلیوی را فراهم می‌کند. این یافته ها کاربرد بالینی تصویربرداری DCE-MR را به عنوان یک روش معمول درکلیهتشخیص در نهایت، به منظور تسهیل این تغییر از تحقیق به حوزه کاربردی، چارچوب نرم افزاری خود را برای مدل سازی فارماکوکینتیک در [39] در دسترس قرار می دهیم. مخزن همچنین شامل اسکریپت هایی برای استخراج و طبقه بندی ویژگی های مبتنی بر سیگنال DCE است.

مشارکت نویسنده:مفهوم سازی، AK; روش، AK، و EE. نرم افزار، AK; اعتبار سنجی، AK; تحلیل رسمی، AK; تحقیق، AK; منابع، EE و AL. مدیریت داده، EE; نوشتن - آماده سازی پیش نویس اصلی، AK; نوشتن - بررسی و ویرایش، AL و EE. تجسم، AK; نظارت، AL; مدیریت پروژه، AK همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی:این تحقیق هیچ بودجه خارجی دریافت نکرد.

بیانیه هیئت بررسی نهادی:این مطالعه مطابق با اعلامیه هلسینکی انجام شد و پروتکل توسط کمیته‌های منطقه‌ای اخلاق تحقیقات پزشکی - نروژ غربی (REC West 2012/1869) تأیید شد.

بیانیه رضایت آگاهانه:همه آزمودنی ها قبل از شرکت در مطالعه رضایت آگاهانه خود را برای ورود به مطالعه ارائه کردند.

بیانیه در دسترس بودن داده ها:تصاویر DCE-MR مورد استفاده در این مطالعه را نمی توان در دسترس قرار داد زیرا رضایت نامه کتبی امضا شده توسط شرکت کنندگان، توافق نامه انتشار عمومی داده های به دست آمده را پوشش نمی دهد.

تضاد علاقه:نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

1. Zabell, JR; لارسون، جی. کوفل، جی. لی، دی. اندرسون، جی کی. وزن، CJ استفاده از اصلاح رژیم غذایی در معادله بیماری کلیوی برای تخمین نرخ فیلتراسیون گلومرولیدر ادبیات اورولوژی جی. اندورول. 2016، 30، 930-933.

2. دلانی، پی. ایبرت، ن. ملسوم، تی. گاسپاری، ف. ماریت، سی. کاوالیر، ای. بیورک، جی. کریستنسون، ا. نایمن، یو. پورینی، ای. و همکاران کلیرانس پلاسمایی آیوهگزول برای اندازه گیرینرخ فیلتراسیون گلومرولیدر عمل و تحقیق بالینی: مروری. قسمت 1: نحوه اندازه گیرینرخ فیلتراسیون گلومرولیبا آیوهگزول؟ کلینکلیهJ. 2016, 9, 682–699.

3. آنت، ال. هرموی، ال. پیترز، اف. جمار، ف. Dehoux، JP; Van Beers، BE نرخ فیلتراسیون گلومرولی: ارزیابی با MRI با کنتراست پویا و یک مدل محفظه قشر در خرگوشکلیه. جی. مگن. رزون. تصویربرداری 2004، 20، 843-849.

4. سوربرون، SP; مایکلی، HJ; ریزر، MF; Schoenberg, SO MRI - اندازه گیری پرفیوژن و فیلتراسیون گلومرولی در انسانکلیهبا مدل محفظه قابل جدا شدن تحقیق کنید. رادیول. 2008، 43، 40-48.

5. تافتس، پ. کوتاجار، م. مندیچوفسکی، آی. پیترز، آ. گوردون، I. اندازه گیری دقیق فیلتراسیون کلیه و پارامترهای عروقی با استفاده از یک مدل دو محفظه ای برای MRI با کنتراست پویاکلیهمقادیر طبیعی واقعی را ارائه می دهد. یورو رادیول. 2012، 22، 1320-1330.

6. چن، بی. ژانگ، ی. آهنگ، X. وانگ، ایکس. ژانگ، جی. Fang, J. تخمین کمی عملکرد کلیه با MRI تقویت‌شده با کنتراست دینامیکی با استفاده از یک مدل اصلاح‌شده دو بخش. PLoS ONE 2014, 9, e105087.

