การแบ่งส่วนไตที่ดีต่อสุขภาพในรูปภาพ Dce-Mr โดยใช้โครงข่ายประสาทเทียมและลักษณะสัญญาณชั่วขณะ

Artur Klepaczko1 , Eli Eikefjord²และ Arvid Lundervold^2,3,4

เชิงนามธรรม:การหาปริมาณของเลือดไปเลี้ยงไตตามการถ่ายภาพด้วยคลื่นสนามแม่เหล็กที่เพิ่มความคมชัดแบบไดนามิก (DCE-MRI) จำเป็นต้องมีการกำหนดหลักสูตรเวลาความเข้มของสัญญาณในบริเวณของเนื้อเยื่อไต ดังนั้นการเลือกว็อกเซลแทนไตต้องดำเนินการให้สำเร็จด้วยความระมัดระวังเป็นพิเศษ และถือเป็นหนึ่งในข้อจำกัดทางเทคนิคที่สำคัญซึ่งขัดขวางการใช้เทคนิคนี้ในวงกว้างในฐานะกิจวัตรทางคลินิกมาตรฐาน การแบ่งส่วนช่องไตด้วยตนเอง—แม้ว่าผู้เชี่ยวชาญจะทำ—เป็นสาเหตุทั่วไปของความสามารถในการทำซ้ำและการทำซ้ำที่ลดลง ในบทความนี้ เราขอนำเสนอกรอบการประมวลผลอัตโนมัติไตการแบ่งส่วนในอิมเมจ DCE-MR กรอบประกอบด้วยสองขั้นตอน ประการแรกไตมาสก์ถูกสร้างขึ้นโดยใช้โครงข่ายประสาทเทียม จากนั้น mask voxels จะถูกจัดประเภทเป็น 1 ใน 3 ส่วน ได้แก่ cortex, medulla และ pelvis โดยอิงตามหลักสูตรเวลาความเข้มของสัญญาณ DCE-MRI แนวทางที่เสนอนี้ได้รับการประเมินในกลุ่มอาสาสมัครสุขภาพดี 10 คนที่ได้รับการตรวจ DCE-MRI การสแกน MRI ซ้ำในเหตุการณ์สองครั้งภายในช่วงเวลา 10-วัน สำหรับงานการแบ่งเซ็กเมนต์เชิงความหมาย เราใช้สถาปัตยกรรม U-Net แบบคลาสสิก ในขณะที่การทดลองเกี่ยวกับการจัดหมวดหมู่ voxel ดำเนินการโดยใช้อัลกอริธึมทางเลือกสามแบบ—สนับสนุนเครื่องเวกเตอร์ การถดถอยโลจิสติก และต้นไม้เร่งการไล่ระดับสีสุดขีด ซึ่ง SVM ให้ผลลัพธ์ที่แม่นยำที่สุด ทั้งขั้นตอนการแบ่งส่วนและการแบ่งประเภททำได้โดยชุดของแบบจำลอง แต่ละชุดได้รับการฝึกฝนแยกกันสำหรับหัวข้อที่กำหนดโดยใช้ข้อมูลจากผู้เข้าร่วมคนอื่นๆ เท่านั้น ค่าเฉลี่ยได้รับความถูกต้องของทั้งหมดไตการแบ่งส่วนคือ 94 เปอร์เซ็นต์ในแง่ของค่าสัมประสิทธิ์ IoU Cortex, medulla และกระดูกเชิงกรานถูกแบ่งส่วนด้วย IoU ตั้งแต่ 90 ถึง 93 เปอร์เซ็นต์ขึ้นอยู่กับเนื้อเยื่อและร่างกาย ผลลัพธ์ยังได้รับการตรวจสอบโดยการเปรียบเทียบพารามิเตอร์การกระจายที่ได้มาจากภาพกับการวัดความจริงภาคพื้นดินของอัตราการกรองไต(จีเอฟอาร์). ความสามารถในการทำซ้ำของการคำนวณ GFR ซึ่งประเมินโดยสัมประสิทธิ์การแปรผันถูกกำหนดที่ระดับ 14.5 และ 17.5 เปอร์เซ็นต์สำหรับไตด้านซ้ายและด้านขวา ตามลำดับ และปรับปรุงให้ดีขึ้นเมื่อเทียบกับการแบ่งส่วนด้วยตนเอง ในทางกลับกัน ความสามารถในการทำซ้ำได้รับการประเมินโดยการวัดข้อตกลงระหว่างค่า GFR ที่ได้มาจากรูปภาพและตาม iohexol ความแตกต่างของค่าเฉลี่ยสัมบูรณ์โดยประมาณเท่ากับ 9.4 และ 12.9 มล./นาที/1.73 ม.2 สำหรับการสแกนช่วงที่ 1 และ 2 และวิธีการแบ่งส่วนแบบอัตโนมัติที่เสนอ ผลลัพธ์สำหรับเซสชันที่ 2 เทียบได้กับการแบ่งส่วนด้วยตนเอง ในขณะที่ความสามารถในการทำซ้ำของเซสชัน 1 ในไปป์ไลน์อัตโนมัตินั้นอ่อนแอกว่า

คำสำคัญ:MRI ที่ปรับปรุงคอนทราสต์แบบไดนามิก โครงข่ายประสาทเทียมไตการแบ่งส่วน; แบบจำลองทางเภสัชจลนศาสตร์ การหาปริมาณเลือดไปเลี้ยง; อัตราการกรองไต

ติดต่อ: ali.ma@wecistanche.com

คลิกเพื่อ Cistanche herba สำหรับโรคไต

1. บทนำ

ประเมินการทำงานของไตเป็นประจำโดยการวัดระดับครีเอตินีนในซีรัม ขึ้นอยู่กับมูลค่าของมัน theอัตราการกรองไต(GFR) สามารถประมาณได้โดยใช้ เช่น การปรับเปลี่ยนอาหารในสมการโรคไต [1] อีกวิธีหนึ่งในการกำหนด GFR ซึ่งเพิ่งได้รับความนิยมในการตั้งค่าทางคลินิกคือการทดสอบการกวาดล้างด้วยไอโอเฮกซอลในพลาสมา ผู้เขียนบางคนตั้งสมมติฐานว่าวิธีนี้ใช้แทนเทคนิคมาตรฐานทองคำโดยอิงจากการกวาดล้างอินนูลินในปัสสาวะ [2] อย่างไรก็ตาม ขั้นตอนทั้งหมดนี้ช่วยให้สามารถหาปริมาณของ GFR ได้พร้อมกันสำหรับทั้งสองอย่างไต. ดังนั้น การถ่ายภาพด้วยคลื่นสนามแม่เหล็กที่เพิ่มคอนทราสต์แบบไดนามิก (DCE-MRI) จึงเป็นอีกทางเลือกหนึ่งที่น่าสนใจ—ทำให้สามารถตรวจสอบประสิทธิภาพการกรองแบบไม่รุกล้ำในเครื่องเดียวไตในขณะที่ให้ข้อมูลที่ได้รับการแก้ไขเชิงพื้นที่เกี่ยวกับรอยโรคของเนื้อเยื่อ เช่น glomerulosclerosis เฉพาะส่วนโฟกัส

โดยหลักการแล้ว การตรวจ DCE-MRI จะสร้างชุดของปริมาณ T1-ที่ถ่วงน้ำหนักซึ่งได้มาในขั้นตอนเวลาที่แยกกันหลายขั้นตอนของขั้นตอนการสแกน วิธีการนี้ประกอบด้วยการบริหารทางหลอดเลือดดำของ bolus ของสารทึบรังสีแกโดลิเนียม (CA) ในขณะที่ CA bolus ผ่านต้นไม้หลอดเลือดแดงช่องท้อง เตียงของเส้นเลือดฝอย และระบบท่อของไตมันเพิ่มเวลาการผ่อนคลาย T1 ของเนื้อเยื่อที่เจาะเข้าไปได้อย่างมีประสิทธิภาพ จึงเป็นการปรับเปลี่ยนความคมชัดในภาพ การเปลี่ยนแปลงชั่วคราวของความเข้มของสัญญาณภาพนี้สะท้อนถึงสภาวะทางสรีรวิทยาของการทำงานของไต และเป็นพื้นฐานสำหรับการสร้างแบบจำลองทางเภสัชจลนศาสตร์ (PK) ของเลือดไปเลี้ยงไต

แบบจำลอง PK ที่เสนอจำนวนหนึ่งพยายามอธิบายกระบวนการทางคณิตศาสตร์ของเลือดไปเลี้ยงในอวัยวะต่างๆ ในเรื่องไตแบบจำลองส่วนใหญ่สันนิษฐานว่าสัญญาณที่วัดใน voxel เนื้อเยื่อที่กำหนดเป็นผลรวมของการมีส่วนร่วมที่มีต้นกำเนิดมาจากอย่างน้อยสองช่อง—intravascular (IV) และ extracellular extravascular (EEV) space [3–6] นอกจากนี้ เช่นเดียวกับในแบบจำลอง PK แต่ละแบบ การส่งตัวติดตามแกโดลิเนียมผ่านหลอดเลือดแดงที่ป้อนไปยังอวัยวะที่สนใจจะถูกห่อหุ้มด้วยฟังก์ชัน arterial input function (AIF) ในทางปฏิบัติ AIF ในกรณีของการศึกษาเกี่ยวกับไตคือระยะเวลาของความเข้มข้นของสารคอนทราสต์ในหลอดเลือดแดงใหญ่ในช่องท้อง [7] โดยการรวม AIF ด้วยเคอร์เนลการขยับและการกระจาย จะทำให้ได้รับความเข้มข้นของตัวติดตามในช่อง IV ในที่สุด กราฟเวลาของความเข้มข้นในพื้นที่ EEV จะเป็นสัดส่วนกับอินทิกรัลของความเข้มข้นในช่อง IV ซึ่งเลือกปรับด้วยปัจจัยเลขชี้กำลังที่แทนค่า outflow จากท่อไต ค่าสัมประสิทธิ์สัดส่วน ซึ่งมักแสดงเป็น Ktrans ควบคุมอัตราการถ่ายโอน CA จากช่อง IV ไปยัง EEV Ktrans คูณด้วยปริมาตรของอวัยวะโดยตรงนำไปสู่การคำนวณ GFR

