Segmentação do Rim Saudável nas Imagens Dce-Mr Usando uma Rede Neural Convolucional e Características do Sinal Temporal

Artur Klepaczko1, Eli Eikfjord²e Arvid Lundervold^2,3,4

Abstrato:A quantificação da perfusão renal com base na ressonância magnética dinâmica com contraste (DCE-MRI) requer a determinação dos cursos temporais da intensidade do sinal na região do parênquima renal. Assim, a seleção de voxels que representam orimdeve ser realizado com cuidado especial e constitui uma das principais limitações técnicas que dificultam o uso mais amplo dessa técnica como rotina clínica padrão. A segmentação manual dos compartimentos renais – mesmo se realizada por especialistas – é uma fonte comum de diminuição da repetibilidade e reprodutibilidade. Neste artigo, apresentamos uma estrutura de processamento pararimsegmentação em imagens DCE-MR. A estrutura consiste em duas etapas. Primeiramente,rimmáscaras são geradas usando uma rede neural convolucional. Em seguida, os voxels da máscara são classificados em uma das três regiões – córtex, medula e pelve – com base em cursos de tempo de intensidade de sinal de DCE-MRI. A abordagem proposta foi avaliada em uma coorte de 10 voluntários saudáveis ​​que realizaram o exame de DCE-RM. A ressonância magnética foi repetida em dois eventos em um intervalo de 10-dias. Para a tarefa de segmentação semântica, empregamos uma arquitetura U-Net clássica, enquanto os experimentos de classificação de voxel foram realizados usando três algoritmos alternativos - máquinas de vetor de suporte, regressão logística e árvores impulsionadoras de gradiente extremo, entre os quais o SVM produziu os resultados mais precisos. Ambas as etapas de segmentação e classificação foram realizadas por uma série de modelos, cada um treinado separadamente para um determinado sujeito usando apenas os dados de outros participantes. A média alcançou uma precisão de todorima segmentação foi de 94% em termos de coeficiente de IoU. Córtex, medula e pelve foram segmentados com IoU variando de 90 a 93 por cento, dependendo do tecido e do lado do corpo. Os resultados também foram validados comparando parâmetros de perfusão derivados de imagens com medições de verdade de solo deTaxa de filtração glomerular(TFG). A repetibilidade do cálculo da TFG, avaliada pelo coeficiente de variação, foi determinada no nível de 14,5 e 17,5 por cento para o rim esquerdo e direito, respectivamente, e melhorou em relação à segmentação manual. A reprodutibilidade, por sua vez, foi avaliada medindo-se a concordância entre os valores de TFG derivados de imagem e baseados em ioexol. As diferenças médias absolutas estimadas foram iguais a 9,4 e 12,9 mL/min/1,73 m2 para as sessões de varredura 1 e 2 e o método de segmentação automatizada proposto. O resultado para a sessão 2 foi comparável com a segmentação manual, enquanto para a sessão 1 a reprodutibilidade no pipeline automático foi mais fraca.

Palavras-chave:RM com contraste dinâmico; redes neurais convolucionais;rimsegmentação; modelagem farmacocinética; quantificação da perfusão; Taxa de filtração glomerular

Contato: ali.ma@wecistanche.com

Clique para Cistanche herba para doença renal

1. Introdução

A função renal é avaliada rotineiramente medindo-se o nível de creatinina sérica. Com base em seu valor, oTaxa de filtração glomerular(TFG) pode ser estimado usando, por exemplo, a equação Modification of Diet in Renal Disease [1]. Outro método para determinar a TFG, que recentemente ganhou popularidade no cenário clínico, é o teste de depuração plasmática de ioexol. Alguns autores postulam que este método substitui a técnica padrão-ouro baseada na depuração urinária da inulina [2]. Todos esses procedimentos, no entanto, permitem a quantificação da TFG simultaneamente para ambos.rins. Assim, a ressonância magnética com contraste dinâmico (DCE-MRI) aparece como uma alternativa atraente - permite o monitoramento não invasivo do desempenho da filtração em um únicorimenquanto fornece informações espacialmente resolvidas sobre lesões teciduais, como glomeruloesclerose segmentar focal.

Em princípio, o exame de DCE-MRI produz uma série de volumes ponderados em T1- adquiridos em várias etapas discretas de tempo do procedimento de varredura. O método consiste na administração intravenosa de um bolus de contraste à base de gadolínio (AC). Enquanto o bolo AC passa pela árvore arterial abdominal, leito capilar e sistemas tubulares dorinsaumenta efetivamente o tempo de relaxamento T1 dos tecidos penetrados, modificando assim o contraste na imagem. A dinâmica temporal dessa mudança de intensidade do sinal de imagem reflete as condições fisiológicas da função renal e constitui a base para a modelagem farmacocinética (PK) da perfusão renal.

Vários dos modelos de PK propostos tentam descrever matematicamente o processo de perfusão sanguínea em vários órgãos. No que diz respeito aorim, a maioria dos modelos assume que o sinal medido em um determinado voxel tecidual é uma soma de contribuições originadas de pelo menos dois compartimentos - espaços intravascular (IV) e extracelular extravascular (EEV) [3-6]. Além disso, como em cada modelo de PK, a entrega do traçador de gadolínio através de uma artéria de alimentação para o órgão de interesse é encapsulada pela chamada função de entrada arterial (AIF). Praticamente, a FIA no caso de estudos renais é o curso temporal da concentração do agente de contraste na aorta abdominal [7]. Convoluindo o AIF com um núcleo de deslocamento e dispersão obtém-se a concentração do marcador no compartimento IV. Eventualmente, a curva de tempo da concentração no espaço EEV é proporcional à integral da concentração no compartimento IV, opcionalmente modulada por um fator exponencial que representa a saída dos túbulos renais. O coeficiente de proporcionalidade, frequentemente indicado como Ktrans, controla a taxa de transferência de CA do compartimento IV para o EEV. Ktrans multiplicado pelo volume do órgão leva diretamente ao cálculo da TFG.

Existem abordagens multicompartimentais mais complicadas (por exemplo, [8]), embora sua aplicação clínica potencial seja questionável. A dificuldade está na necessidade de garantir a estabilidade da otimização de tais parâmetros do modelo ao ajustar as curvas do modelo aos dados observados. Além disso, esses modelos exigem segmentação dorimparênquima no córtex e na medula. Este requisito aplica-se, de facto, também aos modelos de dois compartimentos. O modelo clássico proposto em [3], que é baseado no modelo geral de Rutland-Patlak [9,10], é aplicável apenas à região do córtex. Por outro lado, a aplicação do modelo de filtração de dois compartimentos [5] em todo o rim é aceitável para a fase de captação. Se alguém quiser medir a perfusão, a análise deve ser novamente limitada apenas ao córtex. De qualquer forma, deve-se excluir a região da pelve que coleta o contraste na fase excretora do exame. Portanto, automatizar o procedimento de análise de dados de DCE-MRI requer não apenas delineamento do rim, mas também rotular cada voxel renal como pertencente à classe cortical, medular ou pélvica.

O problema derimsegmentação tem sido abordada por muitos autores. Freqüentemente, os voxels são classificados com base em seus cursos de tempo de intensidade. Por exemplo, em [11], o algoritmo k-means é usado para agrupar voxels em clusters com base em seus cursos de tempo de intensidade de sinal. Esta abordagem foi desenvolvida em [12], onde os cursos de tempo de intensidade do sinal foram pré-processados ​​pela transformada wavelet discreta. No final, algum tipo de heurística baseada nas características inerentes dos clusters e na relação entre eles deve ser empregada para determinar qual cluster representa o córtex, a medula, a pelve e o fundo. A inferência totalmente não supervisionada sofre de dados de entrada ruidosos que não podem ser classificados de forma inequívoca em categorias anatomicamente significativas. É especialmente aparente em relação aos voxels situados nas fronteiras entre o córtex e a medula. Eles são atribuídos à classe "outras partes" que contém voxels também de fora dorim.

