تقسیم‌بندی نمونه معنایی کیست‌های کلیه در تصاویر MR: یک رویکرد سه‌بعدی کاملاً خودکار توسعه‌یافته از طریق یادگیری فعال

آدریانا وی. گریگوری¹ و همکاران

خلاصه

جمعکلیهحجم (TKV) بیومارکر اصلی تصویربرداری است که برای نظارت بر پیشرفت بیماری و طبقه بندی بیماران مبتلا به پلی کیستیک اتوزومال غالب استفاده می شود.کلیهمرض(ADPKD) برای آزمایشات بالینی. با این حال، بیماران مبتلا به TKV های مشابه ممکن است تظاهرات و فنوتیپ های کیستیک به شدت متفاوتی داشته باشند. در تلاشی برای تعیین کمیت این تفاوت‌های کیستیک، اولین الگوریتم تقسیم‌بندی کیست نمونه معنایی سه بعدی را برایکلیه هادر تصاویر MR ما هم وظیفه تشخیص/محلی‌سازی شی و هم وظیفه تقسیم‌بندی مبتنی بر نمونه را به یک وظیفه تقسیم‌بندی معنایی مجدداً فرموله کرده‌ایم. این به ما این امکان را داد که این مشکل تصویربرداری منحصر به فرد را حتی برای بیمارانی که هزاران کیست دارند، به طور موثر حل کنیم. برای انجام این کار، یک شبکه عصبی کانولوشن (CNN) برای یادگیری لبه‌های کیست و هسته‌های کیست آموزش داده شد. با اعمال یک عملگر مورفولوژی فرسایش سه‌بعدی به نسخه‌های نمونه‌برداری شده تصاویر، تصاویر از بخش‌بندی کیست‌های نمونه به بخش‌بندی‌های لبه هسته معنایی تبدیل شدند. کیست های کاهش یافته به عنوان هسته برچسب گذاری شدند. نواحی فرسایش یافته به صورت دوبعدی گشاد شده و به عنوان لبه برچسب گذاری شدند. شبکه بر روی 3{{10}} تصویر MR آموزش داده شد و بر روی 10 تصویر MR با استفاده از یک روش اعتبارسنجی متقاطع چهارگانه تأیید شد. مدل گروه نهایی بر روی 20 تصویر MR که در طول آموزش/اعتبار اولیه دیده نمی شد، آزمایش شد. نتایج حاصل از مجموعه آزمون با تقسیم بندی های دو خواننده مقایسه شد. مدل ارائه شده به میانگین مقدار R2 0.94 برای تعداد کیست، 1.{13}} برای حجم کل کیست، 0.94 برای شاخص کیست، و ضریب میانگین تاس 0.85 دست یافت. این نتایج امکان انجام قطعه بندی کیست به طور خودکار در بیماران ADPKD را نشان می دهد.

کلید واژه هاپلی کیستیک اتوزومال غالبکلیهمرض· تصویربرداری رزونانس مغناطیسی · تقسیم بندی نمونه سه بعدی · حجم کیست · شبکه های عصبی کانولوشن

تماس:ali.ma@wecistanche.com

Cistanche para que sirve از بیماری کلیوی جلوگیری می کند، برای دریافت نمونه اینجا را کلیک کنید

مقدمه

پلی کیستیک اتوزومال غالبکلیهمرض(ADPKD) یک اختلال ژنتیکی با تقریباً 140،000 نفر است که در حال حاضر در ایالات متحده تشخیص داده شده است [1]. با ایجاد کیست های متعدد در بدن مشخص می شودکلیه ها. با افزایش تعداد و اندازه کیست ها، آنها با کیست تداخل پیدا می کنندکلیه هاتوانایی فیلتر کردن مواد زائد از خون و اغلب منجر به مرحله نهایی بیماری کلیوی می شود [2].

بسیاری از مطالعات نشان داده اند که کلکلیهحجم (TKV) یک بیومارکر پیش آگهی مفید در ترکیب با سن و نرخ تخمینی فیلتراسیون گلومرولی برای استفاده در آزمایشات بالینی و پیش بینی کاهش عملکرد کلیه است [3-5]. اگرچه TKV مهم است، اما اطلاعات ساختاری بسیار بیشتری وجود دارد که می توان آنها را مشخص کرد. به عنوان مثال، سایر نشانگرهای زیستی مشتق شده از تصویر مانند تعداد و اندازه کیست، بینش بیشتری در مورد وضعیت بیماری ارائه می دهند [6]. بیماران ADPKD با TKVهای مشابه ممکن است با متفاوتی مراجعه کنندکلیهترکیبات کیست (یعنی چند کیست بزرگ، بسیاری از کیست های کوچک، یا ترکیبی از کیست های بزرگ و کوچک). این اطلاعات اضافه شده احتمالاً از نظر بالینی مهم است و در حال حاضر یکی از عواملی است که برای طبقه بندی گروه های تصویربرداری معمولی و غیر معمول در بیماران ADPKD استفاده می شود [7]. علاوه بر این، Bae و همکاران. [8] اخیراً پیشنهاد کرد که حذف کیست‌های اگزوفیتیک برجسته می‌تواند طبقه‌بندی بیماران را بهبود بخشد. با این حال، این ارزیابی کیست اغلب به صورت دستی با استفاده از معادله بیضی برای تقریب حجم کیست ها یا با روش های نیمه خودکار وابسته به کاربر انجام می شود.

