Segmentazione renale sana nelle immagini Dce-Mr utilizzando una rete neurale convoluzionale e caratteristiche del segnale temporale

Artur Klepaczko1, Eli Eikefjord²e Arvid Lundervold^2,3,4

Astratto:La quantificazione della perfusione renale basata sulla risonanza magnetica con contrasto dinamico (DCE-MRI) richiede la determinazione dell'andamento temporale dell'intensità del segnale nella regione del parenchima renale. Pertanto, la selezione di voxel che rappresentano ilrenedeve essere realizzato con particolare attenzione e costituisce uno dei maggiori limiti tecnici che ostacola un uso più ampio di questa tecnica come routine clinica standard. La segmentazione manuale dei compartimenti renali, anche se eseguita da esperti, è una fonte comune di ridotta ripetibilità e riproducibilità. In questo documento, presentiamo un framework di elaborazione per automaticorenesegmentazione nelle immagini DCE-MR. Il quadro si compone di due fasi. In primo luogo,renele maschere sono generate utilizzando una rete neurale convoluzionale. Quindi, i voxel della maschera vengono classificati in una delle tre regioni (corteccia, midollo e pelvi) in base all'andamento temporale dell'intensità del segnale DCE-MRI. L'approccio proposto è stato valutato su una coorte di 10 volontari sani sottoposti all'esame DCE-MRI. La scansione MRI è stata ripetuta su due eventi entro un intervallo di 10-giorni. Per l'attività di segmentazione semantica, abbiamo utilizzato un'architettura U-Net classica, mentre gli esperimenti sulla classificazione dei voxel sono stati eseguiti utilizzando tre algoritmi alternativi: macchine vettoriali di supporto, regressione logistica e alberi di aumento del gradiente estremo, tra i quali SVM ha prodotto i risultati più accurati. Sia la segmentazione che le fasi di classificazione sono state realizzate da una serie di modelli, ciascuno addestrato separatamente per un dato soggetto utilizzando solo i dati degli altri partecipanti. La media ha raggiunto un'accuratezza del tuttorenela segmentazione era del 94% in termini di coefficiente IoU. Corteccia, midollo e bacino sono stati segmentati con IoU che vanno dal 90 al 93 percento a seconda del tessuto e del lato del corpo. I risultati sono stati anche convalidati confrontando i parametri di perfusione derivati ​​dall'immagine con le misurazioni della verità del suolo divelocità di filtrazione glomerulare(GFR). La ripetibilità del calcolo GFR, valutata dal coefficiente di variazione, è stata determinata a un livello del 14,5 e del 17,5 percento rispettivamente per il rene sinistro e destro ed è migliorata rispetto alla segmentazione manuale. La riproducibilità, a sua volta, è stata valutata misurando la concordanza tra i valori GFR derivati ​​dall'immagine e quelli basati sullo ioesolo. Le differenze medie assolute stimate erano pari a 9,4 e 12,9 ml/min/1,73 m2 per le sessioni di scansione 1 e 2 e il metodo di segmentazione automatizzato proposto. Il risultato della sessione 2 era paragonabile alla segmentazione manuale, mentre per la sessione 1 la riproducibilità nella pipeline automatica era più debole.

Parole chiave:risonanza magnetica dinamica con mezzo di contrasto; reti neurali convoluzionali;renesegmentazione; modellistica farmacocinetica; quantificazione della perfusione; velocità di filtrazione glomerulare

Contatto: ali.ma@wecistanche.com

Clicca per Cistanche herba per malattie renali

1. Introduzione

La funzionalità renale viene valutata di routine misurando il livello di creatinina sierica. In base al suo valore, ilvelocità di filtrazione glomerulare(GFR) può essere stimato utilizzando, ad esempio, l'equazione Modifica della dieta nelle malattie renali [1]. Un altro metodo per determinare la GFR, che ha recentemente guadagnato popolarità in ambito clinico, è il test di clearance plasmatica dello iohexolo. Alcuni autori ipotizzano che questo metodo sostituisca la tecnica gold standard basata sulla clearance urinaria dell'inulina [2]. Tutte queste procedure, tuttavia, consentono di quantificare la GFR simultaneamente per entrambireni. Pertanto, la risonanza magnetica con contrasto dinamico (DCE-MRI) appare come un'alternativa interessante: consente il monitoraggio non invasivo delle prestazioni di filtrazione in un singolorenefornendo al contempo informazioni risolte spazialmente su lesioni tissutali come la glomerulosclerosi segmentaria focale.

In linea di principio, l'esame DCE-MRI produce una serie di volumi T1-pesati acquisiti in più fasi temporali discrete della procedura di scansione. Il metodo consiste nella somministrazione endovenosa di un bolo di un mezzo di contrasto (CA) a base di gadolinio. Mentre il bolo CA passa attraverso l'albero arterioso addominale, il letto capillare e i sistemi tubolari delreniaumenta efficacemente il tempo di rilassamento T1 dei tessuti penetrati, modificando così il contrasto nell'immagine. La dinamica temporale di questa variazione dell'intensità del segnale dell'immagine riflette le condizioni fisiologiche della funzione renale e costituisce la base per la modellazione farmacocinetica (PK) della perfusione renale.

Alcuni dei modelli PK proposti tentano di descrivere matematicamente il processo di perfusione sanguigna in vari organi. Per quanto riguarda ilrene, la maggior parte dei modelli presuppone che il segnale misurato in un dato voxel tissutale sia una somma di contributi provenienti da almeno due compartimenti: spazi intravascolari (IV) ed extracellulari extravascolari (EEV) [3–6]. Inoltre, come in ogni modello PK, il rilascio del tracciante di gadolinio attraverso un'arteria di alimentazione all'organo di interesse è incapsulato dalla cosiddetta funzione di input arterioso (AIF). In pratica, l'AIF nel caso degli studi sui reni è l'andamento temporale della concentrazione del mezzo di contrasto nell'aorta addominale [7]. Convogliando l'AIF con un kernel spostante e dispersivo si ottiene la concentrazione del tracciante nel compartimento IV. Infine, la curva temporale della concentrazione nello spazio EEV è proporzionale all'integrale della concentrazione nel compartimento IV, opzionalmente modulato da un fattore esponenziale che rappresenta il deflusso dai tubuli renali. Il coefficiente di proporzionalità, spesso indicato come Ktrans, controlla il tasso di trasferimento di CA dal compartimento IV al compartimento EEV. Ktrans moltiplicato per il volume dell'organo porta direttamente al calcolo del GFR.

Esistono approcci più complicati e multicompartimentali (p. es., [8]), sebbene la loro potenziale applicazione clinica sia discutibile. La difficoltà sta nella necessità di garantire la stabilità dell'ottimizzazione di tali parametri del modello adattando le curve del modello ai dati osservati. Inoltre, questi modelli richiedono la segmentazione delreneparenchima nella corteccia e nel midollo. Tale requisito si applica, infatti, anche ai modelli a due scomparti. Il modello classico proposto in [3], basato sul modello generale di Rutland-Patlak [9,10], è applicabile solo alla regione della corteccia. D'altra parte, l'applicazione del modello di filtrazione a due compartimenti [5] all'intero rene è accettabile per la fase di assorbimento. Se si vuole misurare la perfusione, l'analisi deve essere nuovamente limitata alla sola corteccia. In ogni caso si deve escludere la regione pelvica che raccoglie il contrasto nella fase escretoria dell'esame. Pertanto, l'automazione della procedura di analisi dei dati DCE-MRI richiede non solo la delineazione del rene ma anche l'etichettatura di ciascun voxel renale come appartenente alla classe corticale, midollare o pelvica.

Il problema direnela segmentazione è stata affrontata da molti autori. Frequentemente, i voxel sono classificati in base ai loro andamenti temporali di intensità. Ad esempio in [11], l'algoritmo k-mean viene utilizzato per raggruppare i voxel in cluster in base all'andamento temporale dell'intensità del segnale. Questo approccio è stato ulteriormente sviluppato in [12], dove i corsi temporali dell'intensità del segnale sono stati preelaborati dalla trasformata wavelet discreta. Alla fine, è necessario utilizzare una sorta di euristica basata sulle caratteristiche intrinseche dei cluster e sulla loro relazione per determinare quale cluster rappresenta la corteccia, il midollo, il bacino e lo sfondo. L'inferenza del tutto non supervisionata soffre di dati di input rumorosi che non possono essere classificati in modo inequivocabile in categorie anatomicamente significative. È particolarmente evidente rispetto ai voxel che giacciono ai confini tra la corteccia e il midollo. Sono assegnati alla classe "altre parti" che contiene voxel anche dall'esterno delrene.

