Quadro per la stima della funzione renale mediante risonanza magnetica

Scopo astratto: Nefrologihanno previsto empiricamentefunzione renaledamorfologia renale. Nella diagnosi di un caso di disfunzione renale di decorso sconosciuto, vengono diagnosticati danno renale acuto e malattia renale cronica mediante esami del sangue e uno studio di imaging che include la risonanza magnetica (MRI) e viene determinata una politica di esame/trattamento. Viene proposto un quadro per la stima della funzione renale dalle immagini dell'acqua ottenute utilizzando il metodo Dixon per fornire informazioni che aiutino i medici a raggiungere una diagnosi stimando accuratamentefunzione renalesulla base della risonanza magnetica renale.

CLICCA QUI PER OTTENERE L'ESTRATTO NATURALE DI CISTANCHE ORGANICHE CON IL 25% DI ECHINACOSIDE E IL 9% DI ACTEOSIDE PER LA FUNZIONE RENALE

Approccio:Il quadro proposto si compone di quattro fasi. Innanzitutto, l'area renale viene estratta mediante risonanza magnetica utilizzando il metodo Dixon con una rete a U mediante deep learning. In secondo luogo, la regione renale estratta viene registrata con la maschera target. In terzo luogo, le caratteristiche renali vengono calcolate in base alle informazioni sulla classificazione della maschera target create da uno specialista. In quarto luogo, la stimavelocità di filtrazione glomerulare(eGFR) che rappresenta ilfunzione renaleviene stimato utilizzando una macchina vettoriale di supporto della regressione dalle caratteristiche calcolate.

Risultati:Per la valutazione dell'accuratezza, abbiamo sperimentato per stimare ileGFRquando è stata eseguita la risonanza magnetica e ileGFRpendenza, che è il tasso annuo di declino dell’eGFR. Quando è stata valutata l'accuratezza per 165 soggetti, è stato stimato che l'eGFR avesse un errore quadratico medio (RMSE) di 11,99 e un coefficiente di correlazione di 0,83. Inoltre, si stima che la pendenza dell'eGFR abbia un RMSE di 4,8 e un coefficiente di correlazione di 0,5.

Conclusioni:Pertanto, il metodo proposto mostra la possibilità di stimare la prognosi della funzione renale sulla base delle immagini dell'acqua ottenute con il metodo Dixon.

Parole chiave:stima quantitativavelocità di filtrazione glomerulare; risonanza magnetica;rene.

1. Introduzione

Malattia renale cronica(CKD) è definita come una diminuzione persistente della stimavelocità di filtrazione glomerulare(eGFR) a<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 toarteriosclerosiEimmunodeficienza, COSÌinsufficienza renale cronicapuò essere visto come correlato a diverse importanti cause di morte.1,2 CKDè un problema medico globale che colpisce dall'8% al 16% della popolazione mondiale.3 A causa dell'ampia varietà di cause della malattia renale cronica, non esiste un intervento terapeutico specifico ed è necessario individuare precocemente la malattia e controllare i fattori di rischio per danno ai reni.

Quando un nefrologo tratta un paziente condisfunzione renalecon un decorso clinico sconosciuto, il nefrologo spesso fa riferimento ai risultati dell'imaging del rene oltre ai dati di laboratorio e all'anamnesi. A tal fine sono utili l'ecografia renale, la tomografia computerizzata addominopelvica e la risonanza magnetica renale (MRI). Il nefrologo prevede la potenziale funzione renale suggerita dalla morfologia e riflette questo potenziale nella pianificazione del trattamento. La RM ha una risoluzione particolarmente buona in termini di contrasto dei tessuti molli e, con l'uso di metodiche di imaging appropriate, è possibile ottenere informazioni dettagliate sulla struttura interna del rene, come il bordo corticomidollare.4 Inoltre, la RM può anche fornire dati sugli aspetti fisiologici del rene. Il valore T2* dell'ossigenazione del sanguedipendente dal livello(BOLD) è un indice di ischemia/ipossia, che può portare alla progressione della CKD, ed è significativamente correlato al tasso di peggioramento della CKD.5,6 Il valore del coefficiente di diffusione apparente dell'immagine pesata in diffusione è un indice correlata alla fibrosi renale ed è significativamente correlata con i risultati patologici della biopsia renale.7 Come descritto sopra, ci sono grandi aspettative riguardo alla MRI come metodo di valutazione renale non invasivo e multiforme, ma la MRI presenta uno svantaggio: non esiste un metodo disponibile per la quantificazione completa di immagini.