Portanto, uma estratégia frequentemente seguida consiste em primeiro separar um todorimde outras partes de uma imagem. As regiões de interesse delineadas devem ajustar-se precisamente às bordas do rim para se livrar de todos os voxels vizinhos. Um exemplo de tal solução são os mapas de área sob a curva (AUC), usados, por exemplo, em [13]. Aqueles voxels na sequência DCE-MRI que são penetrados pelo agente traçador aparecem brilhantes nos mapas AUC devido à maior área sob seus cursos de tempo de intensidade de sinal. É instrutivo notar que esta abordagem requer pós-processamento manual ou automático para remover estruturas extra-renais, grandes vasos sanguíneos e ductos coletores urinários.

A estratégia de segmentação grossa a fina também foi aplicada em [14], onde foi introduzido o conceito de Volumes Temporais Maximamente Estáveis ​​(MSTV). As características do MSTV permitem reconhecerrinsdetectando estruturas espacialmente homogêneas e temporalmente estáveis. A segmentação refinada é obtida reduzindo os cursos de tempo dos voxels a vetores de componentes principais, que são posteriormente particionados por k-means para vários clusters. Eventualmente, no entanto, as segmentações obtidas precisam ser refinadas iterativamente para remover quaisquer ruídos remanescentes. Da mesma forma, no estudo descrito em [15], a primeira etapa do procedimento de segmentação consiste na caracterização da dinâmica de realce de sinal dos tecidos abdominais. Observa-se que a medula, ao contrário do córtex, fígado ou baço, apresenta um aumento constante na intensidade do sinal ocorrendo mais tarde na sequência de aquisição. Depois que os voxels da medula são identificados, a dilatação é realizada seguida pelo algoritmo GrubCut para criar máscaras renais. O ajuste fino é obtido pela classificação de voxels com um classificador de floresta aleatória pré-treinado. Os voxels são caracterizados por suas respectivas intensidades de imagem em intervalos de tempo selecionados da sequência dinâmica, bem como sua localização dentro das ROIs construídas no primeiro estágio.

Embora ambas as contribuições baseadas em MSTV e GrubCut pareçam produzir resultados satisfatórios para vários conjuntos de dados, elas são algoritmos conceitualmente complexos, indisponíveis em software comercial ou de código aberto. Como tal, eles não podem ser facilmente adotados pela comunidade clínica.

Por outro lado, avanços recentes nas arquiteturas de redes neurais convolucionais e a ampla disponibilidade de suas implementações de software tornam os métodos de aprendizado profundo particularmente atraentes na aplicação à segmentação de tecidos biológicos em imagens médicas. A eficácia das CNNs em cenários versáteis de análise de dados de ressonância magnética é amplamente discutida na revisão abrangente de [16]. Mais especificamente, em [17] várias arquiteturas de rede, ou seja, rede totalmente convolucional [18], SegNet [19], U-Net [20] e DeepLabV3 plus [21], foram testadas para segmentação semântica de câncer de próstata em T 2-RM ponderada. Imagens anatômicas de RM também foram analisadas em [22]. Os autores desenvolveram uma arquitetura CNN personalizada para delinear automaticamenterins. Outra abordagem interessante foi apresentada em [23], onde o aprendizado profundo foi empregado para inferência direta de mapas de perfusão cerebral a partir de uma sequência de DCE-MRI sem ajustar explicitamente um modelo PK aos sinais medidos.

Existem vários estudos publicados sobre a aplicação de CNNs para a segmentação derinsem imagens de tomografia computadorizada [24,25]. No entanto, a segmentação orientada por DL ​​dorimem conjuntos de dados de RM com contraste ainda permanece um tópico inesgotável. Como exemplo excepcional dos trabalhos publicados especificamente dedicados aos exames de DCE-RM renal, pode-se citar o artigo de Haghighi et al. [26]. Eles construíram e treinaram uma cascata de duas redes CNN. A entrada para esta estrutura em cascata é uma imagem 4D DCE-MR. A primeira rede localiza aproximadamente o rim esquerdo e direito na imagem, enquanto a segunda é responsável pelo delineamento preciso das bordas renais. No entanto, nenhuma segmentação adicional no córtex ou na medula foi realizada, pois apenas todo o parênquima renal foi usado para calcular a TFG.

À luz das considerações acima, a abordagem apresentada neste artigo é uma resposta à necessidade de um algoritmo automático que por um lado reconheceria com precisão orinscompartimentos dentro da imagem DCE-MR, enquanto por outro lado é relativamente fácil de reproduzir por qualquer equipe de pesquisa. Por isso, propomos:

1. usar uma arquitetura CNN para segmentação semântica dorimparênquima,

2. descrever voxels parenquimatosos com agregados de recursos derivados da transformação das formas de onda de intensidade do sinal pela análise de componentes principais (PCA),

3. discriminar as regiões do córtex, medula e pelve através da classificação dos vetores de características PCA extraídos.

Os detalhes dos algoritmos empregados são apresentados na Seção 2. Na Seção 3, avaliamos os resultados da segmentação e como a solução projetada afeta a estabilidade dos parâmetros PK estimados. Ao realizar essa avaliação, também hipotetizamos que é possível construir um esquema de computação universal capaz de produzir segmentações corretas para novos assuntos com base apenas em dados históricos. Acreditamos que tal esquema poderia ser amplamente distribuído e implementado em clínicas com pouco ou nenhum esforço para se adaptar aos protocolos personalizados de aquisição de imagens. Para atingir este objetivo, validamos o processo computacional proposto de forma leave-one-subject-out. Criamos uma série de mecanismos de segmentação e classificação, cada um treinado em uma coorte diferente de pacientes. Então, um determinado motor foi testado em um sujeito invisível durante a fase de treinamento. A discussão dos resultados obtidos é dada na Seção 4.

2. Materiais e métodos

2.1. Dados de ressonância magnética

Os experimentos e algoritmos apresentados neste artigo foram projetados usando um conjunto de 20 sequências de medição obtidas de 10 voluntários saudáveis. Os exames de ressonância magnética foram realizados em uma unidade de 1,5 T (Siemens Magnetom Avanto, Erlangen, Alemanha). O protocolo de aquisição de dados abrangeu a imagem de cada sujeito duas vezes, com 10 dias de intervalo, usando o método de eco gradiente deteriorado 3D com contraste (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- resolução do plano=2,2 × 2,2 mm2, espessura de corte=3 mm, matriz de aquisição=192 × 192, número de cortes=30). O agente de contraste (0,025 mmol/kg de GdDOTA) foi administrado por via intravenosa a uma taxa de fluxo de 3 mL/s. Cada sequência de medição consistiu em 74 quadros adquiridos em intervalos de tempo de 2,3 s.

Para reduzir os artefatos de movimento, o protocolo de imagem foi projetado para adquirir imagens em apneias. Em primeiro lugar, oito volumes de pré-contraste de linha de base foram adquiridos durante o 18- período de apneia. Aos 7 s após a injeção de gadolínio, os participantes foram instruídos a prender a respiração por 26 s para perfusão de primeira passagem sem movimento. Em seguida, durante a fase de filtração, os períodos de apneia foram encurtados para 13 s e intercalados com 26 s de respiração livre. Para facilitar a respiração, os indivíduos receberam oxigênio nasalmente a uma taxa de fluxo de 1 L/min.