7. کوتاجار، م. مندیچوفسکی، آی. تافتس، پی. گوردون، I. اهمیت انتخاب AIF ROI در رنوگرافی DCE-MRI: تکرارپذیری و تنوع پرفیوژن و فیلتراسیون کلیه. یورو جی. رادیول. 2010، 74، e154–e160.

8. لی، VS; روسینک، اچ. بوکاچوا، ال. هوانگ، ای جی؛ اوزینگمن، ن. چن، کیو. کائور، م. شاهزاده، ک. آهنگ، تی. کرامر، EL; و همکاران اندازه گیری عملکرد کلیه از رنوگرافی MR و یک مدل چند بخشی ساده شده صبح. J. Physiol.-Renal Physiol. 2007، 292، F1548–F1559.

9. Patlak, CS; Blasberg، RG ارزیابی گرافیکی ثابت‌های انتقال خون به مغز از داده‌های جذب چندگانه. تعمیم ها جی. سرب. متاب جریان خون. 1985، 5، 584-590.

10. هاکستین، ن. هکرودت، جی. راو، WS اندازه گیری تککلیهنرخ فیلتراسیون گلومرولی با استفاده از توالی gradient-echo پویا با کنتراست و تکنیک نمودار روتلند-پاتلاک. جی. مگن. رزون. Imaging 2003, 18, 714-725.

11. زولنر، اف. سانس، آر. روگلج، پ. لدسما-کاربایو، ام. رورویک، جی. سانتوس، آ. Lundervold، A. ارزیابی 3D DCE-MRI ازکلیه هابا استفاده از ثبت تصویر غیر صلب و تقسیم بندی دوره های زمانی وکسل. محاسبه کنید. پزشکی نمودار تصویربرداری 2009، 33، 171-181.

12. لی، اس. زولنر، اف. مرم، ا. پنگ، ی. رورویک، جی. لوندروولد، آ. Schad, L. تقسیم بندی محفظه های کلیوی مبتنی بر موجک در DCE-MRI انسانکلیه: نتایج اولیه در بیماران و داوطلبان سالم. محاسبه کنید. پزشکی نمودار تصویربرداری 2012، 36، 108-118.

13. Eikefjord، E. اندرسن، ای. هادنلند، ای. هانسون، ای. سوربرون، اس. سوارستاد، ای. لوندروولد، آ. Rørvik، J. اندازه‌گیری MRI با کنتراست پویا از عملکرد کلیه در شرکت‌کنندگان سالم. Acta Radiol. 2017، 58، 748-757.

14. یانگ، ایکس. لو مین، اچ. چنگ، KTT؛ سونگ، خ. Liu، W. بخش بندی محفظه کلیه در تصاویر DCE-MRI. پزشکی تصویر مقعدی 2016، 32، 269-280.

15. یوروک، یو. هارگریوز، کارشناسی; Vasanawala، SS تقسیم بندی خودکار کلیه برای اوروگرافی MR با استفاده از 3D-GrabCut و جنگل های تصادفی. Magn. رزون. پزشکی 2018، 79، 1696-1707.

16. لوندروولد، ع. Lundervold، A. مروری بر یادگیری عمیق در تصویربرداری پزشکی با تمرکز بر MRI. Z. Für Med. فیزیک 2019، 29، 102-127.

17. خان، ز. یحیی، ن. السیح، ک. علی، SSA; مریودو، اف. ارزیابی شبکه های عصبی عمیق برای تقسیم بندی معنایی پروستات در MRI T2W. سنسورها 2020, 20, 3183.

18. شلهامر، ای. لانگ، جی. دارل، تی. شبکه های کاملاً پیچیده برای تقسیم بندی معنایی. IEEE Trans. الگوی مقعدی ماخ هوشمند 2017، 39، 640-651.

19. بدرینارایانان، وی. کندال، ا. Cipolla، R. SegNet: معماری رمزگذار-رمزگشای پیچیده پیچیده برای تقسیم‌بندی تصویر. IEEE Trans. الگوی مقعدی ماخ هوشمند 2017، 39، 2481-2495.

20. رونبرگر، او. فیشر، پی. Brox، T. U-Net: شبکه های کانولوشن برای تقسیم بندی تصویر زیست پزشکی. در مجموعه مقالات هجدهمین کنفرانس بین المللی محاسبات تصویر پزشکی و مداخله به کمک رایانه، مونیخ، آلمان، 5 تا 9 اکتبر 2015. صص 234-241.