Tradizionalmente, le immagini mediche vengono misurate con il metodo della regione di interesse (ROI). Nel metodo ROI viene selezionata un'area rettangolare o circolare e il valore medio delle intensità del segnale nell'area viene utilizzato come valore rappresentativo. I problemi con questo metodo includono la possibilità che decisioni arbitrarie prese dall'osservatore possano comportare difficoltà nell'inclusione delle informazioni sulla posizione e il fatto che solo una parte dell'immagine può essere misurata. Pruijm et al.5 hanno proposto il metodo degli 12-oggetti concentrici a strati (TLCO) per analizzare la regione renale dividendo questa regione in 12 strati. Il metodo TLCO è un metodo per designare l'interno e l'esterno della regione renale e analizzare l'intera area in base ai 12 strati. Le regioni esterna (corteccia) ed interna (midollare) del rene hanno strutture e funzioni diverse e il metodo TLCO considera la struttura peculiare del rene. Inoltre, è stato riportato che il metodo TLCO è più stabile del metodo ROI perché l'intera regione renale viene stratificata e analizzata semplicemente specificando le regioni esterna ed interna.8 Tuttavia, le immagini ottenute clinicamente possono essere atrofizzate o deformate quando il rene è danneggiato e può mostrare differenze individuali o contenere cisti. Pertanto, non è sempre possibile dividere i reni in modo uniforme in più strati, con conseguenti risultati instabili. Pertanto, esiste il desiderio di un metodo di analisi renale completamente automatico e stabile.

Come metodo di quantificazione completo per le immagini renali, Kuo et al.9 hanno proposto un metodo per stimare l'eGFR al momento dell'esame utilizzando immagini ultrasoniche e deep learning. In contrasto,diagnosi assistita da computerSono stati riportati studi (CAD) sulla risonanza magnetica renale e studi su reni trapiantati. Khalifa et al.10 hanno proposto un quadro che stima il rigetto dei reni trapiantati utilizzando il metodo di risonanza magnetica con contrasto potenziato di serie temporali (DCE-MRI). In questo metodo, le immagini ottenute dalla serie temporale DCE-MRI vengono allineate e la regione renale viene estratta utilizzando il metodo level-set. L'allineamento viene quindi corretto e la corteccia viene calcolata e analizzata in base alla luminosità della regione renale estratta. Shehata et al.11 hanno proposto un metodo per stimare il rigetto dei reni trapiantati utilizzando il deep learning. Il metodo DCE-MRI richiede un mezzo di contrasto e non può essere applicatocasi di insufficienza renale cronica. Inoltre, è difficile estrarre la corteccia in base alla luminosità nei reni compromessi.

In questo studio, abbiamo tentato di risolvere i problemi di cui sopra e di sviluppare un metodo di valutazione completo per la risonanza magnetica renale che possa essere applicato come test clinico. Sfruttando la stretta relazione tra morfologia renale e funzione renale, le immagini dell'acqua utilizzate nel metodo Dixon per valutare la struttura interna del rene sono state utilizzate per valutare il target e l'etichetta corretta era eGFR, che è un indice di funzionalità renale funzione. Le tecniche Dixon si basano sulla differenza nella frequenza di risonanza tra grasso e acqua e, pertanto, vengono acquisite immagini di solo grasso, di sola acqua, in fase e fuori fase.12 Nel rene, dove le cellule ricche di acqua il parenchima dell'organo è circondato da grasso, immagini Dixon o simili soppresse dal grasso distinguono chiaramente il parenchima renale dalla struttura circostante. Proponiamo un metodo per estrarre la regione renale dalle immagini di risonanza magnetica con una rete a U, convertendo la regione renale estratta in un corpo non rigido nella maschera target e quindi analizzando questa regione in base alTLCO (Italiano)della maschera bersaglio.