O restanterim o movimento foi corrigido no pós-processamento executando o registro b-spline em cada sequência de DCE-MRI. Para isso, empregamos a implementação do algoritmo B-splines da biblioteca de software Insight Toolkit (ITK) [27]. Em cada sequência, selecionamos um quadro de referência correspondente a um ponto médio da fase de perfusão e, em seguida, o usamos como um volume fixo ao qual todos os outros volumes (em movimento) correspondiam. O registro das B-splines foi realizado de forma totalmente automática, ou seja, não foram marcados pontos fiduciais sobre os tecidos de interesse. Além disso, o procedimento foi lançado em uma configuração de vários estágios. Em cada estágio, várias configurações de tamanho de grade e taxas de subamostragem foram usadas. Para uma interpretação detalhada desses parâmetros, o leitor deve consultar a documentação do ITK. Em suma, eles permitiram realizar o registro de imagens em diferentes escalas – começando pela correspondência grosseira e depois refinando o resultado.

Para a necessidade de desenho e avaliação de algoritmos, todos os volumes foram anotados manualmente por um radiologista com experiência em urografia por RM. Em cada período de tempo, esquerda e direitarinsforam delineados. Então, em dois quadros ligados às fases de perfusão e excreção, voxels parenquimatosos foram atribuídos ao córtex, medula ou pelve.

Entre os exames, os voluntários foram submetidos ao procedimento de depuração do iohexol. Os indivíduos receberam uma dose de 5 mL de iohexol (300 mg I/mL; Omnipaque 300, GE Healthcare). Em seguida, os valores de TFG reais foram determinados para permitir a validação das estimativas de perfusão derivadas de imagens.

Os participantes foram instruídos a recusar bebidas alcoólicas e refeições ricas em proteínas, evitar esforço físico excessivo, estar normalmente hidratados pelo menos 2 dias antes do exame e não ingerir cafeína no dia do exame. Para garantir condições de exame comparáveis ​​entre as sessões de varredura e o teste de depuração de iohexol, também foi recomendado manter horários de alimentação e dieta regulares. Todos os voluntários deram seu consentimento informado por escrito para participação no estudo que foi aprovado pelo Conselho de Revisão Institucional do Haukeland University Hospital Bergen, Noruega.

2.2. Visão geral do pipeline de segmentação

O pipeline de segmentação proposto é visualizado na Figura 1. A segmentação grosseira inicial é realizada por uma rede neural totalmente convolucional da estrutura U-Net. Esta etapa foi realizada em cortes transversais bidimensionais subsequentes de uma única imagem volumétrica da sequência DCE-MRI. Esta imagem corresponde ao quadro de maior realce de sinal na região do córtex quando a partição do parênquima renal no córtex e na medula é claramente visível.

Assumimos que uma única seção transversal pode ser dividida em lados esquerdo e direito, cada um com 96-largura de pixel. Em um determinado lado, é possível localizar centralmente um patch de imagem de 96-pixels de altura cobrindo inteiramente umrim. Desta forma, garantimos que esquerda e direitarinssão segmentados e processados ​​separadamente. Atualmente, nosso método exigia que essa suposição fosse mantida durante a fase de recall da operação da rede. Durante o treinamento, era suficiente que um patch de imagem contivesse pelo menos parte do parênquima renal. Além disso, o tamanho do patch 96 × 96 foi ajustado à resolução no plano dos dados de DCE-MRI disponíveis neste estudo e deve ser modificado em diferentes configurações de aquisição.

A segmentação grosseira pode às vezes exigir refinamento adicional para rejeitar pequenos aglomerados extrarrenais de pixels falsamente segmentados. Em nosso algoritmo, os componentes conectados foram identificados e apenas o maior foi passado para a próxima etapa. Além disso, observe que, embora nossa etapa de segmentação semântica tenha sido realizada em 2D, ela foi aplicada a todas as seções transversais de um determinado volume. As análises que vieram a seguir foram realizadas em voxel para que efetivamente a TFG fosse calculada a partir de todos os néfrons distribuídos no ROI do córtex 3D.

Graças ao registro de imagem no domínio do tempo,rimmáscaras geradas para um quadro podem ser aplicadas a todos os outros quadros da série dinâmica. Assim, os voxels renais foram prescritos como vetores de características compostos por valores de intensidade de sinal de RM medidos em pontos de tempo subsequentes. Para obter características mais gerais da dinâmica do sinal, extraímos agregados de características usando a transformada PCA. Os 20 agregados mais informativos foram selecionados para descrever cada voxel renal. Eventualmente, um classificador treinado para discriminar entre as características temporais das regiões do córtex, medula e pelve atribuiu um voxel a uma categoria apropriada.

A lógica por trás da abordagem proposta em dois estágios era garantir que o reconhecimento final fosse baseado em anotações de verdade de base com o máximo de confiança. Se fosse uma CNN para segmentar o córtex da medula e da pelve, máscaras de alvo exatas teriam que ser criadas e o anotador precisaria tomar uma decisão onde está o limite real entre os vários tecidos. Em muitos casos, isso não foi trivial devido ao efeito de volume parcial. Assim, tal decisão e, consequentemente, o modelo de rede treinado, poderia ser tendencioso para uma experiência única do observador. Alternativamente, decidimos treinar um classificador usando os sinais apenas de locais não ambíguos, conforme descrito abaixo. Mais tarde, durante a inferência de passagem direta, era responsabilidade do algoritmo discriminar objetivamente os voxels pertencentes a quaisquer regiões discutíveis.

Por fim, todas as unidades computacionais do procedimento proposto – CNN e modelo classificador, bem como a matriz de transformação PCA – foram obtidas para uma coorte de pacientes independente do conjunto de dados atualmente processado. Nas subseções a seguir, fornecemos os detalhes de implementação dos módulos individuais do algoritmo.

2.3. Cnnfor Segmentação Semântica

Entre as variantes U-Net disponíveis, empregamos a implementação publicada em [28]. Por diferir da arquitetura descrita no artigo original [20], as características específicas desta estrutura, ajustadas às necessidades do nosso estudo, são resumidas em primeiro lugar.

2.3.1. Arquitetura de rede

A rede neural convolucional U-Net foi originalmente desenvolvida para a segmentação de estruturas neuronais em pilhas microscópicas eletrônicas e provou ser eficaz em inúmeras outras aplicações biomédicas. Como dito, a entrada para nosso modelo foi uma imagem 2D em nível de cinza - um patch de seção transversal de um único volume 3D DCE-MRI. O tamanho do patch foi ajustado para 96 ​​× 96 pixels (veja a Figura 2).

A característica da U-Net é que ela contém duas partes simétricas - uma via de contração e outra de expansão. O objetivo do caminho contrativo é codificar os padrões de intensidade dos pixels da imagem realizando a convolução com uma série de filtros 3 × 3 de pesos treináveis. As saídas dos filtros ativam os principais componentes de processamento da rede – os neurônios chamados de unidades lineares retificadas (ReLU). Eles permitem modelar relacionamentos não lineares entre recursos de imagem e o mapa de segmentação de saída. Assim, a etapa de codificação pode ser comparada a um processo conhecido no processamento digital de imagens como extração de características. Ela é seguida pela operação max-pooling que reduz a amostragem dos mapas de recursos.

A contração é repetida quatro vezes para extrair descritores de imagem em vários níveis de escala. Cada nível é, de fato, formado por um bloco composto por duas camadas convolucionais, cada uma seguida por uma camada de normalização de lotes, que mantém a média e o desvio padrão constantes dos embeddings de saída dentro de um determinado lote. Assim, a normalização em lote garante que os recursos com dinâmica de baixa intensidade possuam a mesma importância daqueles cujo alcance é maior. Os pares das camadas de convolução e normalização são separados pela camada dropout, que define aleatoriamente 20 por cento dos nós de entrada para 0. Esse mecanismo, ativo apenas durante a fase de treinamento, evita o overfitting da rede [29].