Pertanto, una strategia seguita di frequente consiste innanzitutto nel separare un tuttoreneda altre parti di un'immagine. Le regioni di interesse delineate dovrebbero adattarsi con precisione ai confini dei reni per eliminare tutti i voxel vicini. Un esempio di tale soluzione sono le mappe dell'area sotto la curva (AUC), utilizzate ad esempio in [13]. Quei voxel nella sequenza DCE-MRI che sono penetrati dall'agente tracciante appaiono luminosi sulle mappe AUC a causa dell'area più grande sotto i loro andamenti temporali di intensità del segnale. È istruttivo notare che questo approccio richiede una post-elaborazione manuale o automatica per rimuovere strutture extrarenali, grandi vasi sanguigni e dotti collettori urinari.

La strategia di segmentazione da grossolano a fine è stata applicata anche in [14], dove è stato introdotto il concetto di volumi temporali massimamente stabili (MSTV). Le caratteristiche di MSTV consentono di riconoscererenirilevando strutture spazialmente omogenee e temporalmente stabili. La segmentazione a grana fine si ottiene riducendo i percorsi temporali dei voxel ai vettori dei componenti principali, che vengono successivamente partizionati da k-medie in più cluster. Alla fine, tuttavia, le segmentazioni ottenute devono essere rifinite in modo iterativo per rimuovere eventuali rumori residui. Allo stesso modo, nello studio descritto in [15], la prima fase della procedura di segmentazione consiste nella caratterizzazione della dinamica di potenziamento del segnale dei tessuti addominali. Si osserva che il midollo, a differenza della corteccia, del fegato o della milza, mostra un aumento costante dell'intensità del segnale che si verifica più avanti nella sequenza di acquisizione. Dopo aver identificato i voxel midollari, viene eseguita la dilatazione seguita dall'algoritmo GrubCut per creare maschere renali. La messa a punto si ottiene classificando i voxel con un classificatore di foresta casuale pre-addestrato. I voxel sono caratterizzati dalle rispettive intensità dell'immagine in intervalli di tempo selezionati della sequenza dinamica, nonché dalla loro posizione all'interno delle ROI costruite nella prima fase.

Sebbene sia i contributi basati su MSTV che quelli basati su GrubCut sembrino produrre risultati soddisfacenti per più set di dati, sono algoritmi piuttosto concettualmente complessi, non disponibili né nel software commerciale né in quello open-source. In quanto tali, non possono essere facilmente adottati dalla comunità clinica.

D'altra parte, i recenti progressi nelle architetture di reti neurali convoluzionali e l'ampia disponibilità delle loro implementazioni software rendono i metodi di deep learning particolarmente interessanti nell'applicazione alla segmentazione dei tessuti biologici nelle immagini mediche. L'efficacia delle CNN in scenari versatili di analisi dei dati MRI è ampiamente discussa nella revisione completa di [16]. Più specificamente, in [17] varie architetture di rete, cioè reti completamente convoluzionali [18], SegNet [19], U-Net [20] e DeepLabV3 plus [21], sono state testate per la segmentazione semantica del cancro alla prostata in T 2-RM pesata. Le immagini anatomiche RM sono state analizzate anche in [22]. Gli autori hanno sviluppato un'architettura CNN personalizzata per delineare automaticamente il policisticoreni. Un altro approccio interessante è stato presentato in [23], dove il deep learning è stato impiegato per l'inferenza diretta di mappe di perfusione cerebrale da una sequenza DCE-MRI senza adattare esplicitamente un modello PK ai segnali misurati.

Sono stati pubblicati diversi studi sull'applicazione delle CNN alla segmentazione direninelle immagini di tomografia computerizzata [24,25]. Tuttavia, la segmentazione guidata da DL direnenei set di dati MRI con mezzo di contrasto rimane ancora un argomento inesaurito. Come esempio eccezionale dei lavori pubblicati specificamente dedicati agli esami DCE-MRI renali, si può citare l'articolo di Haghighi et al. [26]. Hanno costruito e addestrato una cascata di due reti CNN. L'input di questa struttura in cascata è un'immagine 4D DCE-MR. La prima rete localizza approssimativamente il rene sinistro e destro nell'immagine, mentre la seconda è responsabile della precisa delineazione dei confini renali. Tuttavia, non è stata eseguita alcuna ulteriore segmentazione nella corteccia o nel midollo poiché per calcolare il GFR è stato utilizzato solo l'intero parenchima renale.

Alla luce delle considerazioni di cui sopra, l'approccio presentato in questo lavoro è una risposta alla necessità di un algoritmo automatico che da un lato riconoscerebbe con precisione ilrenicompartimenti all'interno dell'immagine DCE-MR, mentre dall'altro lato è relativamente facile da riprodurre da qualsiasi gruppo di ricerca. Pertanto, ci proponiamo di:

1. utilizzare un'architettura CNN per la segmentazione semantica delreneparenchima,

2. descrivere i voxel parenchimali con aggregati di caratteristiche derivati ​​dalla trasformazione delle forme d'onda dell'intensità del segnale mediante l'analisi delle componenti principali (PCA),

3. discriminare le regioni della corteccia, del midollo e del bacino attraverso la classificazione dei vettori caratteristici della PCA estratti.

I dettagli degli algoritmi impiegati sono presentati nella Sezione 2. Nella sezione 3, valutiamo i risultati della segmentazione e come la soluzione progettata influisce sulla stabilità dei parametri PK stimati. Nell'effettuare questa valutazione, ipotizziamo anche che sia possibile costruire uno schema di calcolo universale in grado di produrre segmentazioni corrette per nuovi soggetti basati esclusivamente su dati storici. Riteniamo che un tale schema possa essere distribuito ampiamente e implementato nelle cliniche con o senza alcuno sforzo per adattarsi ai protocolli di acquisizione delle immagini personalizzati. Per raggiungere questo obiettivo, abbiamo convalidato il processo computazionale proposto in modo leave-one-subject-out. Abbiamo creato una serie di motori di segmentazione e classificazione, ciascuno addestrato su una diversa coorte di pazienti. Quindi, un determinato motore è stato testato su un soggetto non visto durante la fase di addestramento. La discussione dei risultati ottenuti è data nella Sezione 4.

2. Materiali e metodi

2.1. Mr Data

Gli esperimenti e gli algoritmi presentati in questo documento sono stati progettati utilizzando un set di 20 sequenze di misurazione ottenute da 10 volontari sani. Gli esami MRI sono stati eseguiti su un'unità da 1,5 T (Siemens Magnetom Avanto, Erlangen, Germania). Il protocollo di acquisizione dei dati prevedeva l'imaging di ciascun soggetto due volte, a 10 giorni di distanza, utilizzando il metodo dell'eco gradiente alterato 3D con contrasto migliorato (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- risoluzione del piano=2.2 × 2,2 mm2, spessore della sezione=3 mm, matrice di acquisizione=192 × 192, numero di sezioni=30). L'agente di contrasto (0,025 mmol/kg di GdDOTA) è stato somministrato per via endovenosa a una velocità di flusso di 3 ml/s. Ciascuna sequenza di misurazione consisteva in 74 fotogrammi acquisiti a intervalli di tempo di 2,3 s.

Per ridurre gli artefatti da movimento, il protocollo di imaging è stato progettato per acquisire immagini in apnea. In primo luogo, sono stati acquisiti otto volumi pre-contrasto di base durante il periodo di apnea del 18-s. A 7 s dopo l'iniezione di gadolinio, ai partecipanti è stato chiesto di trattenere il respiro per 26 s per una prima perfusione senza movimento. Successivamente, durante la fase di filtrazione, i periodi di apnea sono stati ridotti a 13 s e intercalati con 26 s di respirazione libera. Per facilitare la respirazione, i soggetti hanno ricevuto ossigeno nasale a una portata di 1 L/min.

Il restorene il movimento è stato corretto in post-elaborazione eseguendo la registrazione b-spline su ciascuna sequenza DCE-MRI. A tale scopo, abbiamo impiegato l'implementazione dell'algoritmo B-splines dalla libreria software Insight Toolkit (ITK) [27]. In ogni sequenza, abbiamo selezionato un quadro di riferimento corrispondente a un punto medio della fase di perfusione e quindi lo abbiamo utilizzato come volume fisso a cui corrispondere ogni altro volume (in movimento). La registrazione delle B-spline è stata eseguita in modo completamente automatico, ovvero non sono stati contrassegnati punti fiduciali sui tessuti di interesse. Inoltre, la procedura è stata avviata in una configurazione a più stadi. In ogni fase sono state utilizzate varie impostazioni di dimensione della griglia e velocità di sottocampionamento. Per una dettagliata interpretazione di questi parametri si rimanda il lettore alla documentazione ITK. In breve, hanno consentito di eseguire la registrazione delle immagini a scale diverse, partendo da una corrispondenza grossolana e poi perfezionando il risultato.