วิธีการแบบหลายช่องที่ซับซ้อนกว่ามีอยู่ (เช่น [8]) แม้ว่าการใช้งานทางคลินิกที่เป็นไปได้นั้นยังเป็นที่น่าสงสัย ความยากอยู่ที่ความจำเป็นในการตรวจสอบความเสถียรของการเพิ่มประสิทธิภาพของพารามิเตอร์แบบจำลองดังกล่าว ในขณะที่ปรับเส้นโค้งของแบบจำลองเข้ากับข้อมูลที่สังเกตได้ นอกจากนี้ โมเดลเหล่านี้ต้องมีการแบ่งส่วนของไตparenchyma เข้าไปในเยื่อหุ้มสมองและไขกระดูก อันที่จริง ข้อกำหนดนี้ใช้กับรุ่นสองช่องด้วยเช่นกัน โมเดลคลาสสิกที่เสนอใน [3] ซึ่งมีพื้นฐานมาจากโมเดล Rutland–Patlak ทั่วไป [9,10] ใช้ได้กับบริเวณเยื่อหุ้มสมองเท่านั้น ในทางกลับกัน การใช้แบบจำลองการกรองแบบสองช่อง [5] กับไตทั้งหมดนั้นเป็นที่ยอมรับได้สำหรับระยะการดูดซึม หากต้องการวัดปริมาณเลือดไปเลี้ยง การวิเคราะห์ต้องจำกัดเฉพาะเยื่อหุ้มสมองอีกครั้งเท่านั้น ในกรณีใด ๆ จะต้องแยกบริเวณเชิงกรานซึ่งรวบรวมความคมชัดในขั้นตอนการตรวจการขับถ่าย ดังนั้น การทำขั้นตอนการวิเคราะห์ข้อมูล DCE-MRI ให้เป็นแบบอัตโนมัติ ไม่เพียงแต่ต้องระบุไตเท่านั้น แต่ยังต้องติดฉลากว็อกเซลของไตแต่ละอันว่าเป็นของคอร์เทกซ์ ไขกระดูก หรืออุ้งเชิงกรานด้วย

ปัญหาของไตการแบ่งส่วนได้รับการแก้ไขโดยผู้เขียนหลายคน บ่อยครั้ง voxels ถูกจัดประเภทตามหลักสูตรเวลาความเข้มข้น ตัวอย่างเช่นใน [11] อัลกอริทึม k-mean ใช้เพื่อจัดกลุ่ม voxels ออกเป็นกลุ่มตามหลักสูตรเวลาความเข้มของสัญญาณ วิธีการนี้ได้รับการพัฒนาเพิ่มเติมใน [12] โดยที่หลักสูตรเวลาความเข้มของสัญญาณถูกประมวลผลล่วงหน้าโดยการแปลงเวฟเล็ตแบบไม่ต่อเนื่อง ในท้ายที่สุด ต้องใช้ฮิวริสติกบางประเภทตามลักษณะของคลัสเตอร์โดยธรรมชาติและความสัมพันธ์ของพวกมันเพื่อกำหนดว่าคลัสเตอร์ใดที่เป็นตัวแทนของคอร์เทกซ์ ไขกระดูก เชิงกราน และพื้นหลัง การอนุมานที่ไม่มีผู้ดูแลทั้งหมดได้รับความทุกข์ทรมานจากข้อมูลอินพุตที่มีเสียงดังซึ่งไม่สามารถจำแนกประเภทที่มีความหมายทางกายวิภาคได้อย่างไม่น่าสงสัย โดยเฉพาะอย่างยิ่งที่เกี่ยวกับ voxels ที่วางอยู่บนเส้นขอบระหว่างเยื่อหุ้มสมองและไขกระดูก พวกเขาถูกกำหนดให้กับคลาส "ส่วนอื่น ๆ " ที่มี voxels จากภายนอกไต.

ดังนั้น กลยุทธ์ที่ปฏิบัติตามบ่อยจึงประกอบด้วยการแยกส่วนทั้งหมดออกก่อนไตจากส่วนอื่นๆ ของภาพ บริเวณที่น่าสนใจที่วาดไว้ควรพอดีกับขอบไตเพื่อกำจัด voxels ที่อยู่ใกล้เคียงทั้งหมด ตัวอย่างของการแก้ปัญหาดังกล่าวคือแผนที่พื้นที่ใต้เส้นโค้ง (AUC) ที่ใช้เช่นใน [13] ว็อกเซลเหล่านั้นในลำดับ DCE-MRI ซึ่งถูกแทรกซึมโดยเอเจนต์การติดตามปรากฏสว่างบนแผนที่ AUC เนื่องจากพื้นที่ที่ใหญ่ที่สุดภายใต้หลักสูตรเวลาความเข้มของสัญญาณ เป็นคำแนะนำที่ควรสังเกตว่าวิธีการนี้ต้องใช้ทั้งแบบแมนนวลหรือแบบอัตโนมัติภายหลังการประมวลผลเพื่อขจัดโครงสร้างภายนอกของไต หลอดเลือดขนาดใหญ่ และท่อเก็บปัสสาวะ

กลยุทธ์การแบ่งส่วนแบบหยาบถึงละเอียดยังถูกนำมาใช้ใน [14] ซึ่งมีการแนะนำแนวคิดของ Maximally Stable Temporal Volumes (MSTV) คุณสมบัติ MSTV อนุญาตให้บุคคลรู้จักไตโดยการตรวจจับโครงสร้างที่เป็นเนื้อเดียวกันและมีเสถียรภาพเชิงพื้นที่ การแบ่งส่วนแบบละเอียดได้มาจากการลดหลักสูตรเวลาของ voxels ให้เป็นเวกเตอร์ของส่วนประกอบหลัก ซึ่งจะถูกแบ่งส่วนถัดไปโดย k-mean ไปยังหลายคลัสเตอร์ อย่างไรก็ตาม ในที่สุด การแบ่งส่วนที่ได้รับจะต้องมีการปรับแต่งซ้ำๆ เพื่อขจัดเสียงรบกวนที่เหลืออยู่ ในทำนองเดียวกัน ในการศึกษาที่อธิบายไว้ใน [15] ขั้นตอนแรกของขั้นตอนการแบ่งส่วนประกอบด้วยการกำหนดลักษณะของพลวัตการเพิ่มประสิทธิภาพสัญญาณของเนื้อเยื่อในช่องท้อง สังเกตได้ว่าไขกระดูกซึ่งแตกต่างจากคอร์เทกซ์ ตับ หรือม้าม แสดงความเข้มของสัญญาณที่เพิ่มขึ้นอย่างต่อเนื่องซึ่งเกิดขึ้นภายหลังในลำดับการได้มา หลังจากระบุ medulla voxels แล้ว การขยายจะดำเนินการตามด้วยอัลกอริธึม GrubCut เพื่อสร้างมาสก์ไต การปรับละเอียดทำได้โดยการจำแนก voxels ด้วยตัวจำแนกฟอเรสต์แบบสุ่มที่ได้รับการฝึกฝนล่วงหน้า Voxels มีลักษณะเฉพาะตามความเข้มของภาพตามลำดับในกรอบเวลาที่เลือกของลำดับไดนามิก ตลอดจนตำแหน่งภายใน ROI ที่สร้างขึ้นในระยะแรก

แม้ว่าการสนับสนุนทั้งแบบใช้ MSTV และ GrubCut ดูเหมือนจะให้ผลลัพธ์ที่น่าพอใจสำหรับชุดข้อมูลหลายชุด แต่ก็เป็นอัลกอริธึมที่ค่อนข้างซับซ้อนทางแนวคิด ซึ่งไม่มีในซอฟต์แวร์เชิงพาณิชย์หรือซอฟต์แวร์โอเพ่นซอร์ส ด้วยเหตุนี้ชุมชนทางคลินิกจึงไม่สามารถนำไปใช้ได้ง่าย

ในทางกลับกัน ความก้าวหน้าล่าสุดในสถาปัตยกรรมโครงข่ายประสาทเทียมและการใช้งานได้อย่างกว้างขวางของซอฟต์แวร์ทำให้วิธีการเรียนรู้เชิงลึกมีความน่าสนใจเป็นพิเศษในการประยุกต์ใช้กับการแบ่งส่วนเนื้อเยื่อชีวภาพในภาพทางการแพทย์ ประสิทธิภาพของ CNNs ในสถานการณ์ที่หลากหลายของการวิเคราะห์ข้อมูล MRI มีการกล่าวถึงอย่างละเอียดในการทบทวนอย่างครอบคลุมของ [16] โดยเฉพาะอย่างยิ่งใน [17] สถาปัตยกรรมเครือข่ายต่างๆ เช่น เครือข่ายแบบหมุนรอบอย่างสมบูรณ์ [18], SegNet [19], U-Net [20] และ DeepLabV3 plus [21] ได้รับการทดสอบการแบ่งส่วนความหมายของมะเร็งต่อมลูกหมากใน T 2- MRI ที่ถ่วงน้ำหนัก ภาพ MR ทางกายวิภาคยังถูกวิเคราะห์ใน [22] ผู้เขียนได้พัฒนาสถาปัตยกรรม CNN แบบกำหนดเองเพื่อร่างโครงร่าง polycystic . โดยอัตโนมัติไต. มีการนำเสนอแนวทางที่น่าสนใจอีกวิธีหนึ่งใน [23] ซึ่งใช้การเรียนรู้เชิงลึกสำหรับการอนุมานโดยตรงของแผนที่การกระจายของสมองจากลำดับ DCE-MRI โดยไม่ต้องปรับแบบจำลอง PK ให้เข้ากับสัญญาณที่วัดได้อย่างชัดเจน

มีการศึกษาที่ตีพิมพ์หลายครั้งเกี่ยวกับการประยุกต์ใช้ CNNs กับการแบ่งส่วนไตในภาพเอกซเรย์คอมพิวเตอร์ [24,25] อย่างไรก็ตาม การแบ่งส่วนขับเคลื่อนด้วย DL ของไตในชุดข้อมูล MRI ที่ปรับปรุงคอนทราสต์ยังคงเป็นหัวข้อที่ยังไม่สิ้นสุด เป็นตัวอย่างพิเศษของผลงานที่ได้รับการตีพิมพ์โดยเฉพาะสำหรับการตรวจ DCE-MRI ของไต เราสามารถพูดถึงบทความของ Haghighi et al [26]. พวกเขาสร้างและฝึกอบรมเครือข่าย CNN สองเครือข่าย อินพุตของโครงสร้างแบบเรียงซ้อนนี้คืออิมเมจ 4D DCE-MR เครือข่ายแรกระบุตำแหน่งของไตด้านซ้ายและด้านขวาคร่าวๆ ในภาพ ในขณะที่ส่วนที่สองมีหน้าที่กำหนดขอบเขตของไตอย่างแม่นยำ อย่างไรก็ตาม ไม่มีการแบ่งส่วนเพิ่มเติมในเยื่อหุ้มสมองหรือไขกระดูกอีกต่อไป เนื่องจากมีเพียงเนื้อเยื่อของไตทั้งหมดเท่านั้นที่ใช้ในการคำนวณ GFR