A saída do último bloco de downsampling, conhecido como gargalo, é passada para o caminho de expansão ou decodificação. Ele é construído a partir do mesmo número de níveis de up-sampling que a parte contrativa e sua principal tarefa é recuperar a resolução espacial original. Neste estudo, o up-sampling foi realizado por convolução transposta. Cada bloco de decodificação também foi composto por dois pares de camadas de normalização convolucional e em lote. Em contraste com os blocos de codificação, no entanto, nenhum mecanismo de dropout foi inserido no meio. Além disso, os mapas de características de alta resolução extraídos no caminho de downsampling não apenas alimentaram as camadas de codificação subsequentes, mas também foram concatenados às entradas das camadas de decodificação nos respectivos níveis do caminho de up-sampling. Essas conexões adicionais ajudaram os blocos de decodificação a restaurarrimlocalização de segmentos com mais precisão.

Como pode ser visto na Figura 2, os blocos de codificação consistiam em um número crescente de filtros convolucionais que se aprofundavam no caminho contrativo. A partir de 64 filtros nas duas primeiras camadas convolucionais, o número de mapas de características chegou a 1024 no gargalo, sendo dobrado a cada nível de downsampling. Ao contrário, o número de filtros na trajetória de expansão foi dividido pelo fator de dois em cada degrau ascendente. Como resultado, o mapa de características final novamente tinha uma profundidade de 64.

A saída do último bloco de upsampling foi conectada a uma camada convolucional com 1 × 1-filtros de tamanho. Ele executou a convolução pixel a pixel do kernel do filtro com um vetor de características de elemento 64-e, em seguida, submeteu o resultado a uma função de ativação de saída. Em nosso projeto, uma ativação sigmóide foi usada, pois a decisão final era binária - um pixel pertencia ao parênquima renal ou ao fundo.

2.3.2. Treinamento

Os pesos de rede foram iniciados em um estado aleatório pelo método de He et al. [30]. O processo de treinamento foi conduzido em trechos de imagem recortados dos volumes de DCE-MRI, cada um contendo um único, esquerdo ou direitorimcorte transversal. Conforme descrito acima, fragmentos de imagem de 96 × 96-pixels foram extraídos de volumes da sequência DCE correspondentes à fase de perfusão, ou seja, intervalos de tempo do contraste máximo do sinal entre o córtex e a medula. A fim de aumentar o número de imagens de treinamento, para cada estudo, selecionamos três desses quadros de tempo - aquele com aumento máximo de sinal na região do córtex, um anterior e um subsequente. Em cada volume de imagem, um únicorimfoi visível em 12 fatias em média. Ele deu aproximadamente 1440 patches de treinamento.

Embora as redes U-Net geralmente possam lidar com pequenas amostras de treinamento, decidimos ampliar ainda mais o conjunto de dados por meio do aumento de dados. Isso foi feito escolhendo 10 posições verticais diferentes do patch da imagem e espelhando-o aleatoriamente na direção horizontal. Ao selecionar as posições do patch, nos certificamos de que ele abrangesse uma porção suficientemente grande do centro da imagem contendo fragmentos significativos do parênquima renal (veja a Figura 3). No geral, o número de imagens disponíveis para treinamento atingiu o valor de 13.964. Um terço das imagens de treinamento foram separados para fins de validação.

Treinamos 10 modelos CNN diferentes, um para cada paciente. Ao construir um modelo dedicado a um determinado assunto, seus patches de imagem correspondentes (independentemente da sessão de exame) foram removidos dos conjuntos de treinamento e validação e usados ​​apenas para teste. Os pesos da rede foram atualizados usando o algoritmo de descida de gradiente estocástico com taxa de aprendizado constante=0,01 e momento=0,99. A função de perda escolhida para otimizar foi o critério binário de entropia cruzada, definido como

onde N é o número de voxels, Yi é o rótulo verdadeiro do voxel e p(Yi) é a previsão da rede de que o i-ésimo vetor pertence à classe Yi, com 0 < p(Yi) < 1. Além disso, , a fim de monitorar a qualidaderimsegmentação sobre as épocas de treinamento, calculamos o coeficiente de Jaccard, doravante designado como IoU (interseção-sobre-união)

onde K designa o número de pixels em uma fatia processada e y é a categoria de pixel prevista. Aqui, as categorias tinham valores booleanos e um pixel era rotulado como True se pertencesse aorim, Falso caso contrário. No caso de cada sujeito, o algoritmo de otimização foi executado por 50 épocas. O modelo armazenado correspondeu à época com a pontuação mínima na função de perda obtida para o conjunto de dados de validação.

2.4. Classificação deRimVoxels

2.4.1. Extração de recursos

A diferenciação de voxels representando compartimentos renais particulares pode ser baseada em cursos de tempo de intensidade de sinal bruto. Propomos, no entanto, transformar as formas de onda do sinal, ou seja, vetores de 74 feições temporais, no espaço de dimensionalidade reduzida usando análise de componentes principais (PCA). O objetivo dessa transformação não é apenas diminuir a complexidade do modelo de classificação resultante, mas também extrair características mais gerais do modelo.rimtecido, um representante para vários assuntos. Além disso, mesmo na mesma unidade clínica, a imagem DCE pode ser realizada em uma sequência que, apesar de abranger um intervalo de tempo semelhante, tem uma resolução temporal diferente. Assim, um sistema de tomada de decisão que aceita um padrão de recurso uniforme, usando o objeto de transformação PCA como um adaptador, pode ser aplicado a vetores de dados de entrada de comprimento variável.

Presumimos que os componentes de PCA extraídos deveriam explicar pelo menos 90% da variância do conjunto de dados original. Para cumprir este requisito para cada assunto, pelo menos 20 agregados de características tiveram que ser construídos. Como observamos, um número maior de componentes não levou a uma maior precisão de classificação.

2.4.2. Classificação de vetores de recursos

A atribuição de voxels renais ao córtex, medula ou pelve é realizada por um classificador treinado de maneira supervisionada. Em nossa abordagem, os dados históricos servem como padrões para a construção de regras de decisão apropriadas, posteriormente aplicadas a novos estudos. Testamos três algoritmos de classificação para encontrar o melhor esquema em todos os assuntos. Os métodos examinados incluíram regressão logística, máquinas de vetores de suporte e árvores de decisão XGBoost. A seguir, relembramos as características dos algoritmos empregados e descrevemos como os dados de treinamento foram preparados.

Treine e teste conjuntos de dados.Os vetores de treinamento foram adquiridos de regiões de interesse anotadas manualmente nas respectivas localizações parenquimatosas. As anotações foram feitas apenas em voxels cuja associação não era ambígua (ver Figura 4a,b), permitindo assim que um classificador treinado decidisse sobre a categoria de tecido dominante no caso de voxels parcialmente preenchidos com vários compartimentos. O número de vetores de treinamento coletados dos 20 exames disponíveis ultrapassou o valor de 60,000. Este conjunto de dados foi dividido em 10 dobras, cada uma contendo vetores de dados de todos, exceto um sujeito, separados para fins de teste. Em uma determinada dobra, a distribuição de classes foi aproximada da seguinte forma: córtex – 58%, medula – 31%, pelve – 11%. A fim de dar aos classificadores a chance de aprender a discriminar categorias com igual precisão, em cada dobra de treinamento os subconjuntos representando o córtex e a medula foram reamostrados para corresponder ao tamanho da categoria da pelve. Em média, o conjunto de treinamento após a reamostragem abrangeu mais de 16,000 vetores por dobra. Em uma determinada dobra de treinamento, os dados de ambas as sessões de exame foram incluídos. Por outro lado, as dobras de teste continham de 600 a 4800 vetores dependendo do paciente e da sessão de exame. Os classificadores foram avaliados usando o escore de acurácia balanceado calculado nos conjuntos de teste.

Regressão logística.O classificador de regressão logística modela a probabilidade de um vetor de características pertencer a uma das duas categorias. O algoritmo ajusta uma função linear aos dados de treinamento e o resultado da equação de regressão para um dado ponto de dados é submetido à transformação logística

onde p(yi|xi) denota a probabilidade de uma classe yi dado um ponto de dados xi com Yi e {{{0}}, 1}, enquanto o vetor de peso w junto com o intercepto w0 determinam a regressão ajustada linha.

