Avtosomal-dominant polikistik buyrak kasalligidan ta'sirlangan bemorlarning MR tasvirlarida buyrak kistalarining avtomatik semantik segmentatsiyasi

Aloqa: Audrey Hu Whatsapp/hp: 0086 13880143964 Email:audrey.hu@wecistanche.com

Timoti L. Klayn^1,2· Mari E. Edvards²· Jeffri Fetzer¹· Adriana V. Gregori²· Deema Anaam¹· Endryu J. Metsger²· Bredli J. Erikson¹

Abstrakt

MaqsadOtosomal dominant polikistik bilan kasallangan bemorlar uchunbuyrakkasallik(ADPKD), kistalarning muvaffaqiyatli differentsiatsiyasi bemorning fenotiplarini avtomatik tasniflash, klinik qarorlar qabul qilish va kasallikning rivojlanishi uchun foydalidir. Maqsad ADPKD bilan og'rigan bemorlarda buyrak kistalarini farqlash va tahlil qilish uchun to'liq avtomatlashtirilgan semantik segmentatsiya usulini ishlab chiqish va baholash edi.

Usullar Konvolyutsion neyron tarmog'idan foydalangan holda avtomatlashtirilgan chuqur o'rganish yondashuvi o'rgatilgan, tasdiqlangan va 60 MR T2- vaznli tasvirlar to'plamida sinovdan o'tgan. Turli xil o'qitish va tasdiqlash to'plamlari (n=40) bo'yicha uchta modelni o'rgatish uchun uch marta o'zaro tekshirish usuli qo'llanildi. Keyin ansambl modeli qurildi va ushlab turiladigan korpuslarda (n=20) sinovdan o'tkazildi, har bir holat ikkita o'quvchi tomonidan bajarilgan qo'lda segmentatsiyalar bilan solishtirildi. O'quvchilar o'rtasidagi segmentatsiya kelishuvi va avtomatlashtirilgan usul baholandi.

NatijalarAvtomatlashtirilgan yondashuv kuzatuvchilararo o'zgaruvchanlik darajasida ishlashi aniqlandi. Avtomatlashtirilgan yondashuv zar koeffitsientiga ega (o'rtacha ± standart og'ish) {0}}.86 ± 0.10 va Reader-1 va {{10}},84 ± {{2{25}}}},11 va Reader-2. Interobserver Dice 0.86 ± 0,08 edi. Umumiy kista hajmi (TCV) jihatidan avtomatlashtirilgan yondashuv Reader{18}} bilan 3,9 ± 19,1 foiz va Reader-2 bilan 8,0 ± 24,1 foiz farqi bor edi, kuzatuvchilararo o‘zgaruvchanlik esa − 2,0 ± 16,4 edi. foiz.

Xulosa Ushbu tadqiqot semantik segmentatsiyani amalga oshirish uchun to'liq avtomatlashtirilgan yondashuvni ishlab chiqdi va tasdiqladibuyrakADPKD bilan kasallangan bemorlarning MR tasvirlarida kistlar. Ushbu yondashuv ADPKDning qo'shimcha ko'rish biomarkerlarini o'rganish va fenotiplarni avtomatik ravishda tasniflash uchun foydali bo'ladi.

Kalit so'zlarAvtosomal dominant polikistikbuyrakkasallik· Semantik kista segmentatsiyasi · Chuqur o'rganish · Magnit-rezonans tomografiya

Cistanche deserticola foydasi: oldini oladibuyrakkasallik

Kirish

Avtosomal dominant polikistikbuyrakkasallik(ADPKD) eng keng tarqalgan irsiy buyrak kasalligi bo'lib, butun dunyo bo'ylab taxminan 12 million odamga ta'sir qiladi va hozirda buyrak etishmovchiligining to'rtinchi asosiy sababidir [1, 2]. Uning patologiyasi shundan iboratki, kistlarning uzluksiz o'sishi jami progressiv o'sishni keltirib chiqaradibuyrakhajmi (TKV). Odatiy ADPKD bilan og'rigan bemorda buyrak funktsiyasining progressiv pasayishi kuzatiladi va 40 yoshdan 70 yoshgacha bo'lgan davrda taxminan 70 foiz buyrak kasalligining oxirgi bosqichiga o'tadi [3, 4].