จากการพิจารณาข้างต้น แนวทางที่นำเสนอในบทความนี้เป็นการตอบสนองต่อความต้องการอัลกอริธึมอัตโนมัติซึ่งด้านหนึ่งจะรับรู้ได้อย่างแม่นยำไตช่องว่างภายในภาพ DCE-MR ในขณะที่อีกด้านหนึ่งนั้นค่อนข้างง่ายที่จะทำซ้ำโดยทีมวิจัย ดังนั้นเราจึงเสนอให้:

1. ใช้สถาปัตยกรรม CNN สำหรับการแบ่งส่วนความหมายของไตพาเรงคิมา

2. อธิบาย parenchymal voxels ด้วยการรวมคุณสมบัติที่ได้มาจากการแปลงรูปคลื่นความเข้มของสัญญาณโดยการวิเคราะห์ส่วนประกอบหลัก (PCA)

3. เลือกปฏิบัติบริเวณคอร์เทกซ์ ไขกระดูก และเชิงกรานผ่านการจำแนกเวกเตอร์ลักษณะเฉพาะ PCA ที่แยกออกมา

รายละเอียดของอัลกอริธึมที่ใช้แสดงในส่วนที่ 2 ในหัวข้อที่ 3 เราประเมินผลการแบ่งส่วนและวิธีที่โซลูชันที่ออกแบบส่งผลต่อความเสถียรของพารามิเตอร์ PK โดยประมาณ ขณะทำการประเมินนี้ เรายังตั้งสมมติฐานว่าเป็นไปได้ที่จะสร้างรูปแบบการคำนวณสากลที่สามารถสร้างการแบ่งส่วนที่ถูกต้องสำหรับวิชาใหม่โดยอิงจากข้อมูลในอดีตเพียงอย่างเดียว เราเชื่อว่าโครงการดังกล่าวสามารถเผยแพร่ในวงกว้างและนำไปใช้ในคลินิกได้ หรือใช้ความพยายามเพียงเล็กน้อยในการปรับให้เข้ากับโปรโตคอลการรับภาพที่กำหนดเอง เพื่อให้บรรลุเป้าหมายนี้ เราได้ตรวจสอบกระบวนการคำนวณที่เสนอในลักษณะละทิ้งหนึ่งเรื่อง เราได้สร้างชุดเครื่องมือการแบ่งส่วนและการจำแนกประเภท โดยแต่ละชุดได้รับการฝึกฝนตามกลุ่มผู้ป่วยที่แตกต่างกัน จากนั้นจึงทำการทดสอบเครื่องยนต์กับวัตถุที่มองไม่เห็นในระหว่างขั้นตอนการฝึก การอภิปรายของผลลัพธ์ที่ได้จะได้รับในส่วนที่ 4

2. วัสดุและวิธีการ

2.1. มิสเตอร์ดาต้า

การทดลองและอัลกอริธึมที่นำเสนอในบทความนี้ได้รับการออกแบบโดยใช้ชุดลำดับการวัด 20 ที่ได้รับจากอาสาสมัครสุขภาพดี 10 คน การตรวจ MRI ดำเนินการในหน่วย 1.5 T (Siemens Magnetom Avanto, Erlangen, Germany) โปรโตคอลการรับข้อมูลรวมการถ่ายภาพแต่ละวัตถุสองครั้ง ห่างกัน 10 วัน โดยใช้วิธีการสะท้อนการไล่ระดับสีแบบสามมิติที่ปรับปรุงคอนทราสต์ (TE/TR/FA=0.8/2.36/20 .ms/ms/-, ใน- ความละเอียดระนาบ=2.2 × 2.2 mm2 ความหนาของแผ่น=3 มม. เมทริกซ์การได้มา=192 × 192 จำนวนชิ้น=30) สารที่ตรงกันข้าม (0.025 มิลลิโมล/กิโลกรัมของ GdDOTA) ถูกบริหารให้ทางเส้นเลือดที่อัตราการไหล 3 มิลลิลิตร/วินาที ลำดับการวัดแต่ละรายการประกอบด้วย 74 เฟรมที่ได้รับในช่วงเวลา 2.3 วินาที

เพื่อลดสิ่งแปลกปลอมในการเคลื่อนไหว โปรโตคอลการถ่ายภาพได้รับการออกแบบมาเพื่อให้ได้ภาพเมื่อกลั้นหายใจ ประการแรก ได้ข้อมูลพื้นฐานก่อนคอนทราสต์ 8 ค่าในช่วงระยะเวลากลั้นหายใจ 18- เมื่อ 7 วินาทีหลังการฉีดแกโดลิเนียม ผู้เข้าร่วมจะได้รับคำสั่งให้กลั้นหายใจเป็นเวลา 26 วินาทีเพื่อให้เลือดไหลเวียนไปรอบแรกโดยไม่มีการเคลื่อนไหว ถัดไป ในระหว่างขั้นตอนการกรอง ระยะเวลากลั้นหายใจสั้นลงเหลือ 13 วินาที และแทรกสลับด้วยการหายใจอย่างอิสระ 26 วินาที เพื่อให้หายใจสะดวก ผู้ทดลองได้รับออกซิเจนทางจมูกในอัตรา 1 ลิตร/นาที

ที่เหลือไต การเคลื่อนไหวได้รับการแก้ไขในขั้นตอนหลังการประมวลผลโดยดำเนินการลงทะเบียน b-spline ในแต่ละลำดับ DCE-MRI เพื่อจุดประสงค์นั้น เราใช้อัลกอริธึม B-splines จากไลบรารีซอฟต์แวร์ Insight Toolkit (ITK) [27] ในทุกซีเควนซ์ เราเลือกหน้าต่างอ้างอิงที่สอดคล้องกับจุดกึ่งกลางของระยะการกำซาบ จากนั้นใช้เป็นปริมาตรคงที่ที่ปริมาตรอื่น (เคลื่อนที่) ทุกตัวจับคู่กับ การลงทะเบียน B-splines ดำเนินการโดยอัตโนมัติอย่างสมบูรณ์ กล่าวคือ ไม่มีการทำเครื่องหมายจุดจริงบนเนื้อเยื่อที่สนใจ นอกจากนี้ โพรซีเดอร์ยังเปิดตัวในการกำหนดค่าแบบหลายขั้นตอน ในแต่ละขั้นตอน จะใช้การตั้งค่าต่างๆ ของขนาดกริดและอัตราการสุ่มตัวอย่าง สำหรับการตีความพารามิเตอร์เหล่านี้โดยละเอียด ผู้อ่านจะถูกอ้างอิงถึงเอกสารประกอบของ ITK กล่าวโดยย่อ พวกเขาอนุญาตให้ทำการลงทะเบียนรูปภาพในระดับต่างๆ กัน—เริ่มต้นจากการจับคู่แบบหยาบแล้วปรับแต่งผลลัพธ์

สำหรับความจำเป็นในการออกแบบอัลกอริธึมและการประเมิน ปริมาตรทั้งหมดได้รับการบันทึกโดยนักรังสีวิทยาที่มีความเชี่ยวชาญในด้าน MR urography ในแต่ละกรอบเวลา ซ้ายและขวาไตถูกวาดออกมา จากนั้น ในสองเฟรมที่เชื่อมโยงกับระยะการถ่ายเลือดและการขับถ่าย วอกเซลของเนื้อเยื่อจะถูกกำหนดให้กับคอร์เทกซ์ ไขกระดูก หรือเชิงกราน

ในระหว่างการทดสอบ ผู้รับการทดลองได้รับยาไอโอเฮกซอลขนาด 5 มล. (300 มก. I/มล.; Omnipaque 300, GE Healthcare) จากนั้นจึงกำหนดค่า GFR ที่เป็นความจริงเพื่อให้สามารถตรวจสอบค่าประมาณการกระจายของภาพที่ได้มา

ผู้เข้าร่วมได้รับคำแนะนำให้ปฏิเสธการดื่มแอลกอฮอล์และอาหารที่มีโปรตีนสูง หลีกเลี่ยงการออกแรงมากเกินไป ปกติดื่มน้ำให้เพียงพออย่างน้อย 2 วันก่อนการตรวจ และไม่มีคาเฟอีนในวันตรวจ เพื่อให้แน่ใจว่าเงื่อนไขการตรวจที่เปรียบเทียบได้ระหว่างช่วงการสแกนและการทดสอบการกวาดล้างไอโอเฮกซอล ขอแนะนำให้รักษาเวลารับประทานอาหารและการรับประทานอาหารให้เป็นปกติ อาสาสมัครทุกคนให้ความยินยอมเป็นลายลักษณ์อักษรสำหรับการเข้าร่วมในการศึกษานี้ ซึ่งได้รับการอนุมัติจากคณะกรรมการพิจารณาสถาบันที่โรงพยาบาลมหาวิทยาลัย Haukeland เมืองเบอร์เกน ประเทศนอร์เวย์

2.2. ภาพรวมของไปป์ไลน์การแบ่งส่วน

ไปป์ไลน์การแบ่งส่วนที่เสนอจะแสดงในรูปที่ 1 การแบ่งส่วนแบบหยาบเริ่มต้นทำได้โดยโครงข่ายประสาทเทียมแบบบิดเต็มที่ของโครงสร้าง U-Net ขั้นตอนนี้ดำเนินการบนภาพตัดขวางสองมิติที่ตามมาของภาพปริมาตรเดียวจากลำดับ DCE-MRI ภาพนี้สอดคล้องกับเฟรมของการเพิ่มประสิทธิภาพของสัญญาณสูงสุดในภูมิภาคคอร์เทกซ์เมื่อมองเห็นการแบ่งแยกของพาร์เรนคิมาของไตในคอร์เทกซ์และเมดัลลาได้ชัดเจน