Como tal, a Equação (3) se aplica a problemas de classificação binária. Portanto, no caso de três regiões renais, ou três classificadores um versus repouso devem ser construídos, ou um modelo de regressão multinomial é adequado [31]. Em nossos experimentos, usamos a última variante. Os parâmetros w do modelo linear são encontrados minimizando a função de custo de perda logarítmica com termo de regularização L2:

em que nosso estudo K=3 e pi,c é a probabilidade prevista de que o vetor pertença à classe c. O problema de otimização acima foi resolvido com o algoritmo de descida Stochastic Average Gradient (SAG) [32] implementado no pacote Scikit-Learn [33]. Escolhemos o SAG devido à sua recomendação para grandes conjuntos de dados e suporte para regularização L2.

Máquinas de vetor de suporte. Máquinas de vetores de suporte (SVM) constituem uma classe de algoritmos que constroem um hiperplano de margem máxima discriminando diferentes categorias [34]. A decisão sobre a pertinência da categoria de um vetor x é determinada pelo sinal da equação do hiperplano

onde denote o índice de um exemplo de treinamento, xi é um vetor de características correspondente e Yi é seu verdadeiro rótulo de classe. Ao ajustar este modelo aos dados de treinamento, um problema de otimização quadrática restrita é resolvido. Como resultado, é encontrado um conjunto de multiplicadores de Langrage não nulos ai, que juntamente com seus respectivos vetores de suporte xi e o parâmetro de deslocamento b determinam a localização e orientação da fronteira pesquisada.

Um produto escalar em (5) pode ser substituído por uma função de kernel para permitir a aplicação de SVM a problemas não lineares. O truque do kernel transforma implicitamente os vetores de características em um espaço de maior dimensão, no qual se torna possível determinar o hiperplano de separação. A Figura 4c mostra a distribuição do subconjunto de vetores de treinamento para um dos participantes. Essa visualização foi obtida transformando os dados do espaço de 20 agregados de recursos do PCA em um espaço de três dimensões usando o método t-distributed stochastic neighbor embedding (TSNE) [35]. Pode-se ver que, embora a separação linear das classes de córtex, medula e pelve seja plausível, o limite de separação pode ser melhor modelado por alguma função não linear. Em nossos experimentos, os melhores resultados foram garantidos pelo kernel da função de base radial

onde |.|denota a norma é2-. Como em conjuntos de dados reais é rara a separação perfeita das classes, o critério de otimização permite – por meio de um parâmetro de método adicional geralmente designado com a letra C – permitir que um certo número de pontos de dados violem o limite de decisão. Os parâmetros e C contribuem inversamente para a complexidade do modelo SVM. Portanto, ajustamos seus valores usando o algoritmo de busca de grade exaustiva em um experimento de validação cruzada de cinco vezes. Os melhores resultados foram relatados para=0.05 e

C = 1.

Árvores de decisão XGBoost.O conceito de extreme gradient boosting (XGBoost) foi introduzido por Chen e Guestrin [36] para facilitar o treinamento de um conjunto de árvores de classificação e regressão (CART). Em contraste com as florestas aleatórias clássicas, o algoritmo de aprendizado formaliza o mecanismo de regularização e o uso de funções de perda objetivas versáteis. Graças a essas vantagens, recentemente provou ser eficaz em vários problemas de aprendizado de máquina envolvendo grandes conjuntos de dados de alta dimensão.

A construção de um ensemble XGBoost é baseada na estratégia do chamado treinamento aditivo. A cada passo t, uma nova árvore é adicionada ao modelo que minimiza a função de perda global

onde t ü 1) é o rótulo de classe previsto pelo ensemble construído até agora, l mede o erro entre o rótulo previsto e o verdadeiro Yi, enquanto ft corresponde a uma estrutura em árvore de T folhas, que atribui a cada vetor de dados uma pontuação wq (xi), sendo q uma função que aloca o ponto de dados xi em uma determinada folha da árvore. Tanto T quanto pesos wj definem o termo de regularização

Os parâmetros onde e λ controlam o impacto do tamanho da árvore e deixam pontuações no valor da penalidade. Na configuração usada em nosso estudo, e λ foram definidos para {{0}}.1 e 0,9, respectivamente. Além disso, o número de árvores no conjunto era igual a 10, e a profundidade máxima permitida de uma árvore era 4. Eventualmente, usamos a função soft-max como critério objetivo l.

2.5. Modelagem Farmacocinética

Além de avaliar os resultados da segmentação diretamente com o uso do coeficiente IoU, também comparamos os valores de TFG derivados de imagens com as medições baseadas em ioexol de verdade. Para fins de determinação da TFG, empregamos orim-modelo de filtração de dois compartimentos específico (2CFM) [5]. Este modelo de PK decompôs o tecido renal nos espaços intravascular (IV) e extravascular extracelular (EEV) e não assumiu nenhum fluxo tubular dentro do período de modelagem. Embora o modelo pudesse ser usado para estimar a perfusão renal tanto no córtex quanto no parênquima renal inteiro, apenas a região anterior teve que ser considerada no cálculo da TFG.

Independentemente da região renal considerada, para ajustar o modelo a um sinal medido S(t), o respectivo curso de tempo de intensidade média da imagem deve ser convertido na forma de onda de concentração Ctissue(t). Realizamos isso usando a transformação descrita em [37] ajustada à sequência gradiente eco. Por outro lado, o tecido C(t) descrito pelo modelo 2CFM é governado pela equação

onde C denota a função de entrada arterial, VP - fração de volume do plasma e C - concentração de CA no plasma sanguíneo. O primeiro termo em (9) representa a concentração de CA no espaço EEV, enquanto o segundo termo cobre a concentração no espaço IV obtida pela convolução da função de entrada arterial com a função de resposta ao impulso vascular (VIRF), definida como

Assim, o VIRF modela o atraso e a dispersão do AIF em relação ao fluxo de CA através do leito capilar. As variáveis ​​Tg—a constante de tempo de dispersão, e X—o intervalo de atraso, juntamente com a fração de volume VP e a constante de transferência Ktrans formam o conjunto completo dos parâmetros do modelo 2CFM. Sua estimativa geralmente é realizada no procedimento de ajuste de curva de mínimos quadrados não lineares (NLLS). O método Trust Region-Reflective [38], empregado neste estudo, é um dos possíveis otimizadores utilizados para resolver numericamente o problema NLLS. Em contraste com os métodos down-simplex, ele permite definir restrições sobre os valores dos parâmetros e, assim, garantir que as estimativas finais caiam na faixa fisiológica. As restrições presumidas em nosso estudo estão listadas na Tabela 1.

Implementamos o algoritmo para otimização do modelo 2CFM no software personalizado escrito em Python, disponível para download em [39]. O algoritmo foi lançado para cada paciente usando as regiões do córtex obtidas automaticamente pelo pipeline de segmentação descrito acima ou anotadas manualmente. De qualquer forma, o AIF foi determinado automaticamente usando nosso método publicado anteriormente em [40].

2.6. Análise estatística

Um dos objetivos de automatizar o processo de segmentação de imagens DCE-MR é garantir estimativas de perfusão estáveis ​​e repetíveis. Assim, realizamos o teste t de Student para as amostras relacionadas (repetidas) para verificar a hipótese nula de médias de TFG iguais estimadas em dois eventos de exame. Além disso, calculamos o coeficiente de repetibilidade definido como [41]

onde σdiff é o desvio padrão das diferenças entre TFGs feitas no mesmo sujeito e ╱pool denota a média de todas as medições. A quantidade ′2σdiff também chamada de desvio padrão de medição única (σsm), é uma estimativa do desvio padrão das diferenças em pares de potencialmente muitas medições consecutivas [42]. Além da avaliação da repetibilidade, a reprodutibilidade da estimativa de TFG baseada em imagem foi avaliada usando gráficos de Bland–Altman. Eventualmente, os resultados da análise obtidos para os segmentos renais encontrados automaticamente foram comparados com as anotações manuais.