در طی چند سال گذشته، یادگیری ماشین (به ویژه یادگیری عمیق) با موفقیت برای تقسیم بندی تصاویر طبیعی (یعنی تصاویر گرفته شده با دوربین RGB) اجرا شده است [9-11]. در نتیجه، محققان در تجزیه و تحلیل تصویر پزشکی، فناوری‌های جدیدی را برای تقسیم‌بندی چندین اندام و بافت ترجمه و توسعه داده‌اند [12]. در ADPKD، روش‌های کاملاً خودکار با استفاده از شبکه‌های عصبی عمیق برای بخش‌بندی پلی کیستیک پیاده‌سازی شده‌اند.کلیه هادر سی تی اسکن با و بدون افزایش کنتراست که به ضریب Dice {{0}} می رسد.86 و 0.92، به ترتیب [13، 14]. مدل‌های کاملاً خودکار نیز برای T{6}}تصاویر MR وزن‌دار [15، 16] که نتایج دقیق را نشان می‌دهند، پیاده‌سازی شده‌اند (Dice=0.97).

با این حال، تقسیم‌بندی نمونه، یک قدم فراتر می‌رود و می‌تواند نمونه‌هایی از یک کلاس را تقسیم کند (به عنوان مثال، جدا کردن هر نمونه از یک ماشین یا سلول در یک تصویر). Mask R-CNN [17] یک روش پرکاربرد برای تولید قطعه‌بندی نمونه با اعمال یک الگوریتم تشخیص شی است. بیشتر کاربردهای Mask R-CNN برای تقسیم‌بندی تصاویر طبیعی [18-21] و برخی برای هیستوپاتولوژی و تصاویر پزشکی دوبعدی [22-26] طراحی شده‌اند. با این حال، برای تصاویر سه بعدی، ابعاد بالاتر اسکن ها می تواند به میزان قابل توجهی نیاز به حافظه GPU را افزایش دهد. تنها چند مطالعه رادیولوژیکی استفاده از Mask R-CNN را برای تقسیم ندول های ریه در CT قفسه سینه [27] و ارزیابی خونریزی در CT سر [28] گزارش کرده اند. از سوی دیگر، وظیفه قطعه‌بندی کیست نمونه، چالش بزرگ‌تری را ایجاد می‌کند، نه تنها به دلیل تعداد بیشتر نمونه‌ها (تا هزاران کیست)، که اجرای آن را با استفاده از رویکرد تشخیص شی غیرممکن می‌کند، بلکه به دلیل اتصال بسیار زیاد ماهیت خوشه ای کیست ها در ADPKD.

برخی از مطالعات با استفاده از روش‌های مبتنی بر شدت و شکل، رویکردهای بخش‌بندی سنتی‌تری را برای تولید نمونه‌بندی و تقسیم‌بندی کیست‌های معنایی برای تصویربرداری اولتراسوند و CT [29-32] اجرا کرده‌اند. در تصویربرداری MR، دو رویکرد نیمه خودکار برای انجام پیاده‌سازی شده‌اندکلیهتقسیم بندی کیست رویکرد اول از یک روش خوشه‌بندی k-means و به دنبال آن تحلیل اجزای متصل برای ارائه نمونه‌بندی کیست استفاده کرد [33]. رویکرد دوم از یک روش مبتنی بر ناحیه برای ایجاد نقشه‌های شدت سیگنال باینری برای تولید بخش‌بندی کیست معنایی استفاده کرد [34]. اکثر این رویکردها بر اطلاعات شدت متکی هستند که ممکن است شامل سایر مناطق با مقادیر شدت مشابه مانند لگن کلیه باشد و برخی از کیست‌ها با شدت سیگنال متفاوت را حذف کند (مانند کیست‌های هموراژیک). یک روش کاملاً خودکار ممکن است بتواند بر این مشکلات غلبه کند و پارامترهای کمی سازی کیست دقیق تری را ارائه دهد، به ویژه برای موارد شدید که در آن تقسیم بندی دستی و روش های نیمه خودکار به راحتی انجام نمی شود. بنابراین، در این مقاله، ما یک مدل یادگیری عمیق برای تقسیم‌بندی کیست نمونه سه بعدی به منظور اندازه‌گیری حجم کل کیست (TCV) و همچنین تعداد کیست و شاخص کیست پیشنهاد می‌کنیم.

مواد و روش ها

این مطالعه تصویربرداری گذشته نگر توسط هیئت بررسی نهادی ما بررسی و تایید شد. تقسیم بندی دستی سه بعدی کیست های فردی در تصاویر MR از بیماران ADPKD یک کار بسیار دشوار و وقت گیر است. برای کاهش فرآیند ایجاد یک مجموعه داده استاندارد مرجع، یک مدل اولیه اجرا شد. مدل اولیه بر روی 15 3تصاویر D MR آموزش داده شد، روی 5 تصویر اعتبار سنجی شد، و روی 5 تصویر دیگر آزمایش شد. سپس خروجی و چارچوب مدل اولیه برای مدل نهایی بهبود یافته استفاده شد.

مدل اولیه: مجموعه داده های MRI

بیست و پنج (n= 25) بیمار مبتلا به ADPKD و تصویربرداری MRI موجود نماینده مراحل مختلف توسعه کیست وکلیهبزرگ‌نمایی از پایگاه داده تصویربرداری PKD ما شناسایی شد. فقط اسکن‌های T{0}}توزین شده با چربی اشباع شده که هیچ گونه مصنوعات تاری را نشان نمی‌دهند و با 3-قدرت میدان T (n= 23) و 15- میدان T به دست آمده‌اند. قدرت (n= 2) برای این مطالعه انتخاب شدند. از آنجایی که تصاویر در طی یک دوره چند ساله گرفته شد، دریافت MR خاص متفاوت بود، اما همه شامل اندازه ماتریس 256 × 256 × Z (با FOV و Z به اندازه کافی بزرگ بودند که وسعت کامل کلیه ها را پوشش دهند). اندازه وکسل میانه تصویر 1.37 میلی متر (محدوده 0}.82 تا 1.56 میلی متر) در صفحه بود، با ضخامت برش میانه 3.{19}} میلی متر (محدوده 3.0 تا 9.0). میلی متر).