Bir qator tadqiqotlarda TKV ADPKD rivojlanishining foydali prognozchisi ekanligi ko'rsatilgan [5-7]. Xuddi shunday, kista yukini aniqlash va o'lchash qobiliyati kasallikning rivojlanishi, tuzilishi va genotipik tafovutlar haqidagi bilimimizga yordam beradi. Kistlarning rivojlanishi va o'sishi buyrak funktsiyasining pasayishi bilan kuchli bog'liqligi yaxshi tushuniladi [6, 8]. Bundan tashqari, TKV o'sishi va kist o'sishi o'rtasida to'g'ridan-to'g'ri bog'liqlik mavjudligi ko'rsatilgan; ammo kistalar o'sishi va yangi kistalar paydo bo'lish tezligi har bir kishiga bog'liq [9]. Bundan tashqari, uzunlamasına tadqiqotlar shuni ko'rsatdiki, vaqt o'tishi bilan ADPKD bilan og'rigan bemorlarda TKV va kist hajmining ko'payishi va umumiy parenxima hajmining pasayishi kuzatiladi, bu esa kistsizbuyrakto'qimako'proq kistalar va doimiy ravishda kattalashib borayotgan kistalar bilan almashtiriladi [10]. Qizig'i shundaki, kista o'sishi va kista indeksi (kist hajmining TKVga nisbati) PKD1 va PKD2 genotiplari orasida sezilarli darajada farq qiladi, chunki PKD1 populyatsiyasidagi bemorlarda kistalar ertaroq rivojlanadi [11, 12]. Kistik yuk va o'sishni qo'shimcha tahlil qilish kasallikning tendentsiyalari va terapevtik strategiyalar haqida ma'lumot berish imkoniyatiga ega.

Yangi ko'rish biomarkerlari paydo bo'lganda, olimlar kist va kistsizlarni ajratishning tez va samarali usullarini izlaydilar.buyrakto'qimalarning xususiyatlarini yanada chuqurroq, miqdoriy tahlil qilish uchun hududlar [13, 14]. Ilgari, kista va buyraklar qo'lda segmentlarga bo'lingan, bu juda ko'p mehnat talab qiladigan va sub'ektivdir [15]. Intensivlikka asoslangan chegarani ishga tushirish sifatida [16, 17], shuningdek, k-vositalarni klasterlash [18], kontur usullari [19] va oldingi ehtimollik shakllari kabi klassik mashinani o'rganish usullaridan foydalangan holda turli xil yarim avtomatlashtirilgan kista segmentatsiyasi yondashuvlari taklif qilingan. xaritalar [20]. Biroq, neyron tarmoqlardan foydalangan holda to'liq avtomatlashtirilgan chuqur o'rganish yondashuvi tasvir tahlilchisini qo'lda kuzatish zerikishdan xalos qiladi va takrorlanadigan va mustahkam hajmli hisoblar va segmentatsiyalarni ta'minlaydi. Chuqur o‘rganish yuqorida aytib o‘tilgan segmentatsiya usullariga xos bo‘lib, model o‘zining yakuniy segmentatsiya vazifasini bajarishga imkon beruvchi ma’lumotlar kiritilishidan tasvirning muhim xususiyatlarini “o‘rganish” imkoniyatiga ega. Trening orqali model inson ko'ziga osonlik bilan aniqlanmaydigan naqshlar, piksellar intensivligi va shakl ma'lumotlarini aniqlashga qodir.

Fazoviy piksellar sonini pasaytirishdan boshlanadigan konvolyutsion neyron tarmoqlari (CNN) o'ziga xos arxitekturasi tufayli piksel/voksel darajasidagi tibbiy tasvirni segmentatsiyalash vazifalarida ustunlik qiladi. Muxtasar qilib aytganda, birinchi qisqarish bo'limi tasvirning murakkabligini kamaytirish uchun ishlatiladigan konvolyutsion va rezolyutsiyani kamaytiradigan qatlamlar seriyasidir va ikkinchi kengaytirish bo'limi asosan xususiyatlar va fazoviy ma'lumotlarni birlashtirish uchun ishlatiladigan birinchi yo'lning oyna tasviridir. U-Net arxitekturasi [21] ana shunday tarmoqlardan biri bo'lib, segmentatsiya vazifalarini hal qilish uchun tibbiy tasvirni tahlil qilishda sezilarli darajada foydalanilgan. Ushbu arxitekturaning o'ziga xos afzalligi shundaki, u boshqa tarmoqlarga nisbatan katta o'quv majmuasini talab qilmaydi va yuqori aniqlikdagi segmentatsiya natijalarini beradi.