Per la necessità di progettazione e valutazione di algoritmi, tutti i volumi sono stati annotati manualmente da un radiologo esperto in urografia RM. In ogni intervallo di tempo, sinistra e destrarenisono stati delineati. Quindi, in due frame legati alle fasi di perfusione ed escrezione, i voxel parenchimali sono stati assegnati alla corteccia, al midollo o al bacino.

Tra gli esami, i volontari sono stati sottoposti alla procedura di autorizzazione dello iohexolo. Ai soggetti è stata somministrata una dose di 5 ml di iohexolo (300 mg I/ml; Omnipaque 300, GE Healthcare). Quindi, sono stati determinati i valori GFR della verità di base per consentire la convalida delle stime di perfusione derivate dalle immagini.

I partecipanti sono stati istruiti a rifiutare alcol e pasti ad alto contenuto proteico, evitare uno sforzo fisico eccessivo, essere normalmente idratati almeno 2 giorni prima dell'esame e non assumere caffeina il giorno dell'esame. Per garantire condizioni di esame comparabili tra le sessioni di scansione e il test di eliminazione dello iohexolo, è stato anche raccomandato di mantenere orari e dieta regolari. Tutti i volontari hanno dato il loro consenso informato scritto per la partecipazione allo studio che è stato approvato dall'Institutional Review Board presso l'Haukeland University Hospital di Bergen, Norvegia.

2.2. Panoramica della pipeline di segmentazione

La pipeline di segmentazione proposta è visualizzata nella Figura 1. La segmentazione grossolana iniziale è realizzata da una rete neurale completamente convoluzionale della struttura U-Net. Questo passaggio è stato eseguito su successive sezioni trasversali bidimensionali di una singola immagine volumetrica dalla sequenza DCE-MRI. Questa immagine corrisponde al frame del più alto miglioramento del segnale nella regione della corteccia quando la partizione del parenchima renale nella corteccia e nel midollo è chiaramente visibile.

Abbiamo presupposto che una singola sezione trasversale possa essere divisa in lati sinistro e destro, ciascuno di 96-pixel di larghezza. Su un dato lato, è possibile localizzare centralmente una patch immagine di 96-pixel di altezza che ne copre interamente unorene. In questo modo, abbiamo assicurato che sinistra e destrarenivengono segmentati ed elaborati separatamente. Attualmente, il nostro metodo richiedeva che questa ipotesi valesse durante la fase di richiamo dell'operazione di rete. Durante l'allenamento, era sufficiente che una patch dell'immagine contenesse almeno una parte del parenchima renale. Inoltre, la dimensione del patch 96 × 96 è stata adattata alla risoluzione nel piano dei dati DCE-MRI disponibili in questo studio e dovrebbe essere modificata in diverse configurazioni di acquisizione.

La segmentazione grossolana a volte può richiedere un perfezionamento aggiuntivo per rifiutare piccoli cluster extrarenali di pixel falsamente segmentati. Nel nostro algoritmo, i componenti collegati sono stati identificati e solo il più grande è stato passato allo stadio successivo. Si noti inoltre che, sebbene il nostro passaggio di segmentazione semantica sia stato eseguito in 2D, è stato applicato a tutte le sezioni trasversali di un determinato volume. Le analisi successive sono state eseguite in termini di voxel in modo che effettivamente il GFR sia stato calcolato da tutti i nefroni distribuiti nella ROI della corteccia 3D.

Grazie alla registrazione dell'immagine nel dominio del tempo,renele maschere generate per un frame possono essere applicate a tutti gli altri frame della serie dinamica. Pertanto, ai voxel renali sono stati prescritti vettori di caratteristiche composti da valori di intensità del segnale MRI misurati in punti temporali successivi. Al fine di ottenere caratteristiche più generali della dinamica del segnale, abbiamo estratto gli aggregati di funzionalità utilizzando la trasformata PCA. I 20 aggregati più informativi sono stati selezionati per descrivere ciascun voxel renale. Alla fine, un classificatore addestrato a discriminare tra le caratteristiche temporali delle regioni della corteccia, del midollo e del bacino ha assegnato un voxel a una categoria appropriata.

La logica alla base dell'approccio in due fasi proposto era quella di garantire che il riconoscimento finale fosse basato su annotazioni di verità di base massimamente sicure. Se fosse una CNN a segmentare la corteccia dal midollo e dal bacino, dovrebbero essere create maschere target esatte e l'annotatore dovrebbe prendere una decisione dove si trova il confine effettivo tra i vari tessuti. In molti casi, questo non era banale a causa dell'effetto volume parziale. Pertanto, tale decisione, e di conseguenza il modello di rete addestrato, potrebbe essere orientato verso un'esperienza di osservatore unica. In alternativa, abbiamo deciso di addestrare un classificatore utilizzando i segnali solo da posizioni non ambigue, come descritto di seguito. Successivamente, durante l'inferenza del passaggio in avanti, era responsabilità dell'algoritmo discriminare oggettivamente i voxel appartenenti a qualsiasi regione contestabile.

Infine, tutte le unità computazionali della procedura proposta - CNN e modello classificatore, nonché la matrice di trasformazione PCA - sono state ottenute per una coorte di pazienti indipendente dal set di dati attualmente elaborato. Nelle seguenti sottosezioni, forniamo i dettagli di implementazione dei singoli moduli dell'algoritmo.

2.3. Cnnper la segmentazione semantica

Tra le varianti U-Net disponibili, abbiamo utilizzato l'implementazione pubblicata in [28]. Poiché differiva dall'architettura descritta nell'articolo originale [20], vengono innanzitutto riassunte le caratteristiche specifiche di questa struttura, adattata alle esigenze del nostro studio.

2.3.1. Architettura di rete

La rete neurale convoluzionale U-Net è stata originariamente sviluppata per la segmentazione delle strutture neuronali in pile di microscopi elettronici e si è dimostrata efficace in numerose altre applicazioni biomediche. Come detto, l'input per il nostro modello era un'immagine 2D a livello di grigio, una patch di sezione trasversale di un singolo volume 3D DCE-MRI. La dimensione del cerotto è stata regolata a 96 × 96 pixel (vedere la Figura 2).

La caratteristica di U-Net è che contiene due parti simmetriche: un percorso contrattivo e uno di espansione. L'obiettivo del percorso contrattivo è codificare i modelli di intensità dei pixel dell'immagine eseguendo la convoluzione con una serie di 3 × 3 filtri di pesi allenabili. Le uscite dei filtri attivano i principali componenti di elaborazione della rete: i neuroni chiamati unità lineari rettificate (ReLU). Consentono di modellare relazioni non lineari tra le caratteristiche dell'immagine e la mappa di segmentazione dell'output. Pertanto, la fase di codifica può essere paragonata a un processo noto nell'elaborazione di immagini digitali come estrazione di caratteristiche. È seguito dall'operazione di raggruppamento massimo che esegue il downsampling delle mappe delle funzionalità.

La contrazione viene ripetuta quattro volte per estrarre i descrittori dell'immagine su vari livelli di scala. Ogni livello è, infatti, formato da un blocco composto da due strati convoluzionali, ciascuno seguito da uno strato di normalizzazione batch, che mantiene costante la media e la deviazione standard degli incastri in uscita all'interno di un determinato batch. Pertanto, la normalizzazione batch garantisce che le funzionalità con dinamiche a bassa intensità abbiano la stessa importanza di quelle il cui intervallo è più ampio. Le coppie del livello di convoluzione e normalizzazione sono separate dal livello di abbandono, che imposta casualmente il 20 percento dei nodi di input su 0. Questo meccanismo, attivo solo durante la fase di addestramento, impedisce l'overfitting della rete [29].