TKV های به دست آمده با استفاده از خودکارکلیهبخش بندی [35] برای همه موارد موجود بود. اسکن‌ها بر اساس TKV مرتب‌سازی شدند و به‌صورت تصادفی به مجموعه‌های آموزشی (n=15)، اعتبارسنجی (n= 5) و آزمون (n= 5) طبق شکل 1 نشان داده شدند. نمونه برداری برای اطمینان از توزیع اندازه کلیه مشابه بین مجموعه ها.

مدل اولیه: استاندارد مرجع

تقسیم بندی کیست: مجموعه تست

کیست ها به صورت دستی توسط دو خواننده آموزش دیده با استفاده از نرم افزار PKD-GUI (در دسترس است به صورت آنلاین در https://github. com/TLKline/InstanceCystSeg) توسعه یافته در داخل خانه، ردیابی شدند. این نرم افزار امکان ردیابی با دست آزاد را فراهم می کند و بخش بندی های نهایی به عنوان فایل های فشرده NIFTI ذخیره می شوند. خوانندگان تنها از یک برچسب برای ردیابی همه کیست ها به استثنای لگن کلیه، عروق، بافت نرمال کلیوی و نواحی با شدت بالا کوچکتر از 4 وکسل استفاده کردند که نمی توان آنها را از نویز تصویر متمایز کرد. علاوه بر این، خوانندگان نسبت به اطلاعات بیمار و ردیابی خواننده دیگر کور شدند.

نمونه‌بندی کیست: مجموعه تست

یک نمونه اولیه از تقسیم‌بندی کیست از ردیابی دستی کیست با اعمال یک الگوریتم سه‌بعدی حوضه آبخیز بر روی نقشه فاصله اقلیدسی سه‌بعدی بر اساس تصاویر MRI و تقسیم‌بندی کیست (MATLAB، v.R2018b) ایجاد شد. الگوریتم برچسب های مختلفی را به هر کیست به ترتیب صعودی اختصاص داد. نمونه‌بندی کیست بعداً توسط همان خواننده‌ای که قطعه‌بندی دستی کیست را انجام داد، بررسی شد و در صورت لزوم (یعنی با تقسیم یا ادغام برچسب‌ها) با استفاده از نرم‌افزار داخلی که قبلاً توضیح داده شد، اصلاح شد.

مدل اولیه: پیش پردازش داده

استاندارد مرجع: مجموعه های آموزشی و اعتبار سنجی

برای تسریع فرآیند تقسیم‌بندی کیست برای مجموعه‌های آموزشی و اعتبارسنجی، یک الگوریتم تقسیم‌بندی کیست معنایی خودکار قبلاً توسعه‌یافته برای انجام قطعه‌بندی کیست یک‌برگی استفاده شد [36]. در مرحله بعد، تقسیم بندی حاصل تحت فرآیند سه بعدی حوضه که در بخش قبل توضیح داده شد، قرار گرفت. در نهایت، تصاویر توسط Reader 1 بررسی شدند.

قبل از آموزش مدل یادگیری عمیق، ماسک های تقسیم بندی به بخش بندی های معنایی به عنوان لبه کیست و هسته کیست تبدیل شدند. لبه با کم کردن ماسک کیست با ماسک کیست گشاد شده سه بعدی (با استفاده از یک 6-عنصر ساختاری متصل) به دست آمد. هسته کیست مانند ماسک کیست بود. فرآیند تبدیل به روش کیست به کیست (MATLAB, v.R2018b) انجام شد.

مدل اولیه: تقسیم بندی کیست نمونه معنایی

مدل یادگیری عمیق

مدل یادگیری عمیق مبتنی بر شبکه عصبی U-Net [37] با استفاده از ماژول های آغازین مشابه کار قبلی [36] است. ورودی مدل شامل 4 تصویر است:

3 برش MR متوالی و 1کلیهماسک تقسیم بندی مربوط به تصویر ورودی MR وسط. خروجی مدل، تصویر پیش‌بینی‌شده هسته لبه برای تصویر ورودی میانی است (شکل 2). برای اولین و آخرین برش MRI یک امتحان، اولین و سومین تصاویر ورودی به ترتیب ماتریس‌های بدون لایه بودند.

آموزش مدل

این مدل بر روی یک واحد پردازش گرافیکی NVidia (مدل: Tesla P40) با استفاده از کتابخانه Keras Python و Python 3.6.1 آموزش داده شد. تعداد دوره‌ها روی 200 با اندازه دسته‌ای 6 تنظیم شد. ارزیابی تقسیم‌بندی توسط تابع ضرر ژاکارد، که r تقسیم‌بندی مرجع، p تقسیم‌بندی پیش‌بینی‌شده، و N تعداد وکسل‌ها است، ارزیابی شد. بهینه ساز Adam با نرخ یادگیری=1e-3 استفاده شد.

مدل اولیه: پس از پردازش داده ها

به منظور اختصاص یک برچسب جداگانه به هر کیست، یک الگوریتم اجزای متصل با اتصال وکسل 6 همسایه به بخش‌بندی هسته‌ها در خروجی مدل یادگیری عمیق اعمال شد.

مدل نهایی: مجموعه داده های MRI

سی و پنج (n=35) تصویر MR 3 بعدی از بیماران مبتلا به ADPKD و 1.5-T یا 3-TT2-تصاویر وزنی اشباع شده از چربی تاج تاج، نماینده یک تصویر گسترده‌تر طیف وسیعی از مراحل مختلف توسعه کیست و بزرگ شدن کلیه به مجموعه داده ها از مدل اولیه اضافه شد. بخش بندی TKV برای همه موارد در دسترس بود. در مجموع، 6{15}} تصویر MR با اندازه ماتریس 256 × 256 × Z یا 512 × 512 × Z (با FOV و Z به اندازه کافی بزرگ برای پوشش کامل وسعت کلیه ها) مجموعه داده نهایی را تشکیل می دادند. اندازه متوسط ​​وکسل تصویر 1.41 میلی متر (محدوده 0}.8 تا 1.88 میلی متر) در صفحه، با ضخامت برش میانه 4.0 میلی متر (محدوده 3.0 تا 9.0 بود. میلی متر).