Fig. 1 Sistema CAD proposto per la stima della pendenza della velocità di filtrazione glomerulare dalla risonanza magnetica utilizzando il metodo Dixon.

2 Materiali e metodi

Il quadro automatizzato proposto è mostrato in Fig. 1. Il quadro proposto utilizza i seguenti quattro passaggi per elaborare la risonanza magnetica del metodo Dixon:

1. Segmentazione dell'area renale dalle strutture addominali circostanti mediante U-net.

2. Rimozione del rumore mediante etichettatura tridimensionale (3D). 3. Registrazione non rigida dell'area renale e della maschera target. 4. Calcolo del TLCO. 5. Stima della funzionalità renale (eGFR) mediante una macchina vettoriale di supporto alla regressione (SVM).

In questo articolo, il metodo proposto è il metodo TLCO automatico (A-TLCO) che compensa i punti deboli del metodo TLCO precedentemente riportato e automatizza il processo di misurazione. I dettagli del metodo sono descritti di seguito per distinguere il metodo proposto dal metodo TLCO manuale convenzionale.

2.1 Area dei reni

Viene segmentato dalle strutture addominali circostanti mediante U-net Le immagini dell'acqua del metodo Dixon utilizzate in questo studio hanno una regione renale chiara. Inoltre, questa sezione descrive un'estrazione approssimativa della regione renale. Pertanto, abbiamo deciso di utilizzare U-net, che è noto per fornire buoni risultati per l'estrazione di aree di immagini mediche.13 Sono state utilizzate sezioni coronali di immagini dell'acqua Dixon. Sono presenti da tre a sei immagini suddivise per soggetto e la dimensione dell'immagine è 320 × 320. Abbiamo utilizzato 1201 immagini di 174 casi. Tutte le immagini sono state create da uno specialista come immagine di segmentazione renale. La Figura 2 mostra la rete a U utilizzata per l'estrazione della regione renale. La rete discrimina tra tre classi: rene, confini renali e altri tessuti. Tuttavia, esiste una distribuzione sbilanciata dei campioni nella classe dei confini del rene rispetto alle altre classi di tessuti. Abbiamo utilizzato una perdita di entropia incrociata ponderata per compensare questo squilibrio e ottenere un apprendimento più accurato durante l'addestramento della rete. Abbiamo utilizzato softmax con perdita di entropia incrociata ponderata per l'output di rete e il confronto delle etichette reali.

Fig. 2 L'architettura U-net utilizzata per l'estrazione della regione renale in questo studio.

Fig. 3 Risultati dell'estrazione della regione renale mediante U-net: (a) originale, (b) maschera e (c) risultato.

La minimizzazione dei costi su 50 epoche è stata eseguita utilizzando l'ottimizzatore della stima del momento adattivo con un tasso di apprendimento di 0,0001. Il tempo di addestramento per questa rete è stato di circa 1 ora su una workstation con una GPU NVIDIA TITAN RTX × 2. Un totale di 1201 immagini sono state divise in 600 e 601 immagini ed è stata eseguita la classificazione per estrarre la regione renale. L'esperimento di stima della funzionalità renale è stato quindi eseguito per tutti i soggetti. La Figura 3 mostra i risultati dell'estrazione ottenuti da U-net. La Figura 3 (a) è un'immagine di input e la Figura 3 (b) è un'immagine dell'insegnante. La Figura 3 (c) mostra il risultato dell'estrazione. Si può confermare che ci sono pochi falsi positivi e che è possibile estrarre la regione vicina alla regione renale.