L'output dell'ultimo blocco di downsampling, denominato collo di bottiglia, viene trasferito al percorso di espansione o decodifica. È costituito dallo stesso numero di livelli di sovracampionamento della parte contrattiva e il suo compito principale è recuperare la risoluzione spaziale originale. In questo studio, l'up-sampling è stato realizzato per convoluzione trasposta. Ciascun blocco di decodifica era inoltre composto da due coppie di livelli di normalizzazione convoluzionale e batch. A differenza dei blocchi di codifica, tuttavia, non è stato inserito alcun meccanismo di interruzione nel mezzo. Inoltre, le mappe delle caratteristiche ad alta risoluzione estratte nel percorso di downsampling non solo alimentavano i successivi strati di codifica ma erano anche concatenate agli ingressi degli strati di decodifica ai rispettivi livelli del percorso di upsampling. Queste connessioni aggiuntive hanno aiutato il ripristino dei blocchi di decodificarenelocalizzazione dei segmenti in modo più preciso.

Come si può vedere nella Figura 2, i blocchi di codifica consistevano in un numero crescente di filtri convoluzionali che scendevano più in profondità nel percorso contrattivo. Partendo da 64 filtri nei primi due strati convoluzionali, il numero di mappe delle caratteristiche ha raggiunto 1024 nel collo di bottiglia, raddoppiando ad ogni livello di downsampling. Al contrario, il numero di filtri nel percorso di espansione è stato diviso per il fattore due su ogni gradino ascendente. Di conseguenza, la mappa delle caratteristiche finale aveva di nuovo una profondità di 64.

L'output dell'ultimo blocco di sovracampionamento è stato collegato a uno strato convoluzionale con filtri di dimensioni 1 × 1-. Ha eseguito una convoluzione pixel-wise del kernel del filtro con un 64-elemento vettore di funzionalità e quindi ha inviato il risultato a una funzione di attivazione dell'output. Nel nostro progetto, è stata utilizzata un'attivazione sigmoidea poiché la decisione finale era binaria: un pixel apparteneva al parenchima renale o allo sfondo.

2.3.2. Addestramento

I pesi di rete sono stati avviati a uno stato casuale con il metodo di He et al. [30]. Il processo di addestramento è stato condotto su patch di immagini ritagliate dai volumi DCE-MRI, ciascuna contenente una singola, sinistra o destrarenesezione trasversale. Come descritto sopra, sono state estratte 96 × 96- patch di immagini pixel dai volumi della sequenza DCE corrispondenti alla fase di perfusione, cioè i frame temporali del massimo contrasto del segnale tra corteccia e midollo. Per aumentare il numero di immagini di addestramento, per ogni studio, abbiamo effettivamente selezionato tre di questi intervalli di tempo: quello con il massimo miglioramento del segnale nella regione della corteccia, uno precedente e uno successivo. In ogni volume di immagine, un singoloreneera visibile in media su 12 fette. Ha fornito circa 1440 patch di allenamento.

Sebbene le reti U-Net di solito possano far fronte a piccoli campioni di addestramento, abbiamo deciso di ampliare ulteriormente il set di dati attraverso l'aumento dei dati. Ciò è stato ottenuto selezionando 10 diverse posizioni verticali della patch dell'immagine e rispecchiandola casualmente nella direzione orizzontale. Durante la selezione delle posizioni della patch, ci siamo assicurati che abbracciasse una porzione sufficientemente grande del centro dell'immagine contenente frammenti significativi del parenchima renale (vedi Figura 3). Complessivamente il numero di immagini disponibili per la formazione ha raggiunto il valore di 13.964. Un terzo delle immagini di addestramento è stato separato per scopi di convalida.

Abbiamo addestrato 10 diversi modelli di CNN, uno per ogni paziente. Durante la costruzione di un modello dedicato a un determinato soggetto, le relative patch di immagine (indipendentemente dalla sessione di esame) sono state rimosse dai set di addestramento e validazione e utilizzate solo per i test. I pesi della rete sono stati aggiornati utilizzando l'algoritmo di discesa del gradiente stocastico con la frequenza di apprendimento costante=0.01 e la quantità di moto=0.99. La funzione di perdita scelta per l'ottimizzazione è stata il criterio dell'entropia incrociata binaria, definito come

dove N è il numero di voxel, Yi è la vera etichetta voxel e p(Yi) è la previsione di rete che l'i-esimo vettore appartiene effettivamente alla classe Yi, con 0 < p(Yi) < 1. Inoltre , al fine di monitorare la qualità direnesegmentazione su epoche di addestramento, abbiamo calcolato il coefficiente di Jaccard, di seguito indicato come IoU (intersezione-su-unione)

dove K indica il numero di pixel in una sezione elaborata e y è la categoria di pixel prevista. Qui, le categorie avevano un valore booleano e un pixel veniva etichettato come True se apparteneva arene, Falso altrimenti. Nel caso di ciascun soggetto, l'algoritmo di ottimizzazione è stato eseguito per 50 epoche. Il modello memorizzato corrispondeva all'epoca con il punteggio minimo sulla funzione di perdita ottenuta per il set di dati di validazione.

2.4. Classificazione diReneVoxel

2.4.1. Estrazione di funzionalità

La differenziazione dei voxel che rappresentano particolari compartimenti renali potrebbe essere basata sull'andamento temporale dell'intensità del segnale grezzo. Ci proponiamo, tuttavia, di trasformare le forme d'onda del segnale, cioè vettori di 74 caratteristiche temporali, nello spazio di dimensionalità ridotta utilizzando l'analisi delle componenti principali (PCA). Lo scopo di questa trasformazione non è solo quello di diminuire la complessità del modello di classificazione risultante, ma anche di estrarre caratteristiche più generali delrenetissue, rappresentante di vari soggetti. Inoltre, anche nella stessa unità clinica, l'imaging DCE può essere eseguito in una sequenza che, pur coprendo un intervallo di tempo simile, ha una risoluzione temporale diversa. Pertanto, un sistema decisionale che accetta un modello di funzionalità uniforme, utilizzando l'oggetto di trasformazione PCA come adattatore, può essere applicato a vettori di dati di input a lunghezza variabile.

Abbiamo presupposto che i componenti PCA estratti dovessero spiegare almeno il 90 percento della varianza del set di dati originale. Per soddisfare questo requisito per ogni soggetto, è stato necessario costruire almeno 20 aggregati di caratteristiche. Come abbiamo osservato, un numero maggiore di componenti non ha portato a una maggiore precisione di classificazione.

2.4.2. Classificazione dei vettori di caratteristiche

L'assegnazione dei voxel renali alla corteccia, al midollo o al bacino viene eseguita da un classificatore addestrato in modo supervisionato. Nel nostro approccio, i dati storici servono come modelli per la costruzione di regole decisionali appropriate, successivamente applicate a nuovi studi. Abbiamo testato tre algoritmi di classificazione per trovare lo schema migliore in tutti i soggetti. I metodi esaminati includevano la regressione logistica, le macchine vettoriali di supporto e gli alberi decisionali XGBoost. Di seguito, ricordiamo le caratteristiche degli algoritmi impiegati e descriviamo come sono stati preparati i dati di training.

Addestrare e testare set di dati.I vettori di addestramento sono stati acquisiti da regioni di interesse annotate manualmente nelle rispettive posizioni parenchimali. Le annotazioni sono state fatte solo in voxel la cui appartenenza non era ambigua (vedi Figura 4a,b), permettendo così a un classificatore addestrato di decidere sulla categoria di tessuto dominante in caso di voxel parzialmente riempiti con vari compartimenti. Il numero di vettori di addestramento raccolti dai 20 esami disponibili ha superato il valore di 60,000. Questo set di dati è stato suddiviso in 10 parti, ciascuna contenente vettori di dati da tutti i soggetti tranne un, lasciati a parte per scopi di test. In una data piega, la distribuzione delle classi era approssimativa come segue: corteccia: 58 percento, midollo osseo: 31 percento, bacino: 11 percento. Per dare ai classificatori la possibilità di imparare a discriminare le categorie con uguale accuratezza, in ogni piega di addestramento i sottoinsiemi che rappresentano la corteccia e il midollo sono stati ricampionati per corrispondere alle dimensioni della categoria del bacino. In media, il training set dopo il ricampionamento comprendeva oltre 16,{9}} vettori per piega. In una data piega di formazione, sono stati inclusi i dati di entrambe le sessioni di esame. D'altra parte, le pieghe di prova contenevano da 600 a 4800 vettori a seconda del paziente e della sessione di esame. I classificatori sono stati valutati utilizzando il punteggio di accuratezza bilanciato calcolato sui set di test.