Ushbu tadqiqotda biz PKD MR tasvirlarining ma'lumotlar to'plamidan foydalanamizbuyraklarikki o'quvchi tomonidan kist izlari bilan asosiy haqiqat sifatida xizmat qiladi. Avtomatlashtirilgan yondashuv ishlab chiqiladi (o'zgartirilgan U-Net tipidagi arxitektura) va ansambl modeli o'rnatiladi va test ma'lumotlar to'plamida sinovdan o'tkaziladi. Ushbu tadqiqotda tasvirlangan chuqur neyron tarmoq modeli semantik segmentatsiyaga imkon beradibuyrakkistalarning umumiy hajmini (TCV) aniqlash va kasallik fenotiplarini keyingi baholash uchun foydali bo'lishi mumkin.

cistanche tubolosa foydalari

Materiallar va uslublar

MR tasvir ma'lumotlari

Ushbu retrospektiv tadqiqot https://github.com/TLKline/ AutoKidneyCyst manzilidagi institutsional ko'rib chiqish kengashidan ma'qullandi. Bizning PKD tasvirlar ma'lumotlar bazasidan turli darajadagi og'irlikdagi ODPKD bo'lgan 60 noyob bemorning MR skanerlari olingan. Ushbu tahlilda T2-og'irlikdagi yog' (N=42) va yog'siz to'yingan (N=18) skanerdan foydalanilgan. MR tasvirlari GE skaneri bilan olingan, matritsa o'lchami 256 × 256xZ (tasvirlangan hajmda buyraklarning to'liq hajmini qoplash uchun etarlicha katta Z bilan) bo'lgan koronal bir martalik tez spin-echo (SSFSE) T2 ketma-ketliklari edi. Tasvir voksel o'lchamlari tekislikda 1,5 mm bo'lib, odatda 3,0 mm bo'lak qalinligida edi.

Qo'lda segmentatsiyalar

Buyrak va kist izlari ikki tasvir tahlilchisi (https://github.com/TLKline/AutoK idneyCyst) tomonidan qo'lda bajarilgan, bu izlarni ko'p yillik tajribaga ega. Ta'lim/tasdiqlash to'plami bir o'quvchi tomonidan kuzatildi va kuzatuvchilar o'rtasidagi o'zgaruvchanlikni baholash uchun test to'plami ikkalasi tomonidan kuzatildi. Tasvirni tahlil qilish protokoli buyrak tos suyagi va qon tomir tuzilmalarini istisno qiladi. Kuzatuvlardan TKV va TCV voksellar sonining ovoz balandligiga ko'paytirilishi sifatida hisoblab chiqilgan. Har bir tahlilchi bir-birining izidan ko'r bo'lib qoldi. Ushbu kuzatuvlar NIfTI fayllari sifatida eksport qilindi.

Ma'lumotlarni stratifikatsiya qilish

Har bir skanerlash uchun yaratilgan TKV segmentatsiyasidan skanerlar 40 ta o'qitish/validatsiya holatlariga va 20 ta sinov to'plamiga ajratilgan. Ta'lim/tasdiqlash ma'lumotlar to'plamida 28 ta yog' bilan to'yingan holatlar va 12 ta yog'siz to'yingan holatlar (yog'ning 70 foizi to'yingan). Sinov to'plamida 14 ta yog' bilan to'yingan va 6 ta yog'siz to'yingan holatlar mavjud (70 foiz yog'ga to'yingan).

Oldindan ishlov berish

Model ikki kanalli yondashuv sifatida o'qitildi, bir kanal sifatida MR tasvir qismi, ikkinchisi esa buyrak segmentatsiyasi. E'tibor bering, ushbu ikki kanalli yondashuv bilan neyron tarmoq faqat buyrak ichidagi kistalarni aniqlashni o'rganadi. Tasvirlar MR tasvirlari uchun kublararo interpolyatsiya va buyrak va kist segmentatsiyasi maskalari uchun eng yaqin qo'shni interpolyatsiyasi yordamida 256 × 256 matritsa o'lchamiga o'zgartirildi. Har bir MR skanerlashning intensivligi birinchi navbatda hamma bir xil 95-persentil darajasiga ega bo'lishi uchun normallashtirildi va keyin standart skaler normalizatsiya qo'llaniladi (o'rtacha nolga teng, standart og'ish birligi).