تصاویر بر اساس اندازه گیری های TKV مرتب شدند. چهل تصویر MR (شامل 25 تصویر از مدل اولیه) برای آموزش و اعتبارسنجی با استفاده از تکنیک اعتبارسنجی متقاطع چهارگانه استفاده شد. 20 تصویر MR باقی مانده برای آزمایش استفاده شد. شکل 3 توزیع TKV را برای همه مجموعه ها نشان می دهد.

مدل نهایی: استاندارد مرجع

نمونه‌بندی کیست از 35 تصویر MR جدید اضافه شده با استفاده از مدل اولیه ایجاد شد. دو خواننده مستقل تصاویر آزمایشی (n= 20) و یک خواننده تصاویر آموزشی/تأییدسنجی (n=15) را اصلاح کردند. در نهایت، تمام 60 ماسک قطعه‌بندی کیست و تصاویر MR مربوطه به ترتیب با استفاده از درون‌یابی‌های دوخطی و دو مکعبی به اندازه ماتریس 512 × 512 × 3Z نمونه‌برداری شدند. عملیات باز کردن برای هر نمونه کیست برای حفظ قطعه بندی دقیق نمونه پس از پردازش (یعنی اتساع پس از فرسایش هسته) اعمال شد.

بخش‌های نمونه به بخش‌بندی‌های لبه هسته معنایی تبدیل شدند که در آن هسته نتیجه نمونه‌های کیست فرسوده شده سه بعدی بود و لبه با افزودن لبه‌های نمونه کیست داخلی و دوبعدی خارجی به‌دست آمد. عملیات مورفولوژیکی سه بعدی و دو بعدی به ترتیب با استفاده از یک هسته اتصال 3 × 3 × 3 وکسل {{9} و یک هسته فعالیت 3 × 3 وکسل 4- انجام شد.

مدل نهایی: یادگیری گروهی

چهار مدل از مجموعه های اعتبارسنجی متقابل چهارگانه با استفاده از معماری U-Net نشان داده شده در شکل 2 به دست آمد. سه مدل با بهترین عملکرد در مجموعه اعتبار سنجی به عنوان مدل مجموعه نهایی ترکیب شدند. خروجی با رأی اکثریت سه بخش لبه و هسته تولید شد. نموداری از مدل نهایی مجموعه در شکل 4 نشان داده شده است.

مدل نهایی: پس از پردازش

از نتایج مدل اولیه، مشاهده شد که به دلیل وضوح تصویر کمتر در محور Z، برخی از هسته‌های کیست به کیست‌های خلفی/قدامی متصل شدند. به منظور بهبود تبدیل از تقسیم بندی معنایی به نمونه ای و با آگاهی از اینکه کیست ها شکلی شبیه به یک کره دارند، ابتدا نقشه فاصله اقلیدسی سه بعدی را بر روی تقسیم بندی هسته ها محاسبه کردیم. سپس، الگوریتم 3D Watershed برای شکافتن کیست هایی که ممکن است با تقسیم بندی لبه از هم جدا نشوند، اعمال شد. در مرحله بعد، با هدف حفظ هسته‌های کیست که عمدتاً از چند وکسل تشکیل شده‌اند که ممکن است پس از الگوریتم Watershed از بین بروند، یک الگوریتم اجزای متصل با 6-نزدیک‌ترین اتصال همسایه برای تفاوت بین نقشه هسته پیش‌بینی‌شده و سه بعدی اعمال شد. خروجی حوضه. برچسب‌های قطعه‌بندی نمونه اجزای سه‌بعدی متصل با شروع از یک به علاوه آخرین برچسب از خروجی آبخیز سه‌بعدی اختصاص داده شد. سپس، قطعه‌بندی نمونه اجزای متصل به تقسیم‌بندی نمونه حوضه اضافه شد. در نهایت، تمام موارد کیست به صورت سه بعدی توسط یک عنصر ساختاری متصل 3 × 3 × 3 وکسل 6- گشاد شدند. آخرین مرحله پس از پردازش، پایین آوردن نمونه تصویر به شکل اصلی آن بود.

تحلیل آماری

مدل اولیه و مجموعه با مقایسه تقسیم‌بندی کیست‌های نمونه خودکار با تقسیم‌بندی کیست استاندارد مرجع سه بعدی ارزیابی شد. تقسیم‌بندی‌های نمونه برای مقایسه وکسل با استفاده از شاخص جاکارد، ضریب سورنسن-دایس، دقت، یادآوری و تغییر حجم نسبی مطلق دودویی شدند. TCVs، محاسبه شده به عنوان مجموع تمام وکسل های تقسیم بندی شده ضرب در حجم وکسل، با تجزیه و تحلیل بلند-آلتمن و رگرسیون خطی ارزیابی شد. تعداد کل کیست ها با استفاده از رگرسیون خطی ارزیابی شد. در نهایت، شاخص کیست، به عنوان درصد حجم کیست نسبت به کل تعریف می شودکلیهحجم، با تجزیه و تحلیل بلند آلتمن و رگرسیون خطی ارزیابی شد. تجزیه و تحلیل آماری با استفاده از JMP (JMP، نسخه 14) و MedCalc (نرم افزار آماری MedCalc، نسخه 19.1.3) انجام شد.

نتایج

مدل اولیه: مجموعه تست 5 موردی - تقسیم بندی کیست

نتایج TCVهای محاسبه‌شده از تقسیم‌بندی انجام‌شده توسط Reader 1، Reader 2، و آنهایی که به‌طور خودکار با حالت اولیه به‌دست می‌آیند (مرتب بر اساس TKV صعودی) در جدول 1 مشاهده می‌شوند. تجزیه و تحلیل Bland-Altman منجر به سوگیری و دقت - 8.9 ± 7. 0 درصد بین Reader 1 و Reader 2، 0.9 درصد ± 32.2 درصد بین Reader 1 و مدل اولیه، و 9.5 ± درصد بین Reader 2 و مدل اولیه .