Regressione logistica.Il classificatore di regressione logistica modella la probabilità che un vettore di caratteristiche appartenga a una delle due categorie. L'algoritmo adatta una funzione lineare ai dati di addestramento e il risultato dell'equazione di regressione per un dato punto dati viene inviato alla trasformata logistica

dove p(yi|xi) denota la probabilità di una classe yi dato un punto dati xi con Yi e {{{0}}, 1}, mentre il vettore peso w insieme all'intercetta w0 determinano la regressione adattata linea.

In quanto tale, l'equazione (3) si applica ai problemi di classificazione binaria. Pertanto, nel caso di tre regioni renali, devono essere costruiti tre classificatori uno contro riposo, oppure è adatto un modello di regressione multinomiale [31]. Nei nostri esperimenti, utilizziamo quest'ultima variante. I parametri w del modello lineare si trovano minimizzando la funzione di costo log-loss con termine di regolarizzazione L2:

dove il nostro studio K=3 e pi,c è la probabilità prevista che il vettore appartenga alla classe c. Il problema di ottimizzazione di cui sopra è stato risolto con l'algoritmo di discesa del gradiente medio stocastico (SAG) [32] implementato nel pacchetto Scikit-Learn [33]. Abbiamo scelto SAG per la sua raccomandazione per set di dati di grandi dimensioni e supporto per la regolarizzazione L2.

Supporta le macchine vettoriali. Le Support Vector Machine (SVM) costituiscono una classe di algoritmi che costruiscono un iperpiano a margine massimo discriminando diverse categorie [34]. La decisione sull'appartenenza alla categoria di un vettore x è determinata dal segno dell'equazione dell'iperpiano

dove indico l'indice di un esempio di addestramento, xi è un vettore di funzionalità corrispondente e Yi è la sua vera etichetta di classe. Durante l'adattamento di questo modello ai dati di addestramento, viene risolto un problema di ottimizzazione quadratica vincolata. Di conseguenza, viene trovato un insieme di moltiplicatori di Langrage ai diversi da zero, che insieme ai rispettivi vettori di supporto xi e al parametro di spostamento b determinano la posizione e l'orientamento del confine cercato.

Un prodotto punto in (5) può essere sostituito da una funzione del kernel per consentire l'applicazione di SVM a problemi non lineari. Il trucco del kernel trasforma implicitamente i vettori delle caratteristiche in uno spazio di dimensione superiore, in cui diventa possibile determinare l'iperpiano di separazione. La Figura 4c mostra la distribuzione del sottoinsieme dei vettori di formazione per uno dei partecipanti. Questa visualizzazione è stata ottenuta trasformando i dati dallo spazio di 20 aggregati di caratteristiche PCA in uno spazio di tre dimensioni utilizzando il metodo t-distributed stochastic neighbor embedding (TSNE) [35]. Si può vedere che, sebbene la separazione lineare delle classi di corteccia, midollo e bacino sia plausibile, il confine di separazione può essere modellato meglio da qualche funzione non lineare. Nei nostri esperimenti, i migliori risultati sono stati assicurati dal kernel della funzione di base radiale

dove |.|denota la é2-norma. Poiché negli insiemi di dati reali è rara la perfetta separazione delle classi, il criterio di ottimizzazione consente, attraverso un parametro di metodo aggiuntivo solitamente designato con la lettera C, che un certo numero di punti di dati possa violare il limite di decisione. I parametri e C contribuiscono al contrario alla complessità del modello SVM. Pertanto, abbiamo ottimizzato i loro valori utilizzando l'algoritmo di ricerca della griglia esauriente in un esperimento di convalida incrociata di cinque volte. I migliori risultati sono stati riportati per=0.05 e

C = 1.

Alberi decisionali XGBoost.Il concetto di incremento del gradiente estremo (XGBoost) è stato introdotto da Chen e Guestrin [36] per facilitare l'addestramento di un insieme di alberi di classificazione e regressione (CART). In contrasto con le foreste casuali classiche, l'algoritmo di apprendimento formalizza il meccanismo di regolarizzazione e l'utilizzo di versatili funzioni di perdita di oggetti. Grazie a questi vantaggi, si è recentemente dimostrato efficace in numerosi problemi di apprendimento automatico che coinvolgono insiemi di dati di grandi dimensioni e ad alta dimensione.

La costruzione di un insieme XGBoost si basa sulla strategia del cosiddetto training additivo. Ad ogni passo t, al modello viene aggiunto un nuovo albero che minimizza la funzione di perdita complessiva

dove t ü 1) è l'etichetta di classe prevista dall'insieme finora costruito, l misura l'errore tra l'etichetta prevista e quella vera Yi, mentre ft corrisponde a una struttura ad albero di T foglie, che assegna a ciascuna con vettore di dati un punteggio wq (xi), dove q è una funzione che alloca il punto dati xi in una data foglia di albero. Sia T che pesi wj definiscono il termine di regolarizzazione

dove e λ i parametri controllano l'impatto della dimensione dell'albero e lasciano punteggi sul valore della penalità. Nella configurazione utilizzata nel nostro studio, e λ sono stati impostati rispettivamente su {{0}}.1 e 0.9. Inoltre, il numero di alberi nell'insieme era pari a 10 e la profondità massima consentita di un albero era 4. Infine, abbiamo utilizzato la funzione soft-max come criterio oggettivo l.

2.5. Modellistica farmacocinetica

Oltre a valutare i risultati della segmentazione direttamente con l'uso del coefficiente IoU, abbiamo anche confrontato i valori GFR derivati ​​dall'immagine con le misurazioni basate sullo ioesolo della verità sul terreno. Ai fini della determinazione della GFR, abbiamo utilizzato ilrene-modello specifico di filtrazione a due compartimenti (2CFM) [5]. Questo modello PK ha decomposto il tessuto renale negli spazi intravascolari (IV) ed extracellulari extravascolari (EEV) e non ha presupposto alcun deflusso tubulare durante il periodo di modellazione. Sebbene il modello possa essere utilizzato per stimare la perfusione renale nella corteccia o nell'intero parenchima renale, durante il calcolo del GFR è stato necessario considerare solo la regione precedente.

Indipendentemente dalla regione renale considerata, per adattare il modello a un segnale misurato S(t), un rispettivo andamento temporale dell'intensità media dell'immagine deve essere convertito nella forma d'onda di concentrazione Ctissue(t). Lo abbiamo ottenuto usando la trasformazione descritta in [37] adattata alla sequenza dell'eco del gradiente. D'altra parte, il tessuto C (t) descritto dal modello 2CFM è governato dall'equazione

dove C indica la funzione di input arterioso, VP - frazione di volume plasmatico e C - concentrazione di CA nel plasma sanguigno. Il primo termine in (9) rappresenta la concentrazione di CA nello spazio EEV, mentre il secondo termine copre la concentrazione nello spazio IV ottenuta convogliando la funzione di input arterioso con la funzione di risposta all'impulso vascolare (VIRF), definita come

In quanto tale, VIRF modella il ritardo e la dispersione dell'AIF rispetto al flusso CA attraverso il letto capillare. Le variabili Tg, la costante di tempo di dispersione, e X, l'intervallo di ritardo, insieme alla frazione di volume VP e alla costante di trasferimento Ktrans formano l'insieme completo dei parametri del modello 2CFM. La loro stima viene solitamente eseguita con la procedura di adattamento della curva dei minimi quadrati non lineari (NLLS). Il metodo Trust Region-Reflective [38], impiegato in questo studio, è uno dei possibili ottimizzatori usati per risolvere numericamente il problema NLLS. Contrariamente ai metodi down-simplex, consente di impostare vincoli sui valori dei parametri e quindi garantire che le stime finali rientrino nell'intervallo fisiologico. I vincoli presunti nel nostro studio sono elencati nella Tabella 1.

Abbiamo implementato l'algoritmo per l'ottimizzazione del modello 2CFM nel software personalizzato scritto in Python, disponibile per il download in [39]. L'algoritmo è stato lanciato per ciascun paziente utilizzando le regioni della corteccia ottenute automaticamente dalla pipeline di segmentazione sopra descritta o annotate manualmente. In ogni caso, l'AIF è stato determinato automaticamente utilizzando il nostro metodo pubblicato in precedenza in [40].