เราคิดว่าภาพตัดขวางด้านเดียวสามารถแบ่งออกเป็นด้านซ้ายและขวา โดยแต่ละส่วนมีความกว้าง 96-พิกเซล ในด้านที่กำหนด เป็นไปได้ที่จะระบุตำแหน่งของแพตช์รูปภาพที่มีความสูง 96-พิกเซลซึ่งครอบคลุมทั้งหมดหนึ่งไต. ด้วยวิธีนี้เราจึงมั่นใจได้ว่าซ้ายและขวาไตจะถูกแบ่งส่วนและประมวลผลแยกกัน ในปัจจุบัน วิธีการของเราจำเป็นต้องมีสมมติฐานนี้ในระหว่างขั้นตอนการเรียกคืนของการทำงานของเครือข่าย ระหว่างการฝึก มันก็เพียงพอแล้วถ้าแผ่นแปะภาพมีอย่างน้อยส่วนหนึ่งของเนื้อเยื่อของไต นอกจากนี้ ขนาดแพตช์ 96 × 96 ได้รับการปรับให้เป็นความละเอียดในระนาบของข้อมูล DCE-MRI ที่มีอยู่ในการศึกษานี้ และควรแก้ไขภายใต้การกำหนดค่าการได้มาที่แตกต่างกัน

การแบ่งส่วนแบบหยาบในบางครั้งอาจต้องการการปรับแต่งเพิ่มเติมเพื่อปฏิเสธคลัสเตอร์นอกไตขนาดเล็กของพิกเซลที่แบ่งส่วนผิดๆ ในอัลกอริธึมของเรา ส่วนประกอบที่เชื่อมต่อได้รับการระบุและมีเพียงส่วนประกอบที่ใหญ่ที่สุดเท่านั้นที่จะถูกส่งต่อไปยังขั้นตอนต่อไป นอกจากนี้ โปรดทราบด้วยว่าแม้ว่าขั้นตอนการแบ่งส่วนเชิงความหมายของเราจะดำเนินการในแบบ 2 มิติ แต่ก็ถูกนำไปใช้กับส่วนตัดขวางทั้งหมดของปริมาตรที่กำหนด การวิเคราะห์ที่ตามมานั้นทำสำเร็จแบบว็อกเซล ดังนั้น GFR อย่างมีประสิทธิภาพจึงคำนวณจาก nephrons ทั้งหมดที่กระจายอยู่ใน 3D cortex ROI

ขอบคุณการลงทะเบียนรูปภาพในโดเมนเวลาไตมาสก์ที่สร้างขึ้นสำหรับเฟรมเดียวสามารถใช้กับเฟรมอื่นๆ ทั้งหมดของชุดไดนามิกได้ ดังนั้น voxels ของไตจึงถูกกำหนดเวกเตอร์คุณลักษณะซึ่งประกอบด้วยค่าความเข้มของสัญญาณ MRI ที่วัดในจุดเวลาต่อมา เพื่อให้ได้คุณสมบัติทั่วไปมากขึ้นของไดนามิกของสัญญาณ เราได้แยกการรวมคุณสมบัติโดยใช้การแปลง PCA ข้อมูลมวลรวมที่มีข้อมูลมากที่สุด 20 รายการถูกเลือกเพื่ออธิบายแต่ละ voxel ของไต ในที่สุด นักจำแนกประเภทที่ได้รับการฝึกฝนให้แยกแยะระหว่างลักษณะเฉพาะชั่วขณะของบริเวณคอร์เทกซ์ ไขกระดูก และเชิงกราน ได้กำหนดว็อกเซลให้อยู่ในหมวดหมู่ที่เหมาะสม

เหตุผลที่อยู่เบื้องหลังแนวทางแบบสองขั้นตอนที่เสนอคือเพื่อให้แน่ใจว่าการรับรู้ขั้นสุดท้ายมีพื้นฐานมาจากคำอธิบายประกอบที่มีความมั่นใจสูงสุด หากเป็นซีเอ็นเอ็นเพื่อแบ่งเยื่อหุ้มสมองออกจากไขกระดูกและกระดูกเชิงกราน จะต้องสร้างมาสก์เป้าหมายที่แน่นอนและผู้ใส่คำอธิบายประกอบจะต้องตัดสินใจว่าขอบเขตที่แท้จริงระหว่างเนื้อเยื่อต่างๆ อยู่ที่ใด ในหลายกรณี เรื่องนี้ไม่ใช่เรื่องเล็กน้อยเนื่องจากผลกระทบของปริมาณบางส่วน ดังนั้น การตัดสินใจดังกล่าว และด้วยเหตุนี้ โมเดลเครือข่ายที่ผ่านการฝึกอบรม จึงอาจมีอคติต่อประสบการณ์ของผู้สังเกตการณ์ที่ไม่เหมือนใคร อีกทางหนึ่ง เราตัดสินใจฝึกนักจำแนกประเภทโดยใช้สัญญาณจากสถานที่ที่ชัดเจนเท่านั้น ดังที่อธิบายไว้ด้านล่าง ต่อมา ในระหว่างการอนุมานการส่งต่อ มันเป็นความรับผิดชอบของอัลกอริธึมในการเลือกปฏิบัติ voxels ที่เป็นของภูมิภาคที่โต้แย้งได้

สุดท้าย หน่วยคำนวณทั้งหมดของขั้นตอนที่เสนอ—โมเดล CNN และตัวแยกประเภท รวมถึงเมทริกซ์การแปลง PCA— ได้มาสำหรับกลุ่มผู้ป่วยที่เป็นอิสระจากชุดข้อมูลที่ประมวลผลในปัจจุบัน ในส่วนย่อยต่อไปนี้ เราจะให้รายละเอียดการใช้งานของแต่ละโมดูลของอัลกอริทึม

2.3. Cnnfor Semantic Segmentation

ในบรรดาตัวแปร U-Net ที่มีอยู่ เราใช้การใช้งานที่เผยแพร่ที่ [28] เนื่องจากแตกต่างจากสถาปัตยกรรมที่อธิบายไว้ในบทความต้นฉบับ [20] จึงสรุปลักษณะเฉพาะของโครงสร้างนี้ ซึ่งปรับให้เข้ากับความต้องการของการศึกษาของเราก่อน

2.3.1. สถาปัตยกรรมเครือข่าย

โครงข่ายประสาท U-Net convolutional เดิมได้รับการพัฒนาสำหรับการแบ่งส่วนโครงสร้างของเซลล์ประสาทในกองอิเล็กตรอนด้วยกล้องจุลทรรศน์และได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพในการใช้งานด้านชีวการแพทย์อื่น ๆ อีกมากมาย ดังที่กล่าวไว้ ข้อมูลที่ป้อนเข้าสู่แบบจำลองของเราคือภาพระดับสีเทา 2 มิติ ซึ่งเป็นส่วนต่อประสานของโวลุ่ม 3D DCE-MRI เดียว ขนาดของแพตช์ถูกปรับเป็น 96 × 96 พิกเซล (ดูรูปที่ 2)

คุณลักษณะเฉพาะของ U-Net คือประกอบด้วยสองส่วนที่สมมาตร—เส้นทางหดตัวและขยาย เป้าหมายของเส้นทางการหดตัวคือการเข้ารหัสรูปแบบความเข้มของพิกเซลของภาพโดยทำการบิดด้วยชุดตัวกรองตุ้มน้ำหนักที่สามารถฝึกได้ 3 × 3 ชุด เอาต์พุตของตัวกรองเปิดใช้งานส่วนประกอบการประมวลผลหลักของเครือข่าย—เซลล์ประสาทที่เรียกว่าหน่วยเชิงเส้นตรง (ReLU) อนุญาตให้สร้างแบบจำลองความสัมพันธ์ที่ไม่เป็นเชิงเส้นระหว่างคุณลักษณะของรูปภาพและแผนผังการแบ่งส่วนเอาต์พุต ดังนั้น ขั้นตอนการเข้ารหัสจึงสามารถเปรียบเทียบได้กับกระบวนการที่รู้จักในการประมวลผลภาพดิจิทัลว่าเป็นการแยกคุณลักษณะ ตามด้วยการดำเนินการรวมกลุ่มสูงสุดซึ่งลดตัวอย่างแผนที่คุณลักษณะ

การหดตัวซ้ำสี่ครั้งเพื่อดึงคำอธิบายภาพในระดับต่างๆ อันที่จริง แต่ละระดับนั้นถูกสร้างขึ้นโดยบล็อกที่ประกอบด้วยสองชั้นที่บิดเบี้ยว แต่ละชั้นตามด้วยเลเยอร์การทำให้เป็นมาตรฐานของแบทช์ ซึ่งรักษาค่าเฉลี่ยคงที่และค่าเบี่ยงเบนมาตรฐานของการฝังเอาต์พุตภายในแบทช์ที่กำหนด ดังนั้นการทำให้เป็นมาตรฐานแบบกลุ่มทำให้มั่นใจได้ว่าคุณลักษณะที่มีไดนามิกความเข้มต่ำมีความสำคัญเท่าเทียมกันกับคุณลักษณะที่มีช่วงที่ใหญ่กว่า คู่เลเยอร์ Convolution และ Normalization จะแยกจากกันโดยเลเยอร์ dropout ซึ่งสุ่มตั้งค่า 20 เปอร์เซ็นต์ของโหนดอินพุตเป็น 0 กลไกนี้ซึ่งทำงานเฉพาะในระหว่างขั้นตอนการฝึกอบรม จะป้องกันไม่ให้เครือข่ายมีการทำงานมากเกินไป [29]

เอาต์พุตของบล็อกการสุ่มตัวอย่างสุดท้าย ซึ่งเรียกว่าคอขวด จะถูกส่งต่อไปยังเส้นทางการขยายหรือถอดรหัส มันถูกสร้างขึ้นจากระดับการสุ่มตัวอย่างจำนวนเดียวกันกับส่วนที่หดตัวและงานหลักคือการกู้คืนความละเอียดเชิงพื้นที่ดั้งเดิม ในการศึกษานี้ การสุ่มตัวอย่างเพิ่มขึ้นทำได้โดยการบิดแบบทรานสโพส แต่ละบล็อกการถอดรหัสยังประกอบด้วยเลเยอร์การทำให้เป็นมาตรฐานแบบคอนโวลูชันและแบบแบทช์สองคู่ ตรงกันข้ามกับบล็อกการเข้ารหัส อย่างไรก็ตาม ไม่มีการแทรกกลไกการเลื่อนออกระหว่างนั้น ยิ่งไปกว่านั้น แผนที่คุณลักษณะที่มีความละเอียดสูงที่แยกออกมาในเส้นทางการสุ่มตัวอย่างลง ไม่เพียงแต่ป้อนเลเยอร์การเข้ารหัสที่ตามมาเท่านั้น แต่ยังเชื่อมต่อกับอินพุตของเลเยอร์การถอดรหัสที่ระดับของเส้นทางการสุ่มตัวอย่างตามลำดับ การเชื่อมต่อเพิ่มเติมเหล่านี้ช่วยถอดรหัสบล็อกเพื่อกู้คืนไตการแปลส่วนต่างๆ ได้แม่นยำยิ่งขึ้น