2.2 Falsi rilevamenti

Rimozione mediante etichettatura 3D Sebbene la regione renale rilevata da U-net fosse estremamente accurata, si è verificato un falso rilevamento. I falsi positivi vengono estratti per organi diversi dai reni, come mostrato in Fig. 4 (b). Ciò potrebbe essere dovuto al fatto che quando U-net viene addestrato con patch 64 × 64, le informazioni spaziali più grandi della dimensione della patch vengono perse. Per migliorare questo problema, vengono presi in considerazione metodi che includono il rilevamento della posizione del rene mediante il rilevamento di oggetti, come Faster R-CNN14 o YOLOv3,15, e l'applicazione della segmentazione semantica in una regione ristretta. Tuttavia, in questo studio, il confine del rene mediante U-net è ben discriminato e ci sono pochi falsi positivi per altri organi, quindi non c'è bisogno di complicare il processo. Pertanto, abbiamo deciso di eseguire un'etichettatura 3D per ciascun soggetto ed escludere aree diverse da quelle di ampia superficie. I risultati elaborati sono mostrati in Fig. 4. Le Figure 4 (a) –4 (c) mostrano i risultati dell'estrazione mediante U-net. Si può confermare che i falsi positivi si verificano in aree diverse dalla regione renale. Le Figure 4(d)–4(f) mostrano i risultati dell'etichettatura 3D e dell'esclusione di aree con un'area 3D pari o inferiore a 2500 pixel. Questa procedura è stata applicata a tutte le 1201 immagini ed è stato confermato che non vi erano casi di inclusione accidentale della regione renale

Fig. 4 Area del rene ottenuta da U-net: (a) fetta 1, (b) fetta 2 e (c) fetta 3. Risultato dell'eliminazione dell'area del rumore mediante etichettatura 3D: (d) fetta 1, (e) fetta 2 e (f) fetta 3.

2.3 Registrazione non rigida dell'area renale e della maschera bersaglio

Un metodo efficace per stimare la funzione renale consiste nell'analizzare la struttura del rene considerando il rene dal punto di vista anatomico.5,16 Tuttavia, affinché uno specialista possa estrarre manualmente la regione renale, sono necessari tempo e impegno. Inoltre, le misurazioni manuali daranno risultati diversi a seconda dello specialista. Pertanto, proponiamo un metodo mediante il quale identificare automaticamente le posizioni della corteccia e del midollo di tutte le immagini registrando tutte le regioni renali estratte da U-net su una maschera target. Il metodo di registrazione viene eseguito in due passaggi utilizzando una funzione MATLAB. Il primo passo è una trasformazione affine basata sulla luminosità. Il metodo di registrazione basato sulla luminosità calcola la somiglianza tra due immagini, ripete la trasformazione affine in modo che la somiglianza sia elevata e stima la trasformazione geometrica (traslazione/rotazione/ridimensionamento/taglio) con la massima somiglianza. I risultati dell'elaborazione sono mostrati in Fig. 5. La Figura 5 (a) è l'immagine originale. La Figura 5 (b) mostra i risultati dell'estrazione della regione renale mediante U-net. La Figura 5 (c) è la maschera target. La Figura 5 (c) è la regione renale di un'immagine renale normale estratta da uno specialista. Un paziente tipico ha due reni. In questo studio, analizziamo il rene con un'area più ampia. Nella Fig. 5 (b), il rene sinistro è più grande. Pertanto, il rene sinistro viene estratto e registrato con la maschera bersaglio. La Figura 5 (d) mostra un'immagine in pseudocolore della maschera bersaglio e la posizione iniziale del rene estratto. L'immagine in pseudocolori mostra la maschera target in verde, il rene estratto in magenta e i pixel sovrapposti di entrambi in bianco. Il risultato della trasformazione affine è mostrato in Fig. 5 (e). Successivamente, la forma viene modificata finemente mediante registrazione utilizzando un campo di spostamento basato sulla luminosità.9,10 In questo articolo, la registrazione viene eseguita utilizzando il campo di spostamento basato sull'algoritmo dei demoni di Thirion.1,2 Il risultato della modifica dell'immagine mostrata in La Fig. 5 (e) che utilizza il campo di spostamento è mostrata in Fig. 5 (f). La forma fine è stata modificata per avvicinarsi alla maschera target. La Figura 5 (g) mostra la registrazione finale dell'immagine.