2.6. Analisi statistica

Uno degli obiettivi dell'automazione del processo di segmentazione dell'immagine DCE-MR è garantire stime di perfusione stabili e ripetibili. Quindi, abbiamo eseguito il t-test di Student per i relativi campioni (ripetuti) per verificare l'ipotesi nulla di uguale media GFR stimata su due eventi di esame. Inoltre, abbiamo calcolato il coefficiente di ripetibilità definito come [41]

dove σdiff è la deviazione standard delle differenze tra GFR effettuate sullo stesso soggetto e ╱pooldenota la media di tutte le misurazioni. La quantità ′2σdiff indicata anche come deviazione standard di misura singola (σsm), è una stima della deviazione standard delle differenze in coppie di potenzialmente molte misure consecutive [42]. Oltre alla valutazione della ripetibilità, è stata valutata la riproducibilità della stima GFR basata su immagini utilizzando grafici Bland-Altman. Alla fine, i risultati dell'analisi ottenuti per i segmenti renali rilevati automaticamente sono stati confrontati con le annotazioni manuali.

Cistanche può alleviarerenieffettivamente

3. Risultati

La Figura 5 mostra gli output di esempio della rete di segmentazione semantica per due dei soggetti partecipanti insieme alle maschere di annotazione della verità di base. I corrispondenti processi di addestramento sono visualizzati nella Figura 6, che traccia l'evoluzione delle metriche di perdita e valutazione sia per i set di addestramento che per quelli di convalida. Si può osservare che dopo alcune epoche, le curve IoU per i set di addestramento e validazione erano vicine l'una all'altra e la rete non è entrata nello stato di overfitting. Contemporaneamente, si è verificata una diminuzione monotona della funzione di perdita, che ha dimostrato che la rete ha acquisito la capacità di generalizzazione. I coefficienti IoU di somiglianza tra le annotazioni manuali e quelle trovate automaticamenterenele regioni ottenute dopo la rimozione delle isole extrarenali disconnesse con i segmenti principali, sono raccolte nella Tabella 2. La IoU media per tutti i soggetti e gli studi=0.94 e appariva lateralmente indifferente.

Nella fase successiva, i voxel parenchimali sono stati classificati in compartimenti renali separati. Un confronto tra i tre classificatori testati è presentato nella Tabella 3. Valuta ciascun metodo rispetto a tre parametri: accuratezza bilanciata, richiamo e precisione. Gli ultimi due sono stati determinati separatamente per ciascuna categoria renale. La metrica di accuratezza bilanciata è stata ottenuta come media dei tassi veri positivi ottenuti per classi particolari. Tutti i punteggi presentati erano valori medi su 20 soggetti del test. I tre classificatori testati hanno ottenuto prestazioni simili in termini di tassi di veri positivi (circa il 95 percento). Nel complesso, tuttavia, è stato l'SVM a mostrare l'accuratezza meglio bilanciata (96%) e ha anche guadagnato una capacità maggiore rispetto agli altri metodi di evitare rilevamenti di falsi positivi. Era particolarmente evidente

per la regione pelvica, dove la precisione del=92 percento contro l'89 percento offerto dalla regressione logistica e dai classificatori XGBoost.

Elevati tassi di accuratezza della classificazione si sono tradotti in risultati di segmentazione ugualmente buoni (Tabella 2), che sono stati nuovamente valutati utilizzando il coefficiente di Jaccard. Questa volta, tuttavia, è stato calcolato come la somma delle IoU determinate per ciascuna regione separatamente e quindi ponderata in base al suo supporto, ovvero il numero di voxel ground-truth che rappresentano una data classe. Per consentire il confronto con gli altri lavori, abbiamo ricalcolato i tassi di Jaccard ottenuti in coefficienti di Dadi (punteggio F1-) con la formula.

Usando il nostro algoritmo, abbiamo ottenuto il coefficiente medio di Jaccard per la classe corteccia a sinistrarenepari al 93,2 per cento. Nel caso delle altre regioni, l'IoU è pari a circa il 91 per cento, fatta eccezione per la classe pelvica a sinistrarene dove è sceso al 90,1 per cento. La qualità della segmentazione fine può essere confermata visivamente analizzando esempi direne scomposizione in regioni mostrata in Figura 7. Al fine di consentire la valutazione in un contesto più ampio, abbiamo anche eseguito la segmentazione con due metodi alternativi proposti in letteratura. Il primo consiste nell'estrarre le caratteristiche del segnale DCE utilizzando la trasformata wavelet discreta (DWT) con la wavelet Daubechies-4, come postulato ad esempio in [12]. Quindi abbiamo classificato i vettori del coefficiente DWT con l'aiuto dell'algoritmo SVM. Nel secondo metodo confrontato, i vettori di caratteristiche PCA sono stati raggruppati utilizzando un algoritmo k-medie (con k=3), come descritto in [14]. Questo secondo approccio non è riuscito a distinguere correttamente tra corteccia e midollo. La maggior parte dei voxel che rappresentano entrambe le regioni sono stati abbracciati in un cluster comune e solo il bacino è stato riconosciuto come parte autonoma del parenchima sulla maggior parte delle sezioni trasversali. In contrasto con i risultati ottenuti dal clustering, le regioni prodotte in modo supervisionato utilizzando la descrizione dei voxel basati su DWT sono più accurate. Tuttavia, il numero di falsi riconoscimenti è apparentemente superiore a quello dei vettori di funzionalità PCA. Il punteggio di accuratezza bilanciato ottenuto per il classificatore SVM era solo del 78 percento in questo caso. Vedere le ultime due righe della tabella 3 per il confronto quantitativo di questi schemi di partizionamento alternativi con Xgboost, regressione lineare e il migliore nel nostro studio algoritmo SVM/PCA.

I risultati della fase di segmentazione sono stati utilizzati per determinare i segnali medi nella corteccia renale. Questo segnale è stato quindi adattato al modello farmacocinetico 2CFM. La figura 8 mostra come single-renevelocità di filtrazione glomerulare(SK-GFR) così ottenuti corrispondono ai relativi punteggi ricavati utilizzando le annotazioni manuali. I valori medi di SK-GFR in tutti i soggetti e gli studi ottenuti dopo la segmentazione automatica e manuale sono simili (56 contro 55 ml/min/1,73 m2) e la differenza osservata è statisticamente insignificante (T-statistica=0.75, valore p=0.46). Inoltre, l'adattamento lineare tra i due tipi di misurazioni dimostra la loro buona corrispondenza con r2=0.13 e 0.49 rispettivamente per le sessioni di esame RM 1 e 2.

I grafici di Bland-Altman mostrati nella Figura 9 ci consentono di valutare l'accordo dei GFR totali con i tassi basati sullo ioesolo della verità di base. Prima dell'applicazione del metodo Bland–Altman, la distribuzione normale delle misurazioni è stata confermata utilizzando il test di Shapiro–Wilk. I valori p ottenuti sono riportati nelle relative legende dei grafici. La differenza media per la sessione di esame RM 1 in termini di valori assoluti era minore per le segmentazioni manuali ( ü0.8 contro ü7,4 ml/min/1,73 m2). Nel caso della sessione 2, i valori di ╱d erano coerenti tra i metodi di segmentazione, sebbene l'accordo con il metodo di riferimento fosse più debole. L'algoritmo proposto, tuttavia, sembrava funzionare leggermente meglio ( ü 12,9 contro ü 14,1 ml/min/1,73 m2). Sulla base dei risultati ottenuti, non è stato possibile decidere quale approccio di segmentazione garantisse limiti di concordanza più ristretti. Nel caso della sessione 1, il confronto ha favorito la segmentazione manuale (π=31.3 contro 35,5 ml/min/1,73 m2). Tuttavia, i limiti più ristretti di accordo e intervalli di confidenza in tutti gli esperimenti sono stati ottenuti per la sessione 2 e l'etichettatura automatica (π=25,1 mL/min/1,73 m2). Entrambi gli approcci di segmentazione hanno portato a risultati ripetibili (vedi Tabella 4) con il coefficiente di variazione pari al 30,2 per cento nel caso peggiore (segmentazione manuale,rene). Apparentemente, la segmentazione automatica assicurava una migliore stabilità con coefficienti di variazione due volte più bassi rispetto al caso delle controparti manuali. I valori p ottenuti nei test t di Student per i relativi campioni erano tutti al di sopra del livello di confidenza a=0.05 mostrando prove insufficienti contro l'ipotesi nulla che non vi fosse alcuna differenza significativa tra le medie osservate delle misurazioni SK-GFR. Tuttavia, il valore p calcolato per il rene sinistro e la segmentazione manuale era relativamente piccolo. Ulteriori indagini, potenzialmente coinvolgenti un campione più ampio, sono necessarie per confermare o rifiutare la ripetibilità delle misurazioni in questo caso.