Semantik segmentatsiya modeli

Tarmoq arxitekturasi avvalgi ishlarimizga o'xshardi [22, 23]. Konvolyutsiya bloklari 2D konvolyutsiyalardan iborat bo'lib, undan keyin tashlab ketish (to'xtash=0.1), to'plamni normallashtirish, 2D konvolyutsiyalari va maksimal birlashma (hovuz hajmi=2 ×2) kiradi. Kattaroq va murakkab filtr turlarini o'rganish uchun yuqori aniqlikdagi qatlamlar katta yadrolarga ega (koder yo'li bo'ylab 7 × 7 dan 5 × 5 dan 3 × 3 gacha bloklarda va dekoder yo'lining teskari tomonida). O'tkazib yuborilgan ulanishlar qo'shimcha qatlamlar sifatida amalga oshiriladi (Resnet-ga o'xshash [24]). Optimallashtiruvchi Adam [25] boʻlib, boshlangʻich oʻrganish tezligi 1e-3 va parchalanishi 1e-5. Yo'qotish ko'rsatkichi Dice o'xshashlik ko'rsatkichidir. Model=8 partiya hajmi bilan 200 ta davr uchun oʻqitiladi va eng yaxshi tekshirish oʻlchoviga ega model oʻquv jarayonida saqlanadi. Model Kerasda TensorFlow bilan backend sifatida amalga oshirildi. Model Nvidia Tesla P40 GPU (24 Gb xotira) da o'qitildi. Modelga kirish ikki kanalli matritsadir (256 × 256 × 2). Birinchi kanal MR tasvir bo'lagi, ikkinchisi esa mos keladigan buyrak niqobidir. Chiqish - kist segmentatsiyasi uchun bashorat. Hammasi bo'lib, uchta model uchta turli trening/validatsiya qatlamlarida o'qitildi va keyin ansambl, ko'pchilik ovozli model yaratildi va ushlab turish test to'plamiga qo'llandi. Kod quyidagi manzilda taqdim etiladi:

Baholash

Model bo'limida ta'riflanganidek, ma'lumotlarning turli kichik to'plamlarini o'rgatish uchun o'qitish/tasdiqlash to'plami uch qismga bo'lingan. Har bir katlama uchun o'quv jarayonida o'qitish va tekshirish egri chiziqlari yaratildi va har bir burmadan eng yaxshi model saqlangan. Keyin ko'pchilik ansambli modeli yaratildi va sinov ma'lumotlar to'plamiga qo'llanildi. Kist hajmi va kista indeksini taqqoslash chiziqli regressiya orqali amalga oshirildi va o'lchovlarning noto'g'riligi va aniqligini baholash uchun kist indeksi Bland-Altman tahlili bilan ham baholandi. Bundan tashqari, avtomatlashtirilgan usulni sifat jihatidan baholash uchun vizual qoplamalar yaratildi va miqdoriy baholash uchun o'xshashlik ko'rsatkichlari yaratildi. Har bir holatda, kuzatuvchilararo o'zgaruvchanlikni baholash uchun ikkita o'quvchi segmentatsiyasi taqqoslandi va avtomatlashtirilgan yondashuv har bir o'quvchi bilan individual ravishda taqqoslandi.

cho'l sistanche foydalari: buyraklar faoliyatini yaxshilash

Natijalar

Kasallikning og'irligi (ya'ni, TKV) bo'yicha o'qitish, tekshirish va test ma'lumotlar to'plami o'rtasida sezilarli farq yo'q edi. 1-rasmda yadro zichligi chizmalari sifatida tasvirlangan hajm taqsimotlari ko'rsatilgan. Bular uchta katlama, shuningdek, o'qitish/validatsiya va test to'plami o'rtasidagi umumiy taqsimot uchun ko'rsatilgan. Ushbu umumiy taqsimot ADPKD bilan kasallangan bemorlar populyatsiyasida ko'rinadigan katta darajadagi o'zgaruvchanlikni ifodalaydi.

Avtomatlashtirilgan usul uchta turli burmalar bo'yicha o'xshash ishlash mashg'ulotlariga ega edi. 2-rasmda uchta turli burmalar uchun o'rganish egri chiziqlari ko'rsatilgan, shu jumladan modelni o'rgatish paytida o'qitish va tekshirish zarlari qiymatlari. Model vaznlari o'quv majmuasida yangilanadi va har bir davr oxirida alohida tekshirish to'plamida baholanadi. Eng yaxshi tekshirish ko'rsatkichiga ega model o'quv jarayonida saqlanadi va yakuniy ansambl modelini ishlab chiqish uchun ishlatiladi.