مدل اولیه: مجموعه تست 5 موردی - آنالیز تعداد کیست

تعداد کل کیست ها K1، 102، 115، 224 بود. K2, 96, 99, 105; K3, 274, 178, 183; K4, 676, 755, 721; و K5، 279، 177، 145 کیست، به ترتیب برای Readers 1، 2، و مدل اولیه. تجزیه و تحلیل رگرسیون خطی منجر به R{22}}.94 بین Reader 1 و Reader 2، R2=0.82 بین Reader 1 و مدل اولیه و R2=0.96 بین Reader 2 و مدل اولیه

یک برش نماینده از سه مورد آزمایشی که تفاوت‌های بین Reader 1، Reader 2 و مدل اولیه را نشان می‌دهد در شکل 5 ارائه شده است. در بیشتر موارد، مدل یک برچسب به کیست های خوشه ای اختصاص داد. فلش قرمز تفاوت بین Reader 1 و Reader 2 را نشان می دهد، جایی که Reader 1 شدت روشن را به عنوان بخشی از لگن کلیه مشاهده نمی کند اما Reader 2 این ناحیه را به عنوان کیست تفسیر می کند.

مدل نهایی: مجموعه تست 20 موردی - تقسیم بندی کیست

جدول 3 معیارهای شباهت بین Reader 1، Reader 2، و مدل نهایی را برای 20-مجموعه آزمون موردی خلاصه می کند. مشاهده کردیم که معیارهای شباهت بین Reader 1 و Reader 2 در مقایسه با نتایج حاصل از 5-مجموعه آزمون موردی اولیه، تطابق بیشتری را نشان می‌دهند. این می تواند ناشی از یک اثر سوگیری باشد زیرا هر دو خواننده از یک تقسیم بندی نمونه اولیه تولید شده توسط مدل اولیه شروع کردند. علاوه بر این، ما عملکرد مشابهی را بین مدل نهایی و هر دو خواننده مشاهده کردیم، با در نظر گرفتن اینکه مجموعه آزمایشی شامل طیف گسترده‌ای از فنوتیپ‌های ADPKD است.

تجزیه و تحلیل بلند-آلتمن از TCV منجر به سوگیری و دقت 12.5 ± 10.1 درصد بین Reader 1 و Reader 2، 10.2 ± 11.2 درصد بین Reader 1 و مدل مجموعه، - 2.3 ± 9.9 درصد بین Reader 2 و مدل گروهی، و 4.3 ± 9.3 درصد بین میانگین Reader 1 با Reader 2 و مدل گروهی. تجزیه و تحلیل رگرسیون خطی منجر به توافق کامل (R{22}}.00) بین Reader 1 و مدل مجموعه، Reader 2 و مدل مجموعه، و میانگین خواننده با مدل مجموعه شد. تحلیل رگرسیون بین Reader 1 و Reader 2 همبستگی تقریباً کاملی را با R{28}.98 نشان داد. شکل 6 نمودارهای Bland-Altman و رگرسیون خطی را برای TCV نشان می دهد.

تجزیه و تحلیل Bland-Altman از شاخص کیستیک منجر به سوگیری و دقت 12.6 ± 10.5 درصد بین Reader 1 و Reader 2، 10.2 ± 11.2 درصد بین Reader 1 و مدل مجموعه، - 2.4 درصد ± 9.8 درصد بین Reader 2 و مدل گروهی، و 4.3 ± 9.4 درصد بین میانگین خواننده و مدل گروهی. بهترین همبستگی شاخص کیست بین میانگین هر دو خواننده و مدل گروه بود (R{20}}.94). تجزیه و تحلیل رگرسیون خطی منجر به R2=0.90 بین Reader 1 و Reader 2، R2=0.92 بین Reader 1 و مدل مجموعه، R2=0.90 بین Reader 2 و مجموعه شد. مدل. شکل 7 نمودارهای Bland-Altman و رگرسیون خطی را برای شاخص کیستیک نشان می دهد.

مدل نهایی: مجموعه تست 20 موردی - آنالیز تعداد کیست

تعداد کل کیست‌های به‌دست‌آمده از بخش‌بندی‌های کیست نمونه با همبستگی آنالیز شد (شکل 8). Reader 2 و مدل گروهی قوی‌ترین همبستگی را با R2=0.96 نشان دادند، جایی که مدل کیست‌های کمی بیشتر از Reader 2 شناسایی کرد. مقایسه بین Reader 1 و مدل گروه نهایی تطابق خوبی را نشان می‌دهد (R{{6} }.88)، که در آن Reader 2 کیست های بیشتری را نسبت به مدل مجموعه برای اکثر موارد شناسایی کرد. با این حال، میانگین تعداد کیست بین ناظر، مطابقت عالی با تعداد کیست مدل گروهی (R{10}}.94) نشان داد (شکل 8d). در نهایت، مقایسه بین Reader 1 و Reader 2 کمترین تطابق را با R{15}}.83 نشان داد، جایی که Reader 1 کیست های بیشتری را نسبت به Reader 2 شناسایی کرد.

یک برش نماینده از سه مورد آزمایشی در شکل 9 ارائه شده است. ما می‌توانیم مشاهده کنیم که روش خودکار تقسیم‌بندی نمونه خوبی را برای موارد ADPKD با کیست‌های خوشه‌ای چندگانه (که چالش‌برانگیزترین موارد برای الگوریتم هستند) فراهم می‌کند و نتایج به صورت بصری به نظر می‌رسند. همتراز با تقسیم‌بندی‌های نمونه از دو خواننده.