Cistanche pode aliviarrinsefetivamente

3. Resultados

A Figura 5 mostra saídas de exemplo da rede de segmentação semântica para dois dos sujeitos participantes, juntamente com as máscaras de anotação de verdade. Os processos de treinamento correspondentes são visualizados na Figura 6, que traça a evolução das métricas de perda e avaliação para os conjuntos de treinamento e validação. Pode-se observar que, após algumas épocas, as curvas de IoU para os conjuntos de treinamento e validação ficaram próximas umas das outras e a rede não entrou no estado de sobreajuste. Simultaneamente, houve uma diminuição monotônica da função perda, o que provou que a rede ganhou a capacidade de generalização. Os coeficientes IoU de similaridade entre as anotações manuais e as automaticamente encontradasrimas regiões obtidas após a remoção das ilhas extrarrenais desconectadas dos segmentos principais, são coletadas na Tabela 2. A IoU média para todos os sujeitos e estudos=0.94 e apareceu indiferente lateralmente.

Na etapa seguinte, os voxels parenquimatosos foram classificados em compartimentos renais separados. Uma comparação dos três classificadores testados é apresentada na Tabela 3. Ela avalia cada método com relação a três métricas – exatidão balanceada, recall e precisão. Os dois últimos foram determinados para cada categoria renal separadamente. A métrica de acurácia balanceada foi obtida como a média das taxas de verdadeiros positivos obtidas para classes particulares. Todos os escores apresentados foram valores médios em 20 sujeitos de teste. Os três classificadores testados obtiveram desempenho semelhante em termos de taxas de verdadeiros positivos (aproximadamente 95 por cento). No geral, no entanto, foi o SVM que exibiu a precisão mais equilibrada (96%) e também ganhou maior capacidade do que os outros métodos para evitar detecções de falso-positivo. Era particularmente evidente

para a região da pelve, onde a precisão=92 por cento contra 89 por cento oferecida pela regressão logística e classificadores XGBoost.

Altas taxas de precisão de classificação se traduziram em resultados de segmentação igualmente bons (Tabela 2), que foram novamente avaliados pelo coeficiente de Jaccard. Desta vez, porém, foi calculada como a soma das IoUs determinadas para cada região separadamente e depois ponderadas pelo seu suporte, ou seja, o número de voxels de verdade que representam uma determinada classe. Para permitir a comparação com os outros trabalhos, recalculamos as taxas de Jaccard obtidas para os coeficientes de Dice (F1-score) com a fórmula.

Usando nosso algoritmo, alcançamos o coeficiente médio de Jaccard para a classe do córtex no lado esquerdorimigual a 93,2 por cento. No caso das demais regiões, o IoU foi de aproximadamente 91% , exceto para a classe da pelve à esquerdarim onde caiu para 90,1%. A qualidade da segmentação fina pode ser visualmente confirmada pela análise de exemplos darim decomposição em regiões mostrada na Figura 7. Para possibilitar a avaliação em um contexto mais amplo, também realizamos a segmentação com dois métodos alternativos propostos na literatura. A primeira consiste em extrair as características do sinal DCE usando a transformada wavelet discreta (DWT) com a wavelet Daubechies-4, como postulado, por exemplo, em [12]. Em seguida, classificamos os vetores coeficientes DWT com a ajuda do algoritmo SVM. No segundo método comparado, os vetores de características do PCA foram agrupados usando um algoritmo k-means (com k=3), conforme descrito em [14]. Esta segunda abordagem falhou em distinguir corretamente entre córtex e medula. A maioria dos voxels representando ambas as regiões foram englobados em um cluster comum e apenas a pelve foi reconhecida como parte autônoma do parênquima na maioria dos cortes transversais. Em contraste com os resultados obtidos por agrupamento, as regiões produzidas de forma supervisionada usando a descrição de voxels baseada em DWT são mais precisas. No entanto, o número de falsos reconhecimentos é aparentemente maior do que no caso de vetores de características PCA. A pontuação de precisão balanceada obtida para o classificador SVM foi de apenas 78% neste caso. Veja as duas últimas linhas da Tabela 3 para a comparação quantitativa desses esquemas alternativos de particionamento com Xgboost, regressão linear e o melhor em nosso algoritmo SVM/PCA de estudo.

Os resultados do estágio de segmentação foram usados ​​para determinar os sinais médios no córtex renal. Este sinal foi então ajustado ao modelo farmacocinético 2CFM. A Figura 8 apresenta comorimtaxas de filtração glomerular(SK-GFR) obtidos desta forma correspondem às pontuações relevantes derivadas usando as anotações manuais. Os valores médios de SK-GFR em todos os indivíduos e estudos obtidos após segmentação automática e manual são semelhantes (56 versus 55 mL/min/1,73 m2) e a diferença observada é estatisticamente insignificante (estatística T=0,75, valor p=0.46). Além disso, o ajuste linear entre os dois tipos de medidas comprova sua boa correspondência com r2=0.13 e 0.49 para as sessões de exame de RM 1 e 2, respectivamente.

Os gráficos de Bland–Altman mostrados na Figura 9 nos permitem avaliar a concordância do total de TFGs com as taxas baseadas em ioexol de verdade. Antes da aplicação do método de Bland-Altman, a distribuição normal das medidas foi confirmada pelo teste de Shapiro-Wilk. Os valores de p obtidos são fornecidos nas legendas dos gráficos relevantes. A diferença média para a sessão de exame de RM 1 em termos de valores absolutos foi menor para as segmentações manuais ( ü0,8 contra ü7,4 mL/min/1,73 m2). No caso da sessão 2, os valores de ╱d foram consistentes entre os métodos de segmentação, embora a concordância com o método de referência tenha sido mais fraca. O algoritmo proposto, no entanto, pareceu ter um desempenho ligeiramente melhor ( ü 12,9 versus ü 14,1 mL/min/1,73 m2). Com base nos resultados obtidos, não foi possível decidir qual abordagem de segmentação garantiu limites mais estreitos de concordância. No caso da sessão 1, a comparação favoreceu a segmentação manual (π=31,3 versus 35,5 mL/min/1,73 m2). No entanto, os limites mais estreitos de concordância e intervalos de confiança em todos os experimentos foram obtidos para a sessão 2 e rotulagem automática (π=25,1 mL/min/1,73 m2). Ambas as abordagens de segmentação levaram a resultados repetíveis (ver Tabela 4) com o coeficiente de variação igual a 30,2 por cento no pior caso (segmentação manual, esquerdarim). Aparentemente, a segmentação automática garantiu melhor estabilidade com coeficientes de variação duas vezes menores do que no caso das contrapartes manuais. Os valores de p obtidos nos testes t de Student para as amostras relacionadas estavam todos acima do nível de confiança a=0,05 mostrando evidência insuficiente contra a hipótese nula de não haver diferença significativa entre as médias observadas das medidas de SK-GFR. No entanto, o valor de p calculado para o rim esquerdo e a segmentação manual foi relativamente pequeno. Investigações adicionais, potencialmente envolvendo uma amostra maior, são necessárias para confirmar ou rejeitar a repetibilidade das medições neste caso.

4. Discussão

O objetivo principal deste estudo foi desenvolver um método eficiente pararimsegmentação em imagens DCE-MR. Combinamos os conceitos parcialmente propostos em trabalhos publicados anteriormente em uma estrutura computacional uniforme. Ela abrange a segmentação semântica grosseira do parênquima renal, a transformação PCA dos cursos de tempo do sinal de RM para criar a representação numérica de voxels e, em seguida, permitir sua classificação para produzir a segmentação fina do tecido renal em córtex, medula e pelve. A abordagem proposta leva a resultados precisos, permitindo o reconhecimento renal a uma taxa de 94% em termos de coeficiente de Jaccard. A segmentação de compartimentos renais específicos pode ser alcançada com IoU entre 90% e 93% (96–95% do coeficiente Dice), dependendo do tipo de tecido.