Avtomatlashtirilgan yondashuv kistalarni to'g'ri taqsimlashda juda yaxshi edi. Shakllarda ko'rsatilgan. 3 va 4 - kuzatuvchilararo o'zgaruvchanlik uchun chiziqli regressiya taqqoslashlari, avtomatlashtirilgan usul va Reader-1 va avtomatlashtirilgan usul va Reader-2 kista hajmi (3-rasm), shuningdek kista indeksi (4-rasm). Bundan tashqari, avtomatlashtirilgan usul inson o'quvchilariga o'xshash darajada amalga oshiriladi. 5-rasmda kista indeksi uchun Bland-Altman taqqoslashlari ko'rsatilgan. E'tibor bering, bemorlar juda kam sonli kistalar bilan buyrak parenximasini kistalar bilan deyarli almashtiradigan holatlargacha bo'lgan kasalliklarning keng doirasini qamrab oladi. Kistik indeks ~ 0 dan > 90 foizgacha bo'lgan.

Vizual ravishda avtomatlashtirilgan segmentatsiya yondashuvi va qo'lda o'qiydiganlar o'rtasida ajoyib kelishuv mavjud edi. 6-rasmda eng yaxshi holatlardan biri (yuqori qator, Zar=0.98), eng yomon holat (oʻrta qator, Zar=0.50) va oʻrtacha holat (pastki qator) uchun vizual taqqoslashlar koʻrsatilgan. , Zar=0.86).

Umuman olganda, avtomatlashtirilgan yondashuv kuzatuvni amalga oshirayotgan ikki xil o'quvchi tomonidan ko'rilgan o'zgaruvchanlikdan farq qilmaydi. 1-jadvalda kuzatuvchilararo oʻzgaruvchanlikni avtomatlashtirilgan yondashuv va Reader-1, shuningdek, avtomatlashtirilgan yondashuv va Reader-2 oʻrtasidagi oʻzgaruvchanlikni solishtiruvchi oʻxshashlik statistikasi keltirilgan.

cistanche tubolosa ekstrakti: akteozid

Munozara

Sun'iy intellekt sohasidagi chuqur o'rganish olimlarga ma'lumotlarni samarali va to'liq baholash uchun, xususan, tibbiy tasvirni tahlil qilish uchun son-sanoqsiz vositalarni taqdim etdi. Ushbu tadqiqotda ishlab chiqilgan algoritm buyrak kistalarini foydalanuvchi aralashuvisiz buyrak to'qimalaridan aniq segmentlarga ajratdi. Ushbu modeldan oldin, organ to'qimalaridan kista tuzilmalarini ajratish yondashuvlari yarim avtomatlashtirilgan intensivlikka asoslangan chegara usullarini qo'llagan [16, 17, 20]. Intensivlikka asoslangan yondashuvlarning cheklanishi shundan iboratki, KTdan farqli o'laroq, MR piksel qiymatlari qo'lga kiritishlar orasida va hatto bitta olish doirasidagi bo'laklar orasida keskin farq qilishi mumkin, bu ma'lumotlarni to'g'ri normallashtirish uchun keng qamrovli qayta ishlash usullarini talab qiladi [26]. Bundan tashqari, intensivlikka asoslangan chegarani belgilashning ushbu usuli signal intensivligi past bo'lgan murakkab kistalarni butunlay o'tkazib yuboradi [16].

Ushbu tadqiqotda taqdim etilgan model kista segmentatsiyasi uchun o'rtacha 85 foiz Dice balliga erishdi, bu natija organ segmentatsiyasi uchun qo'llaniladigan boshqa zamonaviy usullar bilan solishtirish mumkin. ADPKDda adabiyotda keltirilgan chuqur o'rganishdan foydalanadigan barcha avtomatlashtirilgan yondashuvlar organlarni segmentatsiyalash vazifasiga, asosan buyrak segmentatsiyasiga qaratilgan. Ushbu yondashuvlarning ba'zilari Sharma et tomonidan amalga oshirilgan moslashtirilgan VGG-16 tarmog'ini o'z ichiga oladi. al [27] KT tasvirlarida buyraklarni segmentlash uchun. Ushbu tadqiqotning o'rtacha Dice balli 86 foizni tashkil etdi. Keshwani va boshqalar. al, [28] xuddi shunday buyrak segmentatsiyasini bashorat qilish uchun kompyuter tomografiyasidan foydalangan, ko'p vazifali 3D konvolyutsion neyron tarmog'i amalga oshirilgan va o'rtacha Dice ball 95 foizga erishgan. Mu va boshqalar. [29], boshqa tomondan, V-Net modeli yordamida buyrak segmentatsiyasini avtomatik ravishda yaratish uchun MR tasvirlaridan foydalangan va xabar qilingan Dice reytingi 95 foizni tashkil etgan.