در نهایت، مقایسه بین TKV (یعنی نشانگر اصلی تصویربرداری برای ارزیابی ADPKD) و TCV و تعداد کیست در شکل 10 نشان داده شده است. با این حال، تنها 53 درصد از تغییرات در تعداد کیست با ارتباط خطی آن با TKV توضیح داده می شود. این شواهدی را ارائه می دهد که تعداد کیست می تواند اطلاعات فنوتیپی اضافی فراتر از TKV ارائه دهد.

بحث

در این مطالعه، ما اولین رویکرد یادگیری عمیق را برای تقسیم‌بندی نمونه‌های کیست خوشه‌ای چندگانه در تصاویر MR برای بیماران ADPKD ارائه می‌کنیم. مقایسه TCV پیش‌بینی‌شده، تعداد کیست و شاخص کیست با نتایج دو خواننده نشان داد که یک رویکرد خودکار می‌تواند قطعه‌بندی کیست‌های نمونه سه بعدی دقیقی را ایجاد کند.

مدل‌های یادگیری عمیق به مقادیر زیادی داده نیاز دارند تا بهترین نتایج را ایجاد کنند. فقدان تصاویر مشروح سه بعدی یک گلوگاه بزرگ در ابتدای مطالعه بود. 5 تصویر تقسیم شده به صورت دستی در مجموعه آزمایش اولیه چندین هفته طول کشید تا تکمیل شوند و بسیار کار فشرده بودند. چالش برانگیزترین تصاویر مربوط به بیماران پیشرفته/شدید ADPKD هستند که در آن کیست های متعدد در کنار هم قرار گرفته اند و مرزها به اندازه زمانی که کیست ها توسط کیست احاطه شده اند مشخص نیستند.کلیهپارانشیم برای غلبه بر این مانع، مطالعه به دو بخش تقسیم شد تا با یادگیری فعال این مشکل حل شود. بخش اول مطالعه شامل یک مدل اولیه بود که بر روی یک مجموعه داده کوچک آموزش داده شده بود. بخش دوم مطالعه شامل توسعه مدل نهایی با استفاده از یک مجموعه داده بزرگتر بود که در آن استاندارد مرجع توسط مدل اولیه مقداردهی شد.

نتایج این مطالعه با نتایج به دست آمده توسط Bae و همکاران همتراز است. [33]، جایی که او یک روش نیمه خودکار را برای تولید نمونه‌های کیست پیشنهاد کرد. سوگیری TCV گزارش شده با استفاده از تقسیم بندی نیمه خودکار در مقایسه با حجم مبتنی بر ناحیه 9-- درصد با R{5}}.98 برای تعداد کیست بود. در مطالعه ما، بایاس TCV بین خوانندگان و روش کاملاً خودکار به ترتیب 10.2 درصد و 2.3- درصد بود، با R{11}}.94 برای تعداد کیست. شایان ذکر است که مجموعه تست در مطالعه ما شامل مواردی با TCV بالاتر و تعداد کیست بیشتر است و مدل مجموعه پیشنهادی نیازی به ورودی کاربر ندارد.

کیست ها در تصاویر MR می توانند با شدت های مختلف بسته به ترکیب کیست نشان داده شوند. بیشتر کیست‌ها در ADPKD کیست‌های ساده هستند (یعنی حاوی اجزای جامد نیستند) و به‌عنوان مناطق بسیار شدید در تصاویر MR وزن‌دار T{0}} نشان داده می‌شوند. با این حال، کیست‌های پیچیده (مانند کیست‌های پروتئینی، هموراژیک، عفونی)، اغلب به‌عنوان مناطق کم‌شدت دیده می‌شوند [38]. منبع دیگری از تفاوت در شدت کیست بسته به قدرت میدان مغناطیسی اسکنر MR مشاهده می شود. اسکنرهای سه تسلا قدرت میدان مغناطیسی بالاتری دارند و SNR بالاتری ارائه می‌دهند، بنابراین کیفیت تصویر و کنتراست کیست بهتری دارند. برای ارائه دقیق قطعه بندی کیست، روش خودکار مورد نیاز است

شدت ثابت بودن با هدف افزایش قابلیت تعمیم مدل، مدل گروه نهایی بر روی تصاویر به دست آمده با اسکنرهای 1.{1}}T و 3-T MR آموزش داده شد. علاوه بر این، ما تصاویری را که کیست‌های پیچیده را در طیف گسترده‌ای از فنوتیپ‌ها و تصاویر ADPKD با وضوح‌های مختلف ارائه می‌کنند، قرار دادیم. علاوه بر این، گروه شامل مواردی با TKV بود که از حجم‌های نزدیک به حجم نرمال متغیر بودکلیه ها(~ 290 میلی‌لیتر) تا کیس‌هایی که تقریباً به 10،{2}} میلی‌لیتر می‌رسد، که عملاً کل طیف تلویزیون‌های ADPKD را پوشش می‌دهد. دو مثال از تعمیم‌پذیری بهبود یافته مدل گروهی نسبت به مدل اولیه را می‌توان در شکل 11 مشاهده کرد، جایی که مدل نهایی قادر به شناسایی کیست‌هایی با شدت کمتر بود.

The conversion from instance cyst segmentation to semantic edge-core segmentation for training the model is another key step, particularly for clustered cysts. The semantic edge segmentation for the initial model was generated by applying a dilation morphology operator. This approach was chosen because some cysts are present on only one slice and an erosion approach would not preserve these cysts after the conversion. The dilation method provided a good estimation of the cyst edges on the in-plane view (x and y view) but, due to the lower resolution on the Z dimension, the posterior and anterior cyst edges interfered with adjacent cysts. For the final model, we decided to generate the semantic edge segmentation applying the erosion morphology operator. To preserve all cysts, the MR images and the corresponding instance segmentations were interpolated to a size 512 × 512 × 3Z. Thus, cysts present on only one slice would be interpolated to 2 additional slices. We up-sampled the images with an in-plane matrix size of 256 × 256 to 512 × 512 because the ensemble model requires a consistent input matrix size. To account for the higher class imbalance (core class >>کلاس لبه) به دلیل درون یابی، اتساع 2 بعدی لبه ها را انجام دادیم. حفظ بهبود یافته TCV و تعداد کیست رویکرد فرسایشی نسبت به روش اتساع را می توان در شکل 12 مشاهده کرد.