Quando nos referimos a outros resultados publicados, os índices obtidos são bons ou ligeiramente inferiores. Em [14], o escore de dados para o saudávelrima segmentação foi relatada no nível de 99 por cento (córtex), 98 por cento (medula) e 96 por cento (pelve). No entanto, também foi demonstrado para dados simulados que o ruído da imagem pode degradar significativamente a precisão para 82–85 por cento. Como os protocolos de imagem usados ​​nele e em nosso estudo diferiram em relação à resolução espacial e temporal, as discrepâncias observadas na faixa de 1 a 2 por cento podem ser atribuídas a vários níveis de ruído em nossos estudos. Condições de varredura comparáveis ​​foram usadas em um grupo de pacientes pediátricos em [15]. A pontuação F1- média observada foi igual a 93 por cento para todo orim, e 86 por cento para o córtex renal. Em [12] a segmentação baseada em agrupamento foi avaliada usando pontuações de precisão. Os resultados médios obtidos foram: 88 por cento — córtex, 91 por cento — medula e 98 por cento — pelve. Esses valores podem ser chamados coletivamente de pontuação de precisão balanceada, que leva em consideração o tamanho de um determinado segmento. Assim, nosso modelo SVM parece superar a abordagem baseada em agrupamento, oferecendo precisão de classificação, bem como taxas de recuperação no nível de 96%, mesmo para a maior região do córtex.

Eventualmente, a rede CNN dedicou-se ao reconhecimento de todo orimdescrito em [26] apresentou desempenho inferior ao nosso projeto U-Net, alcançando um F1-score=91,4 por cento para os sujeitos normais do teste.

As diferenças observadas nos resultados de segmentação também devem ser vistas à luz da configuração do algoritmo de treinamento-recall. Em contraste com algumas abordagens alternativas [11,14], nossa estratégia é independente do paciente. Uma vez construídos os modelos de segmentação e classificação semântica, eles são aplicados a novos estudos, não encontrados no conjunto de treinamento. Assim, as características específicas do paciente não podem orientar o mecanismo de reconhecimento e podem não se adequar ao modelo treinado, diminuindo a taxa geral de precisão. Além disso, como discutido acima, devido ao efeito de volume parcial que persiste nas fronteiras entre córtex, medula e pelve, permanece alguma dose de incerteza quanto às segmentações manuais de referência que devem ser levadas em consideração ao analisar as métricas relatadas. Embora o classificador SVM tenha sido treinado em sinais de verdade do solo cuidadosamente selecionados e distintivos de tecido, os dados de validação, que devem abranger todos os voxels renais, ainda podem sofrer com o subjetivismo das anotações do observador.

Além do poder observado de produzir resultados de segmentação precisos, nossa estratégia possui uma característica vantajosa. Como usamos um classificador supervisionado para atribuir voxels de imagem arimregiões, não há necessidade de uma etapa de rotulagem separada. No caso de agrupamento, é necessário fornecer alguma heurística para interpretar a categoria real de cada agrupamento, para garantir a automação de todo o procedimento.

Conforme ilustrado na Figura 10, existem principalmente duas fontes de discrepância entre anotações automáticas e manuais. Em primeiro lugar, a fronteira entre o córtex e as pirâmides medulares é ambígua e os voxels correspondentes são parcialmente preenchidos com ambos os tipos.

de tecido renal. Enquanto o método automático tende a incluir esses voxels na classe do córtex, eles eram frequentemente designados como medula pelo especialista. Por outro lado, mesmo a segmentação manual não é consistente neste aspecto, o que comprova a dificuldade em decidir arbitrariamente sobre a classe de voxels onde o efeito de volume parcial é dominante. Em segundo lugar, detecções falsas podem ser observadas, por exemplo, nas bordas corticais externas. Esses efeitos podem ser atribuídos ao erro de registro de imagens no domínio do tempo. O método de registro b-spline aplicado não foi otimizado para a necessidade deste estudo e continua sendo o tema de nossa investigação futura.

Os experimentos realizados também mostraram que o algoritmo de segmentação proposto melhora a repetibilidade da estimativa SK-GFR baseada em imagem. Os coeficientes de variação calculados foram de 14,5 por cento e 17,5 por cento para o lado esquerdo e direito.rins, respectivamente. No caso de anotações manuais, obtivemos CoV=30,2 por cento e 29,4 por cento . Esses resultados devem ser avaliados em relação à variação natural da TFG causada por fatores independentes, como dieta e hora do dia. Espera-se que o nível de creatinina sérica, que se correlaciona bem com a TFG, possa atingir um grau de variação de até 10 por cento [43]. Assim, CoV de aprox. 15 por cento indica boa repetibilidade do procedimento que utilizarimsegmentação. Além disso, as métricas de repetibilidade obtidas se enquadram na faixa de valores apresentada em outro lugar, por exemplo, em [44] CoV=32 por cento e 27 por cento , enquanto em [13], CoV=17,5 por cento e 15,4 por cento para a esquerda e a direitarins, respectivamente. No último estudo, porém, o CoV foi calculado apenas a partir da razão de σsm e a média de todas as medidas, sem o fator adicional de ′2. Se esse fator de correção for refletido, seus CoVs relatados se tornam 24,7% e 21,8%, que são bastante próximos de nossas descobertas.

Podem ser levantadas três limitações do nosso estudo. Em primeiro lugar, o particionamento assumido em manchas de imagem pode inclinar a rede de segmentação semântica para aprenderrimlocais apenas perto de uma das bordas do patch. Assim, no desenvolvimento de nossos modelos, será estudado como o algoritmo se comporta se o campo de visão de aquisição for configurado de forma diferente. Em segundo lugar, o algoritmo de segmentação foi projetado usando apenas indivíduos saudáveis. Pode ter consequências especialmente significativas no caso de segmentação fina do parênquima renal. Ajustar o modelo de classificação para os rins doentes pode exigir a extensão do número de classes para mais do que apenas três categorias (córtex, medula e pelve) para refletir diversas características temporais das lesões do tecido renal. Em terceiro lugar, para calcular a TFG, ajustamos o modelo 2CFM ao sinal DCE médio estimado no córtex segmentado. Devido ao efeito de volume parcial, tanto a segmentação manual quanto a automática podem classificar alguns voxels como medulares, embora contenham glomérulos renais. Ignorar esses voxels pode ser uma das razões para as discrepâncias observadas entre as medições de TFG derivadas de imagens e baseadas em iohexol. Para superar esse problema, alguns autores [5] propõem o uso de ROI de rim inteiro para garantir que todos os voxels que contribuem para a filtração renal sejam incluídos no processo de ajuste do modelo PK. Descobrimos, no entanto, que essa abordagem leva a uma superestimação notável da TFG para os conjuntos de dados disponíveis em nosso estudo. Portanto, no futuro, planejamos aplicar técnicas de super-resolução baseadas em aprendizado profundo e tentar obter anotações mais precisas de voxels corticais.

Além disso, uma abordagem totalmente 3D para segmentação semântica deve ser explorada. Pode-se esperar que uma rede neural capaz de processar volumes inteiros de RM produza resultados mais precisos.rimanotações graças a informações de profundidade adicionais. No entanto, o problema neste estudo teve que ser reduzido a duas dimensões devido ao número relativamente pequeno de estudos disponíveis para treinamento. A decomposição de imagens volumétricas em seções transversais 2D permitiu aumentar significativamente o conjunto de dados de treinamento.