Fig. 5 Risultato della trasformazione rigida: (a) immagine originale, (b) risultato di U-net, (c) maschera target, (d) posizione iniziale, (e) trasformazione affine, (f) campo di spostamento e (g ) risultato della registrazione.

2.4 Calcolo del TLCO

In questo studio, il metodo TLCO viene utilizzato per l'analisi della funzionalità renale. Il metodo TLCO specifica i confini interno (lato midollare) ed esterno (lato corticale) del parenchima renale e divide la regione renale in 12 strati dall'esterno verso l'interno. Il metodo di stratificazione non è spiegato nel documento TLCO.8 Pertanto, in questo studio, abbiamo calcolato il TLCO utilizzando la conversione della distanza geodetica.17 Quando la conversione della distanza geodetica immette un'immagine binaria della regione renale e un'immagine seed, viene creata un'immagine di conversione della distanza generato in base all'immagine seme. La Figura 6 (a) mostra un'immagine binaria della regione renale estratta da uno specialista. La Figura 6 (b) mostra un'immagine seme realizzata da uno specialista. La Figura 6 (c) mostra un'immagine in pseudocolore della conversione della distanza geodetica. Tuttavia, l'immagine mostrata in Fig. 6 (c) non è stata ottenuta dividendo la regione renale in 12 strati. Pertanto, il risultato della conversione della distanza geodetica è stato normalizzato in 12 strati. Nello specifico, il numero di strati è stato diviso per il valore massimo e quindi moltiplicato per 12. L'immagine pseudocolore di conversione della distanza geodetica normalizzata è mostrata in Fig. 6 (d). La maschera target è molto importante perché influenza direttamente il calcolo del metodo TLCO. In questo studio abbiamo deciso di utilizzare due tipi di immagini, un'immagine del rene normale selezionata da uno specialista e un'immagine del rene con la regione più grande. Poiché il metodo TLCO divide il rene in 12 strati, il calcolo con un rene piccolo e atrofizzato è difficile. Pertanto, un'immagine di un rene con un'area piccola non può essere utilizzata come maschera target. La Figura 7 mostra i risultati dell'applicazione del metodo TLCO alle immagini MRI dei pazienti. La Figura 7 (a) è un'immagine normale selezionata da uno specialista. La Figura 7 (b) mostra i risultati dell'estrazione specialistica della regione renale dalla Figura 7 (a). La Figura 7(c) è un'immagine in pseudocolore divisa in 12 strati mediante il metodo TLCO. La Figura 7(d) è un'immagine del rene con l'area più grande. La Figura 7 (e) mostra il risultato dello specialista che estrae la regione renale dalla Figura 7 (d). La Figura 7(d) è un'immagine in pseudocolore divisa in 12 strati mediante il metodo TLCO.

2,5 eGFR utilizzato per la stima

Funzione renale mediante RSVM Nel metodo TLCO, abbiamo utilizzato 12 misurazioni, una per ciascuno strato, per stimare il gradiente corticomidollare dell'intensità del segnale MR in base alle seguenti definizioni: corticale

Servizio di supporto di Wecistanche: il più grande esportatore di cistanche in Cina:

E-mail:wallence.suen@wecistanche.com

Whatsapp/Tel:+86 15292862950

Acquista per ulteriori dettagli sulle specifiche:

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