طراحی مدل نهایی شامل مجموعه رای گیری از سه مدل مختلف بود. این مدل‌ها سه مدل برتر با بهترین عملکرد در مجموعه اعتبارسنجی به‌دست‌آمده از روش اعتبارسنجی متقاطع چهارگانه بودند. مدل گروهی با الگوریتم رای اکثریت اجرا شد زیرا گروه‌های رای‌دهنده با ثبات‌تر بودن و عملکرد بهتر نسبت به مدل‌های منفرد مشخص می‌شوند [36]. نتایج توافق بین مدل‌های جداگانه، مدل مجموعه و خوانندگان را می‌توان در بخش مواد تکمیلی یافت.

یکی از محدودیت های تصویربرداری MR وضوح کم برای نشان دادن میکروکیست ها است. میانگین حجم وکسل در این مطالعه {{0}} بود.00.0034 ± 076 میلی‌لیتر. با این حال، با توجه به نویز ذاتی موجود در تصاویر MR (به عنوان مثال، نویز نمک و فلفل)، ما یک آستانه اندازه کیست پایین‌تر از 4 وکسل (میانگین قطر داخل صفحه 0.48 ± 2.76 میلی‌متر) پس از پردازش اعمال کردیم.

رویکردهای تشخیص اشیاء برای انجام تقسیم‌بندی نمونه برای نمونه‌های همپوشانی و خوشه‌ای به دلیل عملکرد بالا در تصاویر پزشکی طبیعی و دوبعدی به طور فزاینده‌ای محبوب می‌شوند [18-26]. با این حال، نیازهای بالای حافظه GPU، اجرای این رویکرد را برای تصاویر سه بعدی با تعداد نمونه های زیاد غیرممکن می کند. لیو و همکاران [27] یک مدل مبتنی بر Mask R-CNN برای تقسیم‌بندی گره‌های ریه بر روی تصاویر CT پیاده‌سازی کرد. اگرچه ندول های ریه به اندازه کیست ها در ADPKD وجود ندارند، لیو و همکاران. al از یک استراتژی مبتنی بر پچ برای توضیح ابعاد سی تی اسکن و حافظه محدود GPU استفاده کرد. در تلاش برای کاهش پیچیدگی محاسباتی، برخی از محققان از روش‌هایی مشابه قضیه 4 رنگ برای آموزش الگوریتم یادگیری عمیق برای پیش‌بینی تقسیم‌بندی نمونه دو بعدی استفاده کرده‌اند [39]. اگرچه این رویکرد برای تصاویر دو بعدی به خوبی کار می کند، اما مشخص نیست که چه تعداد رنگ برای تصاویر سه بعدی ضروری است، به ویژه برای مشکل ما در شناسایی خودکار و تشخیص جداگانه صدها تا هزاران کیست. در این مطالعه، ما از یک رویکرد تقسیم‌بندی نمونه معنایی استفاده کردیم که عملکرد بسیار مشابهی با دو خواننده با تجربه داشت و اگرچه از عملگرهای مورفولوژی برای تبدیل تصاویر از نمونه به معنایی و تقسیم‌بندی معنایی به نمونه استفاده کردیم، نشان داده‌ایم که این عملیات انجام نمی‌شود. بر حجم نهایی کیست و تعداد کل کیست تأثیر می گذارد. توسعه آینده استراتژی‌های قطعه‌بندی نمونه ممکن است نیاز به چنین نیازهای حافظه بالایی را کاهش دهد و اجرای قطعه‌بندی نمونه کیست را با استفاده از یک روش مبتنی بر مکان‌یابی/تشخیص شیء انجام دهد.

محدودیت اصلی مطالعه فقدان استاندارد طلا بود. تعداد دقیق کیست ها و مقادیر TCV در دسترس نبود. بنابراین، ما به دقت دو خواننده تصویر پزشکی آموزش دیده تکیه کردیم. محدودیت دیگر اندازه گروه کوچک بود که ما را از تجزیه و تحلیل ارزش بالینی این بیومارکرهای جدید تصویربرداری باز می داشت. با این حال، این هدف اصلی ما برای کار آینده است. در نهایت، تصاویر فقط از موسسه ما بود که با همان پروتکل تصویربرداری به دست آمده بود. مجموعه داده بزرگتر با نمونه هایی از موسسات و فروشندگان ماشین های مختلف می تواند به تعمیم بیشتر مدل نمونه کیست کمک کند. علاوه بر این، این کار را می توان از طریق یادگیری فعال به سایر توالی های MR مانند T{0}}تصاویر غیر چربی اشباع وزن دار و تصاویر وزن T{2}} گسترش داد، که ممکن است اطلاعات مورفولوژیکی کیست جدید را به مدل اضافه کند. علاوه بر این، یک معماری مشابه را می توان برای سایر روش های تصویر مانند سی تی اسکن اعمال کرد.

نتیجه گیری

ما یک روش کاملاً خودکار برای تقسیم‌بندی نمونه سه بعدی کیست‌های کلیه در تصاویر T2 MR برای بیماران ADPKD با بیماری خفیف، متوسط ​​و شدید ایجاد کرده‌ایم. مطالعات آینده با مجموعه داده بزرگتر برای درک بهتر چگونگی ارتباط این بیومارکرهای اضافی با وضعیت بیماری و پیش آگهی بیمار مورد نیاز است.

اعلامیه ها

تضاد منافعنویسندگان اظهار کردند که هیچ علاقه ای به رقابت ندارند.