Avtomatlashtirilgan yondashuv barcha ko'rsatkichlar bo'yicha qo'lda kuzatish bilan juda yaqin taqqoslandi. Chiziqli regressiyalar nuqtai nazaridan, avtomatlashtirilgan yondashuv ikkala o'quvchi bilan juda yaqin taqqoslandi. Bundan tashqari, kist indeksi inson o'quvchilariga o'xshash tarafkashlik va aniqlikka ega edi. Yaxshiroq aniqlik, ehtimol, avtomatlashtirilgan yondashuv inson o'quvchiga qaraganda izchilroq bo'lishi bilan bog'liq. Aniqlanishicha, eng katta farq Hausdorf masofasida kuzatilgan, bu ba'zi bir kichik noto'g'ri pozitivlarning natijasi bo'lishi mumkin, ularni oddiy keyingi ishlov berish (masalan, modelning kista segmentatsiyasi niqobining chiqishini buyrak niqobiga ko'paytirish) bilan hal qilish mumkin. ). Bundan tashqari, vizual kelishuv nihoyatda kuchli edi. O'xshashlik ko'rsatkichlari bo'yicha eng yomon holat kasallikning juda yumshoq namoyon bo'lishi edi. Bunday holda, inson o'quvchi tezda kist segmentatsiyasini yakunlash uchun sifatni baholashni ta'minlay oladi. Umuman olganda, yondashuv keng o'lchamdagi kistalarni aniq ajratadi. Ushbu tadqiqotda kistalar ~ 3-5 mm gacha o'lchandi. Bu rekonstruksiya qilingan tasvir o'lchamlari bilan cheklanadi, uning tekisligi ~ 1,5 mm. Bundan tashqari, eng katta kistning diametri 118 mm edi.

Kistik yukni avtomatik ravishda baholash qobiliyatiga ega bo'lish bu erda keltirilgan texnikani qo'llagan holda retrospektiv tadqiqotlar o'tkazish uchun eshikni ochadi. Oldingi tadqiqotlar kist yukini baholash uchun ko'proq asosiy yondashuvlarni qo'lladi va bu tasvirdan olingan parametrlarning istiqbolli informatsion qiymatini ko'rsatdi. Oldingi qisqa muddatli tadqiqotlar shuni ko'rsatdiki, kist hajmi kichik kohortda o'lchanganda, tolvaptan davolangan ADPKD bemorlarida kist hajmini kamaytirdi [30]. Ushbu ta'sirlar preparatni uzoq muddatli qo'llash davomida davom etishini baholash uchun keyingi tahlillarni yakunlash kerak. Ushbu tadqiqotda taqdim etilgan avtomatlashtirilgan usul kattaroq ma'lumotlar to'plamini tez va oson tahlil qilish imkonini beradi. Kist o'sishini kuzatish o'ziga xos genotiplar haqida ham ma'lumot berishi mumkin. Bir tadqiqot shuni ko'rsatdiki, PKD1 bilan kasallangan bemorlarda PKD2 bilan kasallangan bemorlarga qaraganda ko'proq kistalar mavjud. Aniqrog'i, PKD1 bilan og'rigan bemorlar tezroq rivojlanadi, chunki ular tezroq o'sganligi uchun emas, balki ko'proq kistalar erta rivojlanadi [11].