Eventualmente, conforme descrito anteriormente, a abordagem proposta foi validada na forma de deixar um sujeito de fora. Foram criados 10 modelos efetivos de redes neurais independentes e classificadores. Uma questão legítima é como esses modelos poderiam ser aplicados a novos sujeitos de fora da amostra disponível neste estudo. Uma opção seria criar um conjunto e introduzir um mecanismo de votação. Alternativamente, um novo esquema de segmentação pode ser treinado (abrangendo etapas grosseiras e de granularidade fina) com base em toda a 10-amostra do assunto. Seu desempenho em relação aos novos conjuntos de dados deve ser comparável aos resultados apresentados acima.

cistanche pode aliviarrimdor, clique aqui para saber mais

5. Conclusões

Para concluir, neste artigo demonstramos uma estrutura computacional para apoiar a avaliação quantitativa derimperfusão, fornecendo uma forma automatizada de segmentação dos compartimentos renais. Os resultados de precisão obtidos comprovam a operação confiável do método projetado. Além disso, em nossos experimentos, abordagens alternativas para discriminar segmentos de córtex, medula e pelve, com base em transformadas wavelet e algoritmos de agrupamento, apresentam desempenho menos eficaz. A repetibilidade da medição SK-GFR baseada em segmentos encontrados automaticamente melhora quando comparada com os resultados do processamento manual e também permanece em boa concordância com outros resultados publicados. O método de segmentação projetado permite maior objetividade dos parâmetros de perfusão derivados da imagem e também diagnóstico potencialmente mais rápido de insuficiências renais. Esses achados aproximam a aplicação clínica da imagem DCE-MR como método de rotina emrimdiagnóstico. Finalmente, para facilitar essa mudança da pesquisa para o domínio de aplicação, disponibilizamos nossa estrutura de software para modelagem farmacocinética em [39]. O repositório inclui também os scripts para extração e classificação de características baseadas em sinais DCE.

Contribuições do autor:Conceituação, AK; metodologia, AK e EE; software, AK; validação, AK; análise formal, AK; investigação, AK; recursos, EE e AL; curadoria de dados, EE; redação—preparação do rascunho original, AK; redação—revisão e edição, AL e EE; visualização, AK; supervisão, AL; administração do projeto, AK Todos os autores leram e concordaram com a versão publicada do manuscrito.

Financiamento:Esta pesquisa não recebeu financiamento externo.

Declaração do Conselho de Revisão Institucional:O estudo foi conduzido de acordo com a Declaração de Helsinque, e o protocolo foi aprovado pelos Comitês Regionais de Ética em Pesquisa Médica – Western Norway (REC West 2012/1869).

Declaração de Consentimento Informado:Todos os sujeitos deram seu consentimento informado para inclusão antes de participarem do estudo.

Declaração de disponibilidade de dados:As imagens do DCE-MR utilizadas neste estudo não podem ser disponibilizadas porque o consentimento por escrito assinado pelos participantes não abrangeu o acordo para divulgação pública dos dados adquiridos.

Conflitos de interesse:Os autores declaram não haver conflito de interesses.

Referências

1. Zabell, JR; Larson, G.; Koffel, J.; Li, D.; Anderson, JK; Peso, CJ Uso da Modificação da Dieta na Equação da Doença Renal para Estimativa Taxa de filtração glomerularna Literatura Urológica. J. Endourol. 2016, 30, 930-933.

2. Delaney, P.; Ebert, N.; Melsom, T.; Gaspari, F.; Mariat, C.; Cavalier, E.; Björk, J.; Christensson, A.; Nyman, U.; Porrini, E.; et ai. Depuração plasmática de iohexol para mediçãoTaxa de filtração glomerularna prática clínica e na pesquisa: uma revisão. Parte 1: Como medirtaxa de filtração glomerularcom iohexol? Clin.RimJ. 2016, 9, 682–699.

3. Annet, L.; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Taxa de filtração glomerular: avaliação com RM dinâmica com contraste e um modelo de compartimento cortical no coelhorim. J. Magno. Resson. Imaging 2004, 20, 843-849.

4. Sourbron, SP; Michaely, HJ; Reiser, MF; Schoenberg, SO MRI-medição de perfusão e filtração glomerular em humanosrimcom um modelo de compartimento separável. Investigação Radiol. 2008, 43, 40-48.

5. Tofts, P.; Cutajar, M.; Mendichovszky, I.; Peters, A.; Gordon, I. Medição precisa da filtração renal e parâmetros vasculares usando um modelo de dois compartimentos para RM dinâmica com contraste dorimfornece valores normais realistas. EUR. Radiol. 2012, 22, 1320-1330.

6. Chen, B.; Zhang, Y.; Canção, X.; Wang, X.; Zhang, J.; Fang, J. Estimativa quantitativa da função renal com RM com contraste dinâmico usando um modelo modificado de dois compartimentos. PLoS ONE 2014, 9, e105087.

7. Cutajar, M.; Mendichovszky, I.; Tofts, P.; Gordon, I. A importância da seleção de AIF ROI na renografia DCE-MRI: Reprodutibilidade e variabilidade da perfusão e filtração renal. EUR. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS; Rusinek, H.; Bokacheva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; Príncipe, K.; Canção, T.; Kramer, EL; et ai. Medidas da função renal a partir de renografia por RM e um modelo multicompartimental simplificado. Sou. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS; Blasberg, RG Avaliação Gráfica de Constantes de Transferência de Sangue-Cérebro de Dados de Captação de Múltiplos Tempos. Generalizações. J. Cereb. Fluxo Sanguíneo Metab. 1985, 5, 584-590.

10. Hackstein, N.; Heckrodt, J.; Rau, WS Medição derimtaxa de filtração glomerular usando uma sequência gradiente-eco dinâmica com contraste e a técnica de plotagem de Rutland-Patlak. J. Magno. Resson. Imaging 2003, 18, 714-725.

11. Zöllner, F.; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rorvik, J.; Santos, A.; Lundervold, A. Avaliação de 3D DCE-MRI dorinsusando registro de imagem não rígido e segmentação de cursos de tempo de voxel. Computar. Med. Gráfico de imagem. 2009, 33, 171-181.

12. Li, S.; Zollner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Segmentação baseada em Wavelet de compartimentos renais em DCE-MRI do humanorim: Resultados iniciais em pacientes e voluntários saudáveis. Computar. Med. Gráfico de imagem. 2012, 36, 108-118.

13. Eikefjord, E.; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Medição de ressonância magnética com contraste dinâmico da função renal em participantes saudáveis. Acta Radiol. 2017, 58, 748-757.

14. Yang, X.; Le Minh, H.; Cheng, KTT; Sung, KH; Liu, W. Segmentação do compartimento renal em imagens DCE-MRI. Med. Imagem Anal. 2016, 32, 269-280.

15. Yoruk, U.; Hargreaves, BA; Vasanawala, SS Segmentação renal automática para urografia por RM usando 3D-GrabCut e florestas aleatórias. Magn. Resson. Med. 2018, 79, 1696-1707.

16. Lundervold, AS; Lundervold, A. Uma visão geral do aprendizado profundo em imagens médicas com foco em ressonância magnética. Z. Für Med. Física 2019, 29, 102-127.

17. Khan, Z.; Yahya, N.; Alsaih, K.; Ali, SSA; Meriaudeau, F. Avaliação de Redes Neurais Profundas para Segmentação Semântica da Próstata em RM T2W. Sensores 2020, 20, 3183.

18. Shelhamer, E.; Longo, J.; Darrell, T. Redes totalmente convolucionais para segmentação semântica. Trans. IEEE Padrão Anal. Mach. Intel. 2017, 39, 640-651.

19. Badrinarayanan, V.; Kendall, A.; Cipolla, R. SegNet: Uma Arquitetura de Codificador-Decodificador Convolucional Profunda para Segmentação de Imagens. Trans. IEEE Padrão Anal. Mach. Intel. 2017, 39, 2481-2495.

20. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Redes Convolucionais para Segmentação de Imagens Biomédicas. In Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention, Munique, Alemanha, 5–9 de outubro de 2015; pp. 234-241.