دسترسی آزاداین مقاله تحت مجوز Creative Commons Attribution 4 مجوز دارد.0 مجوز بین‌المللی، که اجازه استفاده، اشتراک‌گذاری، اقتباس، توزیع، و تکثیر را در هر رسانه یا قالبی می‌دهد، تا زمانی که اعتبار مناسب را به نویسنده(های) اصلی بدهید. ) و منبع، پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییراتی ایجاد شده است یا خیر. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است، مگر اینکه در خط اعتباری مطالب به شکل دیگری مشخص شده باشد. اگر مطالب در مجوز Creative Commons مقاله گنجانده نشده است و استفاده مورد نظر شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود، باید مستقیماً از دارنده حق نسخه برداری مجوز دریافت کنید.

منابع

1. Willey C، Kamat S، Stellhorn R، Blais J: تجزیه و تحلیل داده های سراسری برای تعیین میزان بروز و شیوع بیماری کلیه پلی کیستیک اتوزومال غالب در ایالات متحده: 2013-2015. بیماری های کلیه 5:107-117، 2019

2. Torres VE، Harris PC، Pirson Y: بیماری کلیه پلی کیستیک اتوزومال غالب. The Lancet 369:1287-1301، 2007

3. Perrone RD و همکاران: حجم کلی کلیه یک بیومارکر پیش آگهی کاهش عملکرد کلیه و پیشرفت به مرحله نهایی بیماری کلیه در بیماران مبتلا به بیماری کلیه پلی کیستیک اتوزومال غالب است. نماینده کلیه Int 2:442-450، 2017

4. Alam A، و همکاران: حجم کل کلیه در بیماری کلیه پلی کیستیک اتوزومال غالب: نشانگر زیستی پیشرفت بیماری و اثربخشی درمانی. Am J Kidney Dis 66:564-576، 2015

5. Tangri N, Hougen I, Alam A, Perrone R, McFarlane P, Pei Y: حجم کل کلیه به عنوان بیومارکر پیشرفت بیماری در بیماری کلیه پلی کیستیک اتوزومال غالب. Can J Kidney Health Dis 4:2054358117693355، 2017

6. هریس پی سی و همکاران: تعداد کیست اما نه سرعت رشد کیستیک با ژن جهش یافته در بیماری کلیه پلی کیستیک اتوزومال غالب مرتبط است. J Am Soc Nephrol 17:{2}}، 2006

7. Irazabal MV، و همکاران: طبقه بندی تصویربرداری بیماری کلیه پلی کیستیک اتوزومال غالب: یک مدل ساده برای انتخاب بیماران برای آزمایشات بالینی. J Am Soc Nephrol 26:160-172، 2015

8. Bae KT و همکاران: Expanded Imaging Classification of Autosomal Dominant Polycystic Kidney Disease. جی ام سوک نفرول، 2020

9. Qi CR، Su H، Mo K، Guibas LJ: Pointnet: یادگیری عمیق در مجموعه های نقطه برای طبقه بندی و تقسیم بندی سه بعدی. Proc. در نشست سالانه CVPR2017 ارائه شد

10. Garcia-Garcia A، Orts-Escolano S، Oprea S، Villena-Martinez V، Garcia-Rodriguez J: مروری بر تکنیک های یادگیری عمیق که برای تقسیم بندی معنایی به کار می روند. پیش چاپ arXiv، 2017

11. Gupta A, Vedaldi A, Zisserman A: داده های مصنوعی برای محلی سازی متن در تصاویر طبیعی. Proc. در نشست سالانه CVPR2017 ارائه شد

12. Litjens G، و همکاران: بررسی در مورد یادگیری عمیق در تجزیه و تحلیل تصویر پزشکی. Med Image Anal 42:60-88، 2017

13. شارما ک، و همکاران: تقسیم بندی خودکار کلیه ها با استفاده از یادگیری عمیق برای تعیین کمیت حجم کلی کلیه در بیماری کلیه پلی کیستیک اتوزومال غالب. Sci Rep 7:2049، 2017

14. Turco D، Valinoti M، Martin EM، Tagliaferri C، Scolari F، Corsi C: بخش‌بندی کاملاً خودکار کلیه‌های پلی کیستیک از توموگرافی کامپیوتری بدون کنتراست: یک مطالعه امکان‌سنجی و

نتایج اولیه. Acad Radiol 25:850-855، 2018

15. Kline TL، و همکاران: عملکرد یک شبکه عصبی عمیق چند ناظر مصنوعی برای تقسیم بندی کاملاً خودکار کلیه های پلی کیستیک. J Digit Imaging 30:442-448، ۲۰۱۷

16. van Gastel MD، Edwards ME، Torres VE، Erickson BJ، Gansevoort RT، Kline TL: اندازه گیری خودکار حجم کلیه و کبد از تصاویر MR بیماران مبتلا به بیماری کلیوی پلی کیستیک اتوزومال غالب. J Am Soc Nephrol 30:1514-1522، 2019

17. He K، Gkioxari G، Dollár P، Girshick R: Mask r-cnn. Proc. مجموعه مقالات کنفرانس بین المللی IEEE در بینایی کامپیوتر

18. Prabhakar G، Kailath B، Natarajan S، Kumar R: تشخیص و طبقه بندی موانع با استفاده از یادگیری عمیق برای ردیابی در رانندگی خودکار با سرعت بالا. Proc. سمپوزیوم منطقه 10 IEEE 2017 (TENSYMP)

19. Huang Z، Zhong Z، Sun L، Huo Q: ماسک R-CNN با شبکه توجه هرمی برای تشخیص متن صحنه. Proc. کنفرانس زمستانی IEEE 2019 درباره کاربردهای بینایی کامپیوتری (WACV)

20. Yu Y، Zhang K، Yang L، Zhang D: تشخیص میوه برای ربات برداشت توت فرنگی در یک محیط غیر ساختاری بر اساس Mask-RCNN. Comput Electron Agric 163:104846، 2019