Ushbu tadqiqotning bir cheklovi shundaki, u nisbatan kichik kohortni (n=60) baholagan. Biroq, oltin standart kist segmentatsiyasini yaratish kasallikning og'irligiga qarab 8 soatgacha davom etdi. Ushbu cheklov tufayli biz kasallikning fenotipik ko'rinishlarining to'liq ko'lamini qamrab olish uchun ushbu maxsus kohortni ishlab chiqdik, ular bir nechta kistalardan tashkil topgan buyraklardan (kistik indeks=0,5 foiz) buyrak parenximasi bilan deyarli butunlay almashtirilgan buyraklargacha. kistalar (kistik indeks=90 foiz). Kasallik fenotiplarining to'liq miqyosidagi kista yukini baholash usulini o'rnatish ushbu yondashuvni kuchli umumlashtirishga imkon beradi. Yana bir cheklov shundaki, biz tasvir o'lchamlari ostida mikroskopik kistlarni aniqlamaymiz. Biroq, bu mikrokistlar kistaning umumiy hajmiga nisbatan kichik hissa qo'shadi [31]

Kelajakdagi tadqiqotlar kattaroq kogortalarni baholashi mumkin va individual kistlarni segmentlash va farqlash uchun avtomatlashtirilgan usullarni o'rganish mumkin. Bu kistalar sonini avtomatik ravishda hisoblash va kist hajmining taqsimlanishini baholashni osonlashtiradi. Bu, shuningdek, atipik bemorlarga xos bo'lganlarni avtomatik ravishda tasniflash imkonini beradi, bu esa rivojlanish xavfi va dori terapiyasidan foyda olish ehtimoli haqida ma'lumot beradi. Atipik holatlarni odatiy holatlardan ajratib turadigan mezonlarning aksariyati kist indeksi, soni va hajmiga tayanadi. Masalan, agar 5 dan kam yoki unga teng kistalar TKV ning 50 foizidan ko'p yoki unga teng bo'lsa va buyrak to'qimasini kistalardan engil almashtirish bo'lsa, bemor atipik hisoblanadi [32]. Buni avtomatik ravishda hisoblab chiqadigan vosita muhim o'qishga kirish bosqichida juda tez va ob'ektiv tasniflash imkonini beradi.

Kist tuzilishi va tarkibi, shuningdek, ODPKDni baholashda juda informatsion hisoblanadi. Kistik hududlar buyrak parenximasidan ajratilgandan so'ng, murakkab kistlarning foizini yoki tarqalishini aniqlash uchun intensivlik va/yoki tekstura asosida keyingi tahlillar o'tkazilishi mumkin. Odatda, bu murakkab kistalar T2-tormozlangan MR tasvirida "quyuqroq" intensivlik bilan tavsiflanadi. Ko'rinib turibdiki, sog'lom parenxima to'qimasini kattaroq kistalardan ajratib olingandan keyin xuddi shunday tahlil qilish mumkin. Yana bir yondashuv - bu nafaqat kistalarni segmentatsiyalashda, balki ularni tasniflashda ham yordam berish uchun bir nechta tasvirlarni olish (masalan, T1- va T2-vaznli MR tasvirlarini birlashtirish). Boshqa tasvirlash usullariga (masalan, KT) va organlarga (masalan, jigar) kengaytirish ham PKD fenotipining keng qamrovli tavsifini ta'minlash va aralash tasvirlash ma'lumotlari (masalan, ultratovush, kompyuter tomografiyasi va /) mavjud bo'lgan keng ko'lamli tadqiqotlarni o'tkazish uchun muhim bo'ladi. yoki magnit-rezonans tomografiya) turli bemorlar uchun mavjud va buyrakdan tashqari ko'rinishlar (masalan, PLD) mavjud.

Xulosa

Biz ADPKD bilan kasallangan bemorlarning MR tasvirlaridan buyrak kistalarini semantik segmentatsiya qilishning to'liq avtomatlashtirilgan usulini ishlab chiqdik. Usul inson o'quvchilari bilan teng ishlaydi va bemorning fenotiplarini va umumiy kist yukini baholash uchun kelajakdagi retrospektiv va istiqbolli tadqiqotlarda foydali bo'ladi.

Ma'lumotnomalar

1. PA Gabow, "Autosomal dominant polikistik buyrak kasalligi", N Engl J Med, jild. 329, yo'q. 5, 332-42-bet, 29-iyul, 1993-yil,

2. PC Xarris va VE Torres, "Polikistik buyrak kasalligi," Annu Rev Med, jild. 60, 321-37-bet, 2009 yil

3. AB Chapman va boshqalar, "Autosomal-dominant polikistik buyrak kasalligi (ADPKD): Buyrak kasalligining ijro etuvchi xulosasi: Global natijalarni yaxshilash (KDIGO) ziddiyatlar konferentsiyasi," Kidney Int, jild. 88, yo'q.