ดังสามารถเห็นได้ในรูปที่ 2 บล็อกการเข้ารหัสประกอบด้วยตัวกรองแบบ convolutional ที่เพิ่มขึ้นเรื่อย ๆ ที่ลึกลงไปในเส้นทางที่หดตัว เริ่มต้นจากตัวกรอง 64 ตัวในเลเยอร์การพลิกผันสองเลเยอร์แรก จำนวนของฟีเจอร์แมปถึง 1024 ในคอขวด โดยเพิ่มขึ้นเป็นสองเท่าในแต่ละระดับการสุ่มตัวอย่างที่ลดลง ในทางตรงกันข้าม จำนวนตัวกรองในเส้นทางการขยายถูกหารด้วยตัวประกอบของสองตัวในแต่ละขั้นที่สูงขึ้น ด้วยเหตุนี้ แผนที่คุณลักษณะสุดท้ายจึงมีความลึก 64 อีกครั้ง

เอาต์พุตของบล็อกการสุ่มตัวอย่างสุดท้ายเชื่อมต่อกับเลเยอร์ที่บิดเบี้ยวด้วยตัวกรองขนาด 1 × 1- มันทำการบิดเคอร์เนลตัวกรองตามพิกเซลด้วยเวกเตอร์คุณสมบัติองค์ประกอบ 64- แล้วส่งผลลัพธ์ไปยังฟังก์ชันการเปิดใช้งานเอาต์พุต ในการออกแบบของเรา มีการใช้การเปิดใช้งาน sigmoid เนื่องจากการตัดสินใจขั้นสุดท้ายเป็นแบบไบนารี—พิกเซลเป็นของเนื้อเยื่อไตหรือพื้นหลัง

2.3.2. การฝึกอบรม

น้ำหนักเครือข่ายเริ่มต้นเป็นสถานะสุ่มโดยวิธีการของ He et al [30]. กระบวนการฝึกอบรมดำเนินการบนแผ่นแปะภาพที่ครอบตัดจากโวลุ่ม DCE-MRI ซึ่งแต่ละอันประกอบด้วยภาพเดียว ซ้ายหรือขวาไตภาพตัดขวาง ตามที่อธิบายไว้ข้างต้น แพทช์ภาพ 96 × 96-พิกเซลถูกดึงออกมาจากไดรฟ์ข้อมูลของลำดับ DCE ที่สอดคล้องกับเฟสการกำซาบ กล่าวคือ กรอบเวลาของคอนทราสต์สัญญาณสูงสุดระหว่างคอร์เทกซ์และเมดัลลา เพื่อเพิ่มจำนวนภาพการฝึก สำหรับแต่ละการศึกษา เราได้เลือกกรอบเวลาดังกล่าวสามกรอบ—กรอบที่มีการปรับปรุงสัญญาณสูงสุดในภูมิภาคคอร์เทกซ์ กรอบเวลาหนึ่งก่อนหน้า และกรอบเวลาต่อสำเร็จอีกหนึ่งกรอบ ในแต่ละปริมาณภาพ เดียวไตมองเห็นได้โดยเฉลี่ย 12 ชิ้น ให้แผ่นฝึกประมาณ 1440 แผ่น

แม้ว่าเครือข่าย U-Net มักจะสามารถรับมือกับตัวอย่างการฝึกอบรมขนาดเล็กได้ แต่เราตัดสินใจที่จะขยายชุดข้อมูลเพิ่มเติมผ่านการเสริมข้อมูล ซึ่งทำได้โดยการเลือกตำแหน่งแนวตั้ง 10 ตำแหน่งที่แตกต่างกันของแพทช์รูปภาพ และสุ่มมิเรอร์ในแนวนอน ขณะเลือกตำแหน่งแพตช์ เราทำให้แน่ใจว่าได้โอบรับส่วนตรงกลางภาพที่มีขนาดใหญ่เพียงพอซึ่งมีชิ้นส่วนสำคัญของเนื้อเยื่อไต (ดูรูปที่ 3) โดยรวมแล้ว จำนวนภาพสำหรับการฝึกอบรมมีมูลค่าถึง 13,964 ภาพ หนึ่งในสามของภาพการฝึกอบรมถูกแยกออกเพื่อวัตถุประสงค์ในการตรวจสอบความถูกต้อง

เราฝึกโมเดล CNN ที่แตกต่างกัน 10 แบบ สำหรับผู้ป่วยทุกราย ขณะสร้างแบบจำลองเฉพาะสำหรับหัวข้อที่กำหนด แพทช์รูปภาพที่เกี่ยวข้อง (โดยไม่คำนึงถึงเซสชั่นการตรวจสอบ) จะถูกลบออกจากชุดการฝึกอบรมและการตรวจสอบ และใช้สำหรับการทดสอบเท่านั้น น้ำหนักของเครือข่ายได้รับการอัปเดตโดยใช้อัลกอริธึมการไล่ระดับสีสุ่มด้วยอัตราการเรียนรู้คงที่=0.01 และโมเมนตัม=0.99 ฟังก์ชันการสูญเสียที่ถูกเลือกเพื่อปรับให้เหมาะสมคือเกณฑ์ครอสเอนโทรปีแบบไบนารีซึ่งกำหนดเป็น

โดยที่ N คือจำนวน voxels, Yi คือ voxel label ที่แท้จริง และ p(Yi) คือการทำนายเครือข่ายที่เวกเตอร์ i-th เป็นของคลาส Yi ด้วย 0 < p(Yi) < 1 นอกจากนี้ , เพื่อตรวจสอบคุณภาพของไตการแบ่งส่วนตามยุคการฝึกอบรม เราคำนวณสัมประสิทธิ์ Jaccard ซึ่งต่อจากนี้ไปกำหนดให้เป็น IoU (จุดตัด-เหนือ-สหภาพ)

โดยที่ K กำหนดจำนวนพิกเซลในส่วนที่ประมวลผลแล้ว และ y คือหมวดหมู่พิกเซลที่คาดการณ์ไว้ ในที่นี้ หมวดหมู่มีค่าบูลีนและพิกเซลจะมีป้ายกำกับว่า "จริง" หากเป็นของไตเท็จอย่างอื่น. ในกรณีของแต่ละเรื่อง อัลกอริธึมการปรับให้เหมาะสมถูกเรียกใช้สำหรับ 50 ยุค โมเดลที่เก็บไว้สอดคล้องกับยุคที่มีคะแนนขั้นต่ำในฟังก์ชันการสูญเสียที่ได้รับสำหรับชุดข้อมูลการตรวจสอบความถูกต้อง

2.4. การจำแนกประเภทของไตVoxels

2.4.1. การแยกคุณลักษณะ

ความแตกต่างของ voxels ที่เป็นตัวแทนของช่องไตโดยเฉพาะอาจขึ้นอยู่กับหลักสูตรเวลาความเข้มของสัญญาณดิบ อย่างไรก็ตาม เราเสนอให้แปลงรูปคลื่นสัญญาณ กล่าวคือ เวกเตอร์ของคุณลักษณะชั่วคราว 74 อย่าง ให้อยู่ในพื้นที่ของมิติที่ลดลงโดยใช้การวิเคราะห์องค์ประกอบหลัก (PCA) จุดประสงค์ของการเปลี่ยนแปลงนี้ไม่เพียงเพื่อลดความซับซ้อนของแบบจำลองการจำแนกที่เป็นผลลัพธ์เท่านั้น แต่ยังรวมถึงการแยกลักษณะทั่วไปของไตเนื้อเยื่อเป็นตัวแทนของวิชาต่างๆ ยิ่งกว่านั้น แม้ในหน่วยทางคลินิกเดียวกัน การถ่ายภาพ DCE สามารถทำได้ในลำดับที่แม้ว่าจะครอบคลุมช่วงเวลาใกล้เคียงกัน แต่ก็มีความละเอียดชั่วคราวต่างกัน ดังนั้น ระบบการตัดสินใจที่ยอมรับรูปแบบคุณลักษณะที่เหมือนกัน โดยใช้อ็อบเจ็กต์การแปลง PCA เป็นอะแด็ปเตอร์ สามารถนำไปใช้กับเวกเตอร์ข้อมูลอินพุตที่มีความยาวผันแปรได้

เราสันนิษฐานว่าส่วนประกอบ PCA ที่แยกออกมาควรอธิบายอย่างน้อย 90 เปอร์เซ็นต์ของความแปรปรวนชุดข้อมูลดั้งเดิม เพื่อให้เป็นไปตามข้อกำหนดนี้สำหรับทุกวิชา ต้องมีการสร้างการรวมคุณลักษณะอย่างน้อย 20 รายการ ตามที่เราสังเกต ส่วนประกอบจำนวนมากขึ้นไม่ได้นำไปสู่ความแม่นยำในการจำแนกประเภทที่สูงขึ้น

2.4.2. การจัดประเภทเวกเตอร์คุณสมบัติ

การกำหนด voxels ของไตให้กับ cortex, medulla หรือ pelvis ดำเนินการโดย classifer ที่ได้รับการฝึกอบรมในลักษณะที่มีการควบคุมดูแล ในแนวทางของเรา ข้อมูลทางประวัติศาสตร์ทำหน้าที่เป็นรูปแบบสำหรับการสร้างกฎการตัดสินใจที่เหมาะสม นำไปใช้ในการศึกษาใหม่ในภายหลัง เราได้ทดสอบอัลกอริธึมการจำแนกประเภทสามแบบเพื่อค้นหาโครงร่างที่ดีที่สุดในทุกวิชา วิธีการที่ตรวจสอบรวมถึงการถดถอยโลจิสติก เครื่องเวกเตอร์สนับสนุน และแผนผังการตัดสินใจ XGBoost ต่อไปนี้ เราจำคุณลักษณะของอัลกอริธึมที่ใช้และอธิบายว่าข้อมูลการฝึกอบรมถูกจัดเตรียมอย่างไร