4. Discussione

L'obiettivo principale di questo studio era di progettare un metodo efficiente perrenesegmentazione nelle immagini DCE-MR. Abbiamo combinato i concetti parzialmente proposti in lavori precedentemente pubblicati in un quadro computazionale uniforme. Comprende la segmentazione semantica grossolana del parenchima renale, la trasformazione PCA dei percorsi temporali del segnale MR per creare la rappresentazione numerica dei voxel e quindi consentire alla loro classificazione di produrre una segmentazione fine del tessuto renale nella corteccia, nel midollo e nel bacino. L'approccio proposto porta a risultati accurati, consentendo il riconoscimento renale al tasso del 94% in termini di coefficiente di Jaccard. La segmentazione di particolari compartimenti renali può essere ottenuta con IoU tra il 90% e il 93% (96-95% del coefficiente Dice), a seconda del tipo di tessuto.

Quando si fa riferimento ad altri risultati pubblicati, i rapporti ottenuti sono o in buon accordo o leggermente inferiori. In [14], il punteggio dei Dadi per i sanirenela segmentazione è stata riportata a livello del 99 percento (corteccia), 98 percento (midollo) e 96 percento (bacino). Tuttavia, è stato anche mostrato per i dati simulati che il rumore dell'immagine può degradare significativamente la precisione all'82–85 percento. Poiché i protocolli di imaging ivi utilizzati e nel nostro studio differivano sia per quanto riguarda la risoluzione spaziale che temporale, le discrepanze osservate nell'intervallo dell'1-2% possono essere attribuite a vari livelli di rumore nei nostri studi. Condizioni di scansione comparabili sono state utilizzate in un gruppo di pazienti pediatrici in [15]. Il punteggio medio F1-in esso osservato era pari al 93 percento per l'interorenee 86 percento per la corteccia renale. In [12] la segmentazione basata sul clustering è stata valutata utilizzando punteggi di accuratezza. I risultati medi ottenuti sono stati: 88 percento —corteccia, 91 percento — midollo e 98 percento — bacino. Questi valori possono essere definiti collettivamente come il punteggio di accuratezza bilanciato che tiene conto delle dimensioni di un determinato segmento. Pertanto, il nostro modello SVM sembra superare l'approccio basato sul clustering offrendo accuratezza di classificazione, nonché tassi di richiamo al livello del 96 percento anche per la regione della corteccia più ampia.

Alla fine, la rete della CNN si è dedicata al riconoscimento del tuttorenedescritto in [26] ha mostrato prestazioni inferiori rispetto al nostro design U-Net, ottenendo un punteggio F1-=91,4 percento per i normali soggetti del test.

Le differenze osservate nei risultati della segmentazione dovrebbero essere viste anche alla luce della configurazione del richiamo di addestramento dell'algoritmo. Contrariamente ad alcuni approcci alternativi [11,14], la nostra strategia è indipendente dal paziente. Una volta costruiti, i modelli di segmentazione semantica e classificazione, vengono applicati a nuovi studi, non incontrati nel set di formazione. Pertanto, le caratteristiche specifiche del paziente non possono guidare il meccanismo di riconoscimento e potrebbero non adattarsi al modello addestrato, diminuendo il tasso di accuratezza generale. Inoltre, come discusso in precedenza, a causa dell'effetto volume parziale che persiste ai confini tra corteccia, midollo e bacino, rimane una certa dose di incertezza riguardo alle segmentazioni manuali di riferimento che devono essere prese in considerazione durante l'analisi delle metriche riportate. Sebbene il classificatore SVM sia stato addestrato su segnali di verità di base accuratamente selezionati e distintivi del tessuto, i dati di convalida, che devono comprendere tutti i voxel renali, possono ancora soffrire di soggettivismo delle annotazioni dell'osservatore.

Oltre al potere osservato di produrre risultati di segmentazione accurati, la nostra strategia possiede una caratteristica vantaggiosa. Dal momento che utilizziamo un classificatore supervisionato per assegnare i voxel dell'immagine a quelli appropriatireneregioni, non è necessaria una fase di etichettatura separata. Nel caso del clustering, è necessario fornire alcune euristiche per interpretare la categoria effettiva di ciascun cluster, se si vuole garantire l'automazione dell'intera procedura.

Come illustrato nella Figura 10, esistono principalmente due fonti di discrepanza tra annotazioni automatiche e manuali. In primo luogo, il confine tra corteccia e piramidi midollari è ambiguo e i voxel corrispondenti sono parzialmente pieni di entrambi i tipi

di tessuto renale. Sebbene il metodo automatico tenda a includere tali voxel nella classe della corteccia, sono stati spesso designati come midollo dall'esperto. D'altra parte, anche la segmentazione manuale non è coerente a questo riguardo, il che dimostra la difficoltà nel decidere arbitrariamente sulla classe di voxel in cui l'effetto di volume parziale è dominante. In secondo luogo, si possono osservare falsi rilevamenti, ad esempio, sui bordi corticali esterni. Questi effetti possono essere attribuiti all'errata registrazione delle immagini nel dominio del tempo. Il metodo di registrazione b-spline applicato non è stato ottimizzato per la necessità di questo studio e rimane l'argomento della nostra indagine futura.

Gli esperimenti condotti hanno anche mostrato che l'algoritmo di segmentazione proposto migliora la ripetibilità della stima SK-GFR basata su immagini. I coefficienti di variazione calcolati ammontano al 14,5 per cento e al 17,5 per cento per la sinistra e la destrareni, rispettivamente. Nel caso delle annotazioni manuali, abbiamo ottenuto CoV=30,2 percento e 29,4 percento . Questi risultati devono essere valutati rispetto alla variazione naturale del GFR causata da fattori indipendenti, come la dieta e l'ora del giorno. Si prevede che il livello di creatinina sierica, che correla bene con il GFR, possa raggiungere un grado di variazione fino al 10 percento [43]. Quindi, CoV di ca. Il 15 percento indica una buona ripetibilità della procedura che utilizza l'automazionerenesegmentazione. Inoltre, le metriche di ripetibilità ottenute rientrano nell'intervallo di valori presentato altrove, ad esempio in [44] CoV=32 percento e 27 percento , mentre in [13], CoV=17, 5 percento e 15,4 percento per la sinistra e la destrareni, rispettivamente. In quest'ultimo studio, invece, il CoV è stato calcolato solo come rapporto tra σsm e la media di tutte le misurazioni, senza il fattore aggiuntivo di ′2. Se questo fattore di correzione viene riflesso, i loro CoV riportati diventano del 24,7% e del 21,8%, che sono abbastanza vicini ai nostri risultati.

Ci possono essere tre limiti del nostro studio. In primo luogo, la presunta partizione in patch di immagini può spingere la rete di segmentazione semantica ad apprenderereneposizioni solo vicino a uno dei bordi della patch. Pertanto, nell'ulteriore sviluppo dei nostri modelli, verrà studiato come si comporta l'algoritmo se il campo visivo di acquisizione è configurato in modo diverso. In secondo luogo, l'algoritmo di segmentazione è stato progettato utilizzando solo soggetti sani. Può avere conseguenze particolarmente significative in caso di segmentazione fine del parenchima renale. L'adeguamento del modello di classificazione ai reni malati può richiedere l'estensione del numero di classi a più di tre categorie (corteccia, midollo e pelvi) al fine di riflettere le diverse caratteristiche temporali delle lesioni del tessuto renale. In terzo luogo, per calcolare il GFR, abbiamo adattato il modello 2CFM al segnale DCE medio stimato nella corteccia segmentata. A causa dell'effetto volume parziale, sia la segmentazione manuale che quella automatica possono classificare alcuni voxel come midollari, sebbene contengano glomeruli renali. Ignorare tali voxel può essere uno dei motivi delle discrepanze osservate tra le misurazioni GFR derivate da immagini e basate su iohexolo. Per superare questo problema, alcuni autori [5] propongono di utilizzare la ROI del rene intero per assicurarsi che tutti i voxel che contribuiscono alla filtrazione renale siano inclusi nel processo di adattamento del modello PK. Abbiamo scoperto, tuttavia, che questo approccio porta a una notevole sovrastima del GFR per i set di dati disponibili nel nostro studio. Quindi, in futuro, prevediamo di applicare tecniche di super risoluzione basate sull'apprendimento profondo e tentiamo di ottenere annotazioni più precise dei voxel corticali.