4. EM Spithoven va boshqalar, "Yevropada avtosomal dominant polikistik buyrak kasalligi (ADPKD) uchun buyrakni almashtirish terapiyasi: tarqalish va omon qolish--ERA-EDTA registridagi ma'lumotlar tahlili", Nephrol Dial Transplant, jild. 29 Suppl 4, IV 15-25 bet, 2014 yil sentyabr,

5. RD Perrone va boshqalar, "Buyrakning umumiy hajmi autosomal dominant polikistik buyrak kasalligi bilan og'rigan bemorlarda buyrak funktsiyasining pasayishi va yakuniy bosqichdagi buyrak kasalligiga o'tishning prognostik biomarkeridir", Buyrak Int Rep, jild. 2, yo'q. 3, 442-450-bet, 2017 yil may, DOI:

6. AB Chapman va boshqalar, "Otozomal dominant polikistik buyrak kasalligida buyrak hajmi va funktsional natijalari", Clin J Am Soc Nephrol, vol. 7, yo'q. 3, 479-86-bet, 2012 yil mart

7. JJ Grantham, AB Chapman va VE Torres, "Atosomal dominant polikistik buyrak kasalligida hajmning rivojlanishi: klinik natijalarni belgilovchi asosiy omil", Clin J Am

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2nd va 1505-11, avgust 2000. [Onlayn]. Mavjud: https://www.ncbi.nlm.

11. PC Xarris va boshqalar, "Kist soni, ammo kista o'sishi tezligi emas, autosomal dominant polikistik buyrak kasalligida mutatsiyaga uchragan gen bilan bog'liq", J Am Soc Nephrol, jild. 17, yo'q. 11, 3013-9-bet, 2006 yil noyabr, https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Otosomal dominant polikistik buyrak kasalligida rivojlanish mexanizmlari", Kidney Int Suppl, jild. 63, s. S 93-7, 1997 yil dekabr. [Onlayn]. Mavjud: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. TL Kline va boshq., "Rasm tuzilishi xususiyatlari autosomal dominant polikistik buyrak kasalligi bo'lgan bemorlarda buyrak funktsiyasining pasayishini bashorat qiladi", Kidney Int, vol. 92, yo'q. 5, 1206-1216-bet, 2017 yil noyabr, https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline va boshqalar, "Buyrak kasalliklarida buyraklarning miqdoriy MRI", Abdom Radiol (NY), jild. 43, yo'q. 3, 629-638 bet, 2018 yil mart

15. KT Bae, PK Comment va J. Li, "MRG yordamida buyrak kistalari va parenximasini hajmli o'lchash: fantomlar va polikistik buyrak kasalligi bo'lgan bemorlar", J Comput Assist Tomogr, vol. 24, yo'q. 4, 614-9 bet, 2000 yil iyul-avgust

16. KT Bae va boshqalar, "Polikistik buyrak kasalligida buyrak kistalarini baholashning yangi metodologiyasi", Am J Nephrol, jild. 39, yo'q. 3, 210- 7-bet, 2014 yil

17. AB Chapman va boshqalar, "Erta autosomal-dominant polikistik buyrak kasalligida (ADPKD) buyrak tuzilishi: Polikistik buyrak kasalligi (CRISP) kohortining radiologik ko'rish tadqiqotlari konsortsiumi", Kidney Int, jild. 64, yo'q. 3, 1035-45 bet, 2003 yil sentyabr,

18. K. Bae va boshqalar, "Autosomal dominant polikistik buyrak kasalligi bo'lgan bemorlarda MR tasvirlaridan individual buyrak kistalarining segmentatsiyasi", Clin J Am Soc Nephrol, vol. 8, yo'q. 7, bet. 1089-97, 2013 yil iyul, DOI: https://doi.org/10.2215/CJN.10561012.

19. TL Kline, ME Edvards, P. Korfatis, Z. Akkus, VE Torres va BJ Erikson, "T2-Og'irlangan MR tasvirlarida polikistik buyraklarning yarim avtomatik segmentatsiyasi," AJR Am J Roentgenol, jild. 207, yo'q. 3, 605-13-bet, 2016 yil sentyabr, https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim va boshqalar, "Atosomal dominant polikistik buyrak kasalligi bo'lgan bemorlarda cheklangan qorin bo'shlig'i MR tasvirlaridan jigar va jigar kistalarini avtomatlashtirilgan segmentatsiyasi", Phys Med Biol, jild. 61, yo'q. 22, 7864-7880-bet, 21 2016-noyabr, DOI:

cistanche sog'liq uchun foydalari: buyraklar faoliyatini yaxshilash