ฝึกและทดสอบชุดข้อมูลเวกเตอร์การฝึกอบรมได้มาจากภูมิภาคที่สนใจซึ่งทำหมายเหตุประกอบไว้ด้วยตนเองในตำแหน่งของเนื้อเยื่อที่เกี่ยวข้อง คำอธิบายประกอบจัดทำขึ้นเฉพาะใน voxels ซึ่งสมาชิกภาพไม่ชัดเจน (ดูรูปที่ 4a,b) ดังนั้นให้ผู้จัดประเภทที่ผ่านการฝึกอบรมตัดสินใจเกี่ยวกับหมวดหมู่เนื้อเยื่อที่มีอำนาจเหนือในกรณีที่ voxels เต็มไปด้วยส่วนต่างๆ จำนวนเวกเตอร์การฝึกอบรมที่รวบรวมจากการทดสอบที่มีอยู่ 20 รายการเกินค่า 60000 ชุดข้อมูลนี้แบ่งออกเป็น 10 ส่วน โดยแต่ละส่วนมีเวกเตอร์ข้อมูลจากทุกหัวข้อยกเว้นเพียงหัวข้อเดียว แยกออกจากกันเพื่อวัตถุประสงค์ในการทดสอบ แบ่งชั้นเป็นประมาณดังนี้: คอร์เทกซ์—58 เปอร์เซ็นต์ , ไขกระดูก—31 เปอร์เซ็นต์ , เชิงกราน—11 เปอร์เซ็นต์ เพื่อให้ผู้จัดประเภทมีโอกาสเรียนรู้ที่จะแยกแยะหมวดหมู่ด้วยความแม่นยำที่เท่าเทียมกัน ในแต่ละการฝึกอบรม ชุดย่อยที่เป็นตัวแทนของเยื่อหุ้มสมองและไขกระดูกจะถูกสุ่มตัวอย่างใหม่เพื่อให้ตรงกับขนาดของหมวดหมู่กระดูกเชิงกราน โดยเฉลี่ย ชุดการฝึกหลังจากการสุ่มตัวอย่างครอบคลุมเวกเตอร์มากกว่า 16,000 ครั้งต่อการพับ ในการพับการฝึกอบรมที่กำหนด ข้อมูลจากการสอบทั้งสองครั้งถูกรวมไว้ด้วย ในทางกลับกัน การทดสอบพับมีเวกเตอร์ 600 ถึง 4800 ตัว ขึ้นอยู่กับผู้ป่วยและช่วงการตรวจ ตัวแยกประเภทได้รับการประเมินโดยใช้คะแนนความแม่นยำที่สมดุลซึ่งคำนวณจากชุดการทดสอบ

การถดถอยโลจิสติก.ตัวแยกประเภทการถดถอยโลจิสติกจำลองความน่าจะเป็นที่เวกเตอร์คุณลักษณะอยู่ในหนึ่งในสองหมวดหมู่ อัลกอริธึมปรับฟังก์ชันเชิงเส้นให้กับข้อมูลการฝึก และผลลัพธ์ของสมการถดถอยสำหรับจุดข้อมูลที่กำหนดจะถูกส่งไปยังการแปลงลอจิสติกส์

โดยที่ p(yi|xi) แสดงถึงความน่าจะเป็นของคลาส yi ที่กำหนดจุดข้อมูล xi กับ Yi e {{{0}}, 1} ในขณะที่เวกเตอร์น้ำหนัก w ร่วมกับการสกัดกั้น w0 กำหนดความถดถอยที่พอดี ไลน์.

ด้วยเหตุนี้ สมการ (3) จึงใช้กับปัญหาการจำแนกเลขฐานสอง ดังนั้น ในกรณีของบริเวณไตสามบริเวณ จะต้องสร้างตัวแยกประเภทแบบหนึ่งเทียบกับส่วนที่เหลือสามตัว มิฉะนั้นแบบจำลองการถดถอยพหุนามจะเหมาะสม [31] ในการทดลองของเรา เราใช้ตัวแปรหลัง พบพารามิเตอร์ w ของแบบจำลองเชิงเส้นโดยการลดฟังก์ชันต้นทุนการสูญเสียบันทึกด้วยเงื่อนไขการทำให้เป็นมาตรฐาน L2:

โดยที่การศึกษาของเรา K=3 และ pi,c คือความน่าจะเป็นที่คาดการณ์ว่าเวกเตอร์เป็นของคลาส c ปัญหาการปรับให้เหมาะสมข้างต้นได้รับการแก้ไขด้วยอัลกอริธึมโคตร Stochastic Average Gradient (SAG) [32] ที่ใช้ในแพ็คเกจ Scikit-Learn [33] เราเลือก SAG เนื่องจากคำแนะนำสำหรับชุดข้อมูลขนาดใหญ่และรองรับการทำให้เป็นมาตรฐาน L2

สนับสนุนเครื่องเวกเตอร์ Support vector machine (SVM) เป็นคลาสของอัลกอริธึมที่สร้างไฮเปอร์เพลนระยะขอบสูงสุดที่จำแนกหมวดหมู่ต่างๆ [34] การตัดสินใจเกี่ยวกับการเป็นสมาชิกหมวดหมู่ของเวกเตอร์ x ถูกกำหนดโดยเครื่องหมายของสมการไฮเปอร์เพลน

โดยที่ฉันระบุดัชนีของตัวอย่างการฝึกอบรม xi เป็นเวกเตอร์คุณลักษณะที่สอดคล้องกัน และ Yi เป็นป้ายกำกับของคลาสจริง ในขณะที่นำแบบจำลองนี้ไปใช้กับข้อมูลการฝึกอบรม ปัญหาการเพิ่มประสิทธิภาพกำลังสองที่มีข้อจำกัดได้รับการแก้ไขแล้ว เป็นผลให้พบชุดตัวคูณ Langrage ที่ไม่ใช่ศูนย์ ai ซึ่งพร้อมกับเวกเตอร์สนับสนุนที่เกี่ยวข้อง xi และพารามิเตอร์ shift b กำหนดตำแหน่งและทิศทางของขอบเขตที่ค้นหา

ผลิตภัณฑ์ dot ใน (5) สามารถแทนที่ด้วยฟังก์ชันเคอร์เนลเพื่อเปิดใช้งานแอปพลิเคชันของ SVM กับปัญหาที่ไม่เป็นเชิงเส้น เคล็ดลับเคอร์เนลโดยปริยายแปลงเวกเตอร์คุณลักษณะเป็นช่องว่างของมิติที่สูงขึ้น ซึ่งมันเป็นไปได้ที่จะกำหนดไฮเปอร์เพลนที่แยกจากกัน รูปที่ 4c แสดงการกระจายของชุดย่อยของเวกเตอร์การฝึกอบรมสำหรับหนึ่งในผู้เข้าร่วม การสร้างภาพข้อมูลนี้ได้มาจากการแปลงข้อมูลจากพื้นที่ของคุณลักษณะ PCA 20 รายการที่รวมเป็นช่องว่างสามมิติโดยใช้วิธีการฝังตัวสุ่มเพื่อนบ้านแบบ t-distributed (TSNE) [35] จะเห็นได้ว่าแม้ว่าการแบ่งแยกเชิงเส้นของชั้นเยื่อหุ้มสมอง ไขกระดูก และเชิงกรานจะเป็นไปได้ แต่ขอบเขตการแยกอาจจำลองได้ดีกว่าด้วยฟังก์ชันที่ไม่เป็นเชิงเส้นบางอย่าง ในการทดลองของเรา ผลลัพธ์ที่ดีที่สุดได้รับการประกันโดยเคอร์เนลฟังก์ชันพื้นฐานแนวรัศมี

ที่ไหน |.|หมายถึง é2-บรรทัดฐาน เนื่องจากในชุดข้อมูลจริง การแยกคลาสอย่างสมบูรณ์นั้นหาได้ยาก เกณฑ์การปรับให้เหมาะสมช่วยให้—ผ่านพารามิเตอร์วิธีการเพิ่มเติมที่ปกติกำหนดด้วยตัวอักษร C— อนุญาตให้จุดข้อมูลจำนวนหนึ่งละเมิดขอบเขตการตัดสินใจ พารามิเตอร์และ C มีส่วนทำให้เกิดความซับซ้อนของแบบจำลอง SVM ดังนั้นเราจึงปรับค่าโดยใช้อัลกอริธึมการค้นหาตารางอย่างละเอียดถี่ถ้วนในการทดสอบการตรวจสอบข้ามห้าเท่า มีการรายงานผลลัพธ์ที่ดีที่สุดสำหรับ=0.05 และ

C = 1.

ต้นไม้การตัดสินใจ XGBoostChen และ Guestrin [36] แนะนำแนวคิดของ Extreme gradient boosting (XGBoost) เพื่ออำนวยความสะดวกในการฝึกอบรมกลุ่มต้นไม้การจำแนกและการถดถอย (CART) ตรงกันข้ามกับป่าสุ่มแบบคลาสสิก อัลกอริธึมการเรียนรู้จะสร้างกลไกการทำให้เป็นมาตรฐานและการใช้ฟังก์ชันการสูญเสียวัตถุประสงค์ที่หลากหลาย ต้องขอบคุณข้อดีเหล่านี้ เมื่อเร็ว ๆ นี้มันได้รับการพิสูจน์ว่ามีประสิทธิภาพในปัญหาการเรียนรู้ของเครื่องจำนวนมากที่เกี่ยวข้องกับชุดข้อมูลขนาดใหญ่ที่มีมิติสูง

การสร้างชุด XGBoost ขึ้นอยู่กับกลยุทธ์ของการฝึกอบรมเพิ่มเติมที่เรียกว่า ในแต่ละขั้นตอน t ต้นไม้ใหม่จะถูกเพิ่มเข้าไปในแบบจำลองซึ่งลดฟังก์ชันการสูญเสียโดยรวมให้เหลือน้อยที่สุด

โดยที่ t ü 1) เป็นป้ายกำกับระดับที่คาดการณ์โดยวงดนตรีที่สร้างขึ้นจนถึงตอนนี้ l วัดข้อผิดพลาดระหว่างป้ายกำกับที่คาดการณ์ไว้และฉลากจริง Yi ในขณะที่ ft สอดคล้องกับโครงสร้างต้นไม้ของ T ใบไม้ ซึ่งกำหนดเวกเตอร์ข้อมูลด้วยคะแนน wq (xi) โดยที่ q เป็นฟังก์ชันที่จัดสรรจุดข้อมูล xi ที่ใบต้นไม้ที่กำหนด ทั้ง T และน้ำหนัก wj กำหนดเงื่อนไขการทำให้เป็นมาตรฐาน

ที่ไหน และ λ พารามิเตอร์ควบคุมผลกระทบของขนาดต้นไม้และปล่อยให้คะแนนอยู่ในค่าปรับ ในการกำหนดค่าที่ใช้ในการศึกษาของเรา และ λ ถูกตั้งค่าเป็น {{0}}.1 และ 0.9 ตามลำดับ ยิ่งไปกว่านั้น จำนวนต้นไม้ในกลุ่มนี้เท่ากับ 10 และความลึกสูงสุดของต้นไม้ที่อนุญาตคือ 4 ในที่สุด เราใช้ฟังก์ชัน soft-max เป็นเกณฑ์วัตถุประสงค์ l

2.5. การสร้างแบบจำลองเภสัชจลนศาสตร์

นอกเหนือจากการประเมินผลการแบ่งส่วนโดยตรงด้วยการใช้ค่าสัมประสิทธิ์ IoU เรายังเปรียบเทียบค่า GFR ที่ได้รับจากภาพกับการวัดตามจริงของไอโอเฮกซอล เพื่อวัตถุประสงค์ในการพิจารณา GFR เราใช้ไต-รูปแบบการกรองแบบสองช่องเฉพาะ (2CFM) [5] แบบจำลอง PK นี้สลายเนื้อเยื่อของไตเข้าไปในช่องว่างภายในหลอดเลือด (IV) และเซลล์นอกเซลล์ภายนอก (EEV) และถือว่าไม่มีท่อออกภายในระยะเวลาการสร้างแบบจำลอง แม้ว่าแบบจำลองนี้สามารถนำมาใช้เพื่อประเมินการไหลเวียนของไตทั้งในคอร์เทกซ์หรือเนื้อเยื่อของไตทั้งหมด แต่ต้องพิจารณาเฉพาะบริเวณก่อนหน้าขณะคำนวณ GFR

อย่างเป็นอิสระจากบริเวณไตที่พิจารณา เพื่อปรับโมเดลให้เป็นสัญญาณที่วัดได้ S(t) จะต้องแปลงช่วงเวลาความเข้มของภาพเฉลี่ยตามลำดับเป็นรูปแบบคลื่นความเข้มข้น Ctissue(t) เราทำสำเร็จโดยใช้การแปลงที่อธิบายไว้ใน [37] ที่ปรับเป็นลำดับเสียงสะท้อนแบบไล่ระดับ ในทางกลับกัน เนื้อเยื่อ C(t) ที่อธิบายโดยแบบจำลอง 2CFM ถูกควบคุมโดยสมการ

โดยที่ C หมายถึงฟังก์ชันอินพุตของหลอดเลือดแดง VP —เศษส่วนของปริมาตรในพลาสมา และความเข้มข้นของ C—CA ในเลือด เทอมแรกใน (9) แสดงถึงความเข้มข้นของ CA ในพื้นที่ EEV ในขณะที่เทอมที่สองครอบคลุมความเข้มข้นในพื้นที่ IV ที่ได้จากการหมุนเวียนฟังก์ชันการป้อนเข้าหลอดเลือดแดงด้วยฟังก์ชันการตอบสนองของอิมพัลส์หลอดเลือด (VIRF) ซึ่งกำหนดเป็น

ด้วยเหตุนี้ VIRF จึงจำลองความล่าช้าและการกระจายของ AIF ที่สัมพันธ์กับ CA flow ผ่านเตียงของเส้นเลือดฝอย ตัวแปร Tg—ค่าคงที่ของเวลาการกระจาย และ X— ช่วงหน่วงเวลา ร่วมกับเศษส่วนปริมาตร VP และค่าคงที่การถ่ายโอน Ktrans เป็นชุดที่สมบูรณ์ของพารามิเตอร์แบบจำลอง 2CFM การประมาณค่ามักจะดำเนินการในขั้นตอนการปรับเส้นโค้งให้พอดีช่องสี่เหลี่ยมน้อยที่สุดแบบไม่เชิงเส้น (NLLS) วิธีการสะท้อนเขตความน่าเชื่อถือ [38] ที่ใช้ในการศึกษานี้ เป็นหนึ่งในเครื่องมือเพิ่มประสิทธิภาพที่เป็นไปได้ที่ใช้ในการแก้ปัญหา NLLS เชิงตัวเลข ตรงกันข้ามกับวิธีดาวน์ซิมเพล็กซ์ อนุญาตให้ตั้งค่าข้อจำกัดตามค่าพารามิเตอร์ และทำให้แน่ใจว่าการประมาณการขั้นสุดท้ายอยู่ในช่วงทางสรีรวิทยา ข้อจำกัดที่สันนิษฐานในการศึกษาของเราแสดงอยู่ในตารางที่ 1

เราใช้อัลกอริธึมสำหรับการเพิ่มประสิทธิภาพของโมเดล 2CFM ในซอฟต์แวร์ที่กำหนดเองซึ่งเขียนด้วย Python ซึ่งพร้อมสำหรับการดาวน์โหลดที่ [39] อัลกอริธึมนี้เปิดตัวสำหรับผู้ป่วยแต่ละรายโดยใช้ขอบเขตคอร์เทกซ์ซึ่งได้รับโดยอัตโนมัติจากไปป์ไลน์การแบ่งส่วนที่อธิบายไว้ข้างต้นหรือทำหมายเหตุประกอบด้วยตนเอง ไม่ว่าในกรณีใด AIF ถูกกำหนดโดยอัตโนมัติโดยใช้วิธีการของเราที่เผยแพร่ก่อนหน้านี้ใน [40]

2.6. การวิเคราะห์ทางสถิติ

เป้าหมายประการหนึ่งของการทำให้กระบวนการแบ่งส่วนภาพ DCE-MR เป็นแบบอัตโนมัติคือเพื่อให้แน่ใจว่าค่าประมาณการกระจายที่สม่ำเสมอและทำซ้ำได้ ดังนั้นเราจึงทำการทดสอบ t ของนักเรียนสำหรับตัวอย่างที่เกี่ยวข้อง (ซ้ำ) เพื่อตรวจสอบสมมติฐานว่างของค่าเฉลี่ย GFR ที่เท่ากันโดยประมาณในสองเหตุการณ์การตรวจสอบ นอกจากนี้ เราคำนวณค่าสัมประสิทธิ์ความสามารถในการทำซ้ำที่กำหนดเป็น [41]

โดยที่ σdiff คือค่าเบี่ยงเบนมาตรฐานของความแตกต่างระหว่าง GFR ที่ทำในเรื่องเดียวกัน และ ╱pool หมายถึงค่าเฉลี่ยของการวัดทั้งหมด ปริมาณ ′2σdiff เรียกอีกอย่างว่าค่าเบี่ยงเบนมาตรฐานการวัดเดี่ยว (σsm) เป็นการประมาณค่าเบี่ยงเบนมาตรฐานของความแตกต่างในคู่ของการวัดที่อาจต่อเนื่องกันหลายครั้ง [42] นอกจากการประเมินความสามารถในการทำซ้ำแล้ว ยังประเมินความสามารถในการทำซ้ำของการประเมิน GFR ตามรูปภาพโดยใช้แผนภาพ Bland–Altman ในที่สุด ผลลัพธ์ของการวิเคราะห์ที่ทำได้สำหรับกลุ่มไตที่พบโดยอัตโนมัติจะถูกนำมาเปรียบเทียบกับคำอธิบายประกอบแบบแมนนวล

Cistanche บรรเทาได้ไตอย่างมีประสิทธิภาพ

3. ผลลัพธ์

รูปที่ 5 แสดงตัวอย่างผลลัพธ์ของเครือข่ายการแบ่งส่วนความหมายสำหรับสองวิชาที่เข้าร่วมพร้อมกับมาสก์คำอธิบายประกอบความจริงภาคพื้นดิน กระบวนการฝึกอบรมที่เกี่ยวข้องจะแสดงเป็นภาพในรูปที่ 6 ซึ่งแสดงวิวัฒนาการของการวัดการสูญเสียและการประเมินสำหรับทั้งชุดการฝึกอบรมและการตรวจสอบ เราอาจสังเกตเห็นว่าหลังจากช่วงสองสามช่วงแรกๆ IoU Curve สำหรับชุดการฝึกและการตรวจสอบความถูกต้องจะอยู่ใกล้กันและเครือข่ายไม่ได้เข้าสู่สถานะโอเวอร์ฟิต ในขณะเดียวกัน ฟังก์ชันการสูญเสียก็ลดลงแบบโมโนโทนิก ซึ่งพิสูจน์ให้เห็นว่าเครือข่ายได้รับความสามารถทั่วไป ค่าสัมประสิทธิ์ IoU ของความคล้ายคลึงกันระหว่างคำอธิบายประกอบแบบแมนนวลกับสิ่งที่ค้นพบโดยอัตโนมัติไตภูมิภาคที่ได้รับหลังจากการกำจัดเกาะนอกไตที่ไม่ได้เชื่อมต่อกับส่วนหลัก ถูกรวบรวมไว้ในตารางที่ 2 ค่าเฉลี่ย IoU สำหรับทุกวิชาและการศึกษา=0.94 และปรากฏว่าไม่แยแสด้านข้าง

ในขั้นต่อไป parenchymal voxels ถูกจำแนกออกเป็นช่องของไตที่แยกจากกัน การเปรียบเทียบของตัวแยกประเภทที่ทดสอบสามตัวถูกนำเสนอในตารางที่ 3 โดยจะประเมินแต่ละวิธีด้วยความเคารพต่อตัวชี้วัดสามตัว—ความแม่นยำที่สมดุล การเรียกคืน และความแม่นยำ สองส่วนหลังถูกกำหนดสำหรับไตแต่ละประเภทแยกกัน เมตริกความแม่นยำที่สมดุลได้มาจากค่าเฉลี่ยของอัตราผลบวกที่แท้จริงที่ได้รับสำหรับชั้นเรียนเฉพาะ คะแนนที่นำเสนอทั้งหมดเป็นค่าเฉลี่ยมากกว่า 20 วิชาทดสอบ ตัวแยกประเภทที่ทดสอบทั้งสามตัวมีประสิทธิภาพการทำงานที่คล้ายคลึงกันในแง่ของอัตราผลบวกที่แท้จริง (ประมาณ 95 เปอร์เซ็นต์) อย่างไรก็ตาม โดยรวมแล้ว SVM นั้นแสดงความแม่นยำที่สมดุลที่สุด (96 เปอร์เซ็นต์ ) และยังมีความสามารถที่มากกว่าวิธีอื่นๆ เพื่อหลีกเลี่ยงการตรวจจับที่ผิดพลาด ชัดเจนเป็นพิเศษ

สำหรับบริเวณเชิงกราน ซึ่งมีความแม่นยำ=92 เปอร์เซ็นต์ เทียบกับ 89 เปอร์เซ็นต์ โดยการถดถอยโลจิสติกและตัวแยกประเภท XGBoost

อัตราความแม่นยำในการจำแนกสูงแปลเป็นผลลัพธ์การแบ่งส่วนที่ดีเท่าเทียมกัน (ตารางที่ 2) ซึ่งได้รับการประเมินอีกครั้งโดยใช้สัมประสิทธิ์ Jaccard อย่างไรก็ตาม คราวนี้คำนวณเป็นผลรวมของ IoUs ที่กำหนดสำหรับแต่ละภูมิภาคแยกจากกัน จากนั้นถ่วงน้ำหนักด้วยการสนับสนุน กล่าวคือ จำนวนของว็อกเซลของ Ground-Truth ที่เป็นตัวแทนของคลาสที่กำหนด เพื่อให้สามารถเปรียบเทียบกับงานอื่นๆ เราคำนวณอัตรา Jaccard ที่ได้รับใหม่เป็นค่าสัมประสิทธิ์ลูกเต๋า (F1-คะแนน) ด้วยสูตร

โดยใช้อัลกอริทึมของเรา เราได้ค่าสัมประสิทธิ์ Jaccard เฉลี่ยสำหรับคลาสคอร์เทกซ์ทางด้านซ้ายไตเท่ากับร้อยละ 93.2 ในกรณีของภูมิภาคอื่น IoU เท่ากับประมาณร้อยละ 91 ยกเว้นชั้นเชิงกรานทางด้านซ้ายไต โดยลดลงเหลือ 90.1 เปอร์เซ็นต์ คุณภาพของการแบ่งส่วนอย่างละเอียดสามารถยืนยันได้ด้วยภาพโดยการวิเคราะห์ตัวอย่างของไต การสลายตัวเป็นภูมิภาคที่แสดงในรูปที่ 7 เพื่อให้การประเมินในบริบทที่กว้างขึ้น เรายังดำเนินการแบ่งส่วนด้วยวิธีทางเลือกสองวิธีที่เสนอในเอกสาร อันแรกประกอบด้วยการแยกคุณลักษณะของสัญญาณ DCE โดยใช้การแปลงเวฟเล็ตแบบไม่ต่อเนื่อง (DWT) กับเวฟเล็ต Daubechies-4 ตามสมมติฐานเช่นใน [12] จากนั้นเราจัดประเภทเวกเตอร์สัมประสิทธิ์ DWT ด้วยความช่วยเหลือของอัลกอริทึม SVM ในวิธีเปรียบเทียบที่สอง เวกเตอร์คุณลักษณะ PCA ถูกจัดกลุ่มโดยใช้อัลกอริธึม k-mean (ด้วย k=3) ตามที่อธิบายไว้ใน [14] วิธีที่สองนี้ไม่สามารถแยกความแตกต่างระหว่างเยื่อหุ้มสมองและไขกระดูกได้อย่างถูกต้อง voxels ส่วนใหญ่ที่เป็นตัวแทนของทั้งสองภูมิภาคถูกโอบกอดไว้ในกระจุกทั่วไป และมีเพียงกระดูกเชิงกรานเท่านั้นที่ได้รับการยอมรับว่าเป็นส่วนที่เป็นอิสระของเนื้อเยื่อในส่วนตัดขวางส่วนใหญ่ ในทางตรงกันข้ามกับผลลัพธ์ที่ได้จากการจัดกลุ่ม พื้นที่ที่ผลิตในลักษณะภายใต้การดูแลโดยใช้คำอธิบาย voxels แบบ DWT จะมีความแม่นยำมากกว่า อย่างไรก็ตาม เห็นได้ชัดว่าจำนวนการรู้จำที่ผิดพลาดนั้นสูงกว่าในกรณีของเวกเตอร์ฟีเจอร์ PCA คะแนนความแม่นยำที่สมดุลที่ได้รับสำหรับตัวแยกประเภท SVM มีเพียง 78 เปอร์เซ็นต์ในกรณีนี้ ดูสองแถวสุดท้ายของตารางที่ 3 สำหรับการเปรียบเทียบเชิงปริมาณของรูปแบบการแบ่งพาร์ติชันทางเลือกเหล่านี้ด้วย Xgboost การถดถอยเชิงเส้น และสิ่งที่ดีที่สุดในอัลกอริทึม SVM/PCA สำหรับการศึกษาของเรา

ผลลัพธ์ของขั้นตอนการแบ่งส่วนถูกใช้เพื่อกำหนดสัญญาณเฉลี่ยในเยื่อหุ้มสมองของไต จากนั้นสัญญาณนี้ถูกติดตั้งเข้ากับแบบจำลองทางเภสัชจลนศาสตร์ 2CFM รูปที่ 8 แสดงให้เห็นว่าโสด-ไตอัตราการกรองไต(SK-GFR) ที่ได้รับในลักษณะนี้สอดคล้องกับคะแนนที่เกี่ยวข้องซึ่งได้มาจากคำอธิบายประกอบด้วยตนเอง ค่า SK-GFR เฉลี่ยในทุกวิชาและการศึกษาที่ได้รับหลังจากการแบ่งส่วนอัตโนมัติและด้วยตนเองมีความคล้ายคลึงกัน (56 เทียบกับ 55 มล./นาที/1.73 ม.2) และความแตกต่างที่สังเกตได้ไม่มีนัยสำคัญทางสถิติ (T-statistic=0.75, p-value=0.46) นอกจากนี้ ความพอดีเชิงเส้นระหว่างการวัดทั้งสองประเภทยังพิสูจน์ได้ว่าสอดคล้องกันดีกับ r2=0.13 และ 0.49 สำหรับการทดสอบ MR ช่วงที่ 1 และ 2 ตามลำดับ

แผนผัง Bland–Altman ที่แสดงในรูปที่ 9 ช่วยให้เราประเมินข้อตกลงของ GFR ทั้งหมดด้วยอัตราตามความจริงพื้นฐาน iohexol ก่อนที่จะใช้วิธี Bland–Altman การกระจายแบบปกติของการวัดได้รับการยืนยันโดยใช้การทดสอบ Shapiro–Wilk ค่า p ที่ได้รับมีให้ในตำนานพล็อตที่เกี่ยวข้อง ค่าเฉลี่ยความแตกต่างสำหรับช่วงการตรวจสอบ MR 1 ในแง่ของค่าสัมบูรณ์มีค่าน้อยกว่าสำหรับการแบ่งส่วนแบบแมนนวล ( ü0.8 เทียบกับ ü7.4 มล./นาที/1.73 ม.2) ในกรณีของเซสชันที่ 2 ค่าของ ╱d มีความสอดคล้องกันระหว่างวิธีการแบ่งส่วน แม้ว่าข้อตกลงกับวิธีการอ้างอิงจะอ่อนแอกว่า อย่างไรก็ตาม อัลกอริธึมที่เสนอดูเหมือนจะทำงานได้ดีขึ้นเล็กน้อย ( ü 12.9 เทียบกับ ü 14.1 มล./นาที/1.73 ม. 2) จากผลลัพธ์ที่ได้รับ ไม่สามารถตัดสินใจได้ว่าวิธีการแบ่งส่วนใดช่วยให้ข้อตกลงแคบลงได้ ในกรณีของเซสชัน 1 การเปรียบเทียบสนับสนุนการแบ่งส่วนด้วยตนเอง (π=31.3 เทียบกับ 35.5 มล./นาที/1.73 ม.2) อย่างไรก็ตาม ได้ขีดจำกัดที่แคบที่สุดของช่วงข้อตกลงและช่วงความเชื่อมั่นในการทดลองทั้งหมดสำหรับเซสชันที่ 2 และการติดฉลากอัตโนมัติ (π=25.1 มล./นาที/1.73 ม.2) วิธีการแบ่งส่วนทั้งสองนำไปสู่ผลลัพธ์ที่ทำซ้ำได้ (ดูตารางที่ 4) โดยมีค่าสัมประสิทธิ์การแปรผันเท่ากับ 30.2 เปอร์เซ็นต์ในกรณีที่เลวร้ายที่สุด (การแบ่งส่วนด้วยตนเอง ด้านซ้ายไต). เห็นได้ชัดว่าการแบ่งส่วนอัตโนมัติช่วยให้มั่นใจถึงความเสถียรที่ดีขึ้นด้วยค่าสัมประสิทธิ์การแปรผันที่ต่ำเป็นสองเท่าในกรณีของคู่แบบแมนนวล ค่า p ที่ได้รับจากการทดสอบ t ของนักเรียนสำหรับตัวอย่างที่เกี่ยวข้องทั้งหมดนั้นอยู่เหนือระดับความเชื่อมั่นที่=0.05 ซึ่งแสดงหลักฐานไม่เพียงพอต่อสมมติฐานว่างว่าไม่มีความแตกต่างที่มีนัยสำคัญระหว่างค่าเฉลี่ยที่สังเกตได้ของการวัด SK-GFR อย่างไรก็ตาม ค่า p ที่คำนวณได้สำหรับไตด้านซ้ายและการแบ่งส่วนด้วยตนเองนั้นค่อนข้างเล็ก จำเป็นต้องมีการตรวจสอบเพิ่มเติมซึ่งอาจเกี่ยวข้องกับตัวอย่างขนาดใหญ่เพื่อยืนยันหรือปฏิเสธความสามารถในการทำซ้ำของการวัดในกรณีนี้

4. การอภิปราย

เป้าหมายหลักของการศึกษานี้คือการออกแบบวิธีการที่มีประสิทธิภาพสำหรับไตการแบ่งส่วนในอิมเมจ DCE-MR เรารวมแนวคิดที่เสนอบางส่วนในงานที่ตีพิมพ์ก่อนหน้านี้เป็นกรอบการคำนวณแบบเดียวกัน มันรวบรวมการแบ่งส่วนความหมายหยาบของเนื้อเยื่อไต การแปลง PCA ของหลักสูตรเวลาสัญญาณ MR เพื่อสร้างการแสดงตัวเลข voxels จากนั้นเปิดใช้งานการจำแนกเพื่อสร้างการแบ่งส่วนที่ดีของเนื้อเยื่อไตเป็นคอร์เทกซ์ ไขกระดูก และเชิงกราน แนวทางที่เสนอนี้นำไปสู่ผลลัพธ์ที่แม่นยำ ทำให้สามารถจดจำไตได้ในอัตราร้อยละ 94 ในแง่ของค่าสัมประสิทธิ์ Jaccard การแบ่งส่วนของช่องไตโดยเฉพาะสามารถทำได้ด้วย IoU ระหว่าง 90 เปอร์เซ็นต์ถึง 93 เปอร์เซ็นต์ (96–95 เปอร์เซ็นต์ของค่าสัมประสิทธิ์