Inoltre, dovrebbe essere sfruttato un approccio completamente 3D alla segmentazione semantica. Ci si può aspettare che una rete neurale in grado di elaborare interi volumi di risonanza magnetica produca una produzione più precisareneannotazioni grazie a informazioni di profondità aggiuntive. Tuttavia, il problema in questo studio ha dovuto essere ridotto a due dimensioni a causa del numero relativamente piccolo di studi disponibili per la formazione. La scomposizione di immagini volumetriche in sezioni trasversali 2D ha consentito di aumentare significativamente il set di dati di allenamento.

Alla fine, come descritto in precedenza, l'approccio proposto è stato convalidato in modalità leave-one-subject-out. Sono stati creati 10 modelli di reti neurali e classificatori efficaci e indipendenti. Una domanda legittima è come questi modelli potrebbero essere applicati a nuovi soggetti al di fuori del campione disponibile in questo studio. Un'opzione sarebbe quella di creare un insieme e introdurre un meccanismo di voto. In alternativa, si potrebbe addestrare un nuovo schema di segmentazione (che abbraccia sia i passaggi grossolani che quelli a grana fine) basato sull'intero 10-campione del soggetto. Le sue prestazioni per quanto riguarda i nuovi set di dati dovrebbero essere paragonabili ai risultati sopra presentati.

cistance può alleviarerenedolore, clicca qui per saperne di più

5. Conclusioni

Per concludere, in questo articolo abbiamo dimostrato un framework computazionale per supportare la valutazione quantitativa direneperfusione fornendo un modo automatizzato di segmentazione dei compartimenti renali. I risultati di accuratezza ottenuti dimostrano il funzionamento affidabile del metodo progettato. Inoltre, nei nostri esperimenti, approcci alternativi per discriminare segmenti di corteccia, midollo e pelvi, basati su trasformate wavelet e algoritmi di clustering, funzionano in modo meno efficace. La ripetibilità della misurazione SK-GFR basata sui segmenti trovati automaticamente migliora rispetto ai risultati dell'elaborazione manuale e rimane anche in buon accordo con altri risultati pubblicati. Il metodo di segmentazione progettato consente un maggiore oggettivismo dei parametri di perfusione derivati ​​dall'immagine e anche una diagnosi potenzialmente più rapida delle insufficienze renali. Questi risultati avvicinano l'applicazione clinica dell'imaging DCE-MR come metodo di routine inrenediagnostica. Infine, al fine di facilitare questo passaggio dalla ricerca al dominio applicativo, rendiamo disponibile il nostro framework software per la modellazione farmacocinetica in [39]. Il repository include anche gli script per l'estrazione e la classificazione delle caratteristiche basate sul segnale DCE.

Contributi dell'autore:Concettualizzazione, AK; metodologia, AK ed EE; software, AK; convalida, AK; analisi formale, AK; indagine, AK; risorse, EE e AL; cura dei dati, EE; scrittura—preparazione della bozza originale, AK; scrittura: revisione e modifica, AL e EE; visualizzazione, AK; supervisione, AL; amministrazione del progetto, AK Tutti gli autori hanno letto e accettato la versione pubblicata del manoscritto.

Finanziamento:Questa ricerca non ha ricevuto finanziamenti esterni.

Dichiarazione del comitato di revisione istituzionale:Lo studio è stato condotto in conformità con la Dichiarazione di Helsinki e il protocollo è stato approvato dai comitati regionali per l'etica della ricerca medica — Norvegia occidentale (REC West 2012/1869).

Dichiarazione di consenso informato:Tutti i soggetti hanno dato il loro consenso informato per l'inclusione prima di partecipare allo studio.

Dichiarazione sulla disponibilità dei dati:Le immagini DCE-MR utilizzate in questo studio non possono essere rese disponibili perché il consenso scritto firmato dai partecipanti non copriva l'accordo per la diffusione pubblica dei dati acquisiti.

Conflitto di interessi:Gli autori dichiarano assenza di conflitto di interesse.

Riferimenti

1. Zabell, JR; Larson, G.; Koffel, J.; Coperchio.; Anderson, JK; Peso, CJ Uso della modifica della dieta nell'equazione delle malattie renali per la stima Tasso di filtrazione glomerularenella Letteratura Urologica. J. Endourol. 2016, 30, 930–933.

2. Delaney, P.; Eberto, N.; Melsom, T.; Gaspari, F.; Mariat, C.; Cavaliere, E.; Bjork, J.; Christensson, A.; Nyman, Stati Uniti; Porrini, E.; et al. Clearance del plasma dell'ioexolo per la misurazionevelocità di filtrazione glomerularenella pratica clinica e nella ricerca: una rassegna. Parte 1: Come misurarevelocità di filtrazione glomerularecon ioesolo? Clin.ReneJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Velocità di filtrazione glomerulare: valutazione con risonanza magnetica dinamica con mezzo di contrasto e un modello del compartimento corticale nel conigliorene. J. Magn. Risonanza. Immagini 2004, 20, 843–849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO MRI-misurazione della perfusione e della filtrazione glomerulare nell'uomorenecon un modello a scomparti separabili. Indagare. Radiol. 2008, 43, 40–48.

5. Tofts, P.; Cutajar, M.; Mendichovszky, I.; Peters, A.; Gordon, I. Misurazione precisa della filtrazione renale e dei parametri vascolari utilizzando un modello a due compartimenti per la risonanza magnetica dinamica con contrastorenefornisce valori normali realistici. Euro. Radiol. 2012, 22, 1320–1330.

6. Chen, B.; Zhang, Y.; Canzone, X.; Wang, X.; Zhang, J.; Fang, J. Stima quantitativa della funzione renale con risonanza magnetica dinamica con contrasto potenziato utilizzando un modello modificato a due compartimenti. PLoS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovszky, I.; Toft, P.; Gordon, I. L'importanza della selezione della ROI dell'AIF nella renografia DCE-MRI: riproducibilità e variabilità della perfusione renale e della filtrazione. Euro. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, H.; Bokačeva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; Principe, K.; Canzone, T.; Kramer, EL; et al. Misurazioni della funzione renale da renografia RM e un modello multicompartimentale semplificato. Sono. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS; Blasberg, RG Valutazione grafica delle costanti di trasferimento sangue-cervello da dati di assorbimento multiplo. generalizzazioni. J. Cereb. Metab del flusso sanguigno. 1985, 5, 584–590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Misurazione direnevelocità di filtrazione glomerulare utilizzando una sequenza gradiente-eco dinamica con contrasto migliorato e la tecnica del diagramma di Rutland-Patlak. J. Magn. Risonanza. Immagini 2003, 18, 714–725.

11. Zöllner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rorvik, J.; Santos, A.; Lundervold, A. Valutazione di 3D DCE-MRI delreniutilizzando la registrazione dell'immagine non rigida e la segmentazione dei corsi temporali voxel. Calcola Med. Grafico di imaging. 2009, 33, 171–181.

12. Li, S.; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Segmentazione basata su Wavelet dei compartimenti renali in DCE-MRI dell'uomorene: Risultati iniziali in pazienti e volontari sani. Calcola Med. Grafico di imaging. 2012, 36, 108–118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Misurazione MRI dinamica con mezzo di contrasto della funzione renale in partecipanti sani. Acta Radiol. 2017, 58, 748–757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Cantato, KH; Liu, W. Segmentazione del compartimento renale nelle immagini DCE-MRI. Med. Immagine anale. 2016, 32, 269–280.

15. York, Stati Uniti; Hargreaves, BA; Vasanawala, SS Segmentazione renale automatica per urografia MR utilizzando 3D-GrabCut e foreste casuali. Magn. Risonanza. Med. 2018, 79, 1696–1707.

16. Lundervold, AS; Lundervold, A. Una panoramica dell'apprendimento profondo nell'imaging medico incentrato sulla risonanza magnetica. Z. Für Med. Phys. 2019, 29, 102–127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Valutazione delle reti neurali profonde per la segmentazione semantica della prostata nella risonanza magnetica T2W. Sensori 2020, 20, 3183.

18. Shelhamer, E.; Lungo, J.; Darrell, T. Reti completamente convoluzionali per la segmentazione semantica. IEEE trad. Modello anale. Mach. Intel. 2017, 39, 640–651.

19. Badrinarayanan, V.; Kendall, A.; Cipolla, R. SegNet: un'architettura codificatore-decodificatore convoluzionale profonda per la segmentazione dell'immagine. IEEE trad. Modello anale. Mach. Intel. 2017, 39, 2481–2495.

20. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: reti convoluzionali per la segmentazione di immagini biomediche. In Atti della 18a conferenza internazionale sull'informatica medica e l'intervento assistito da computer, Monaco, Germania, 5–9 ottobre 2015; pp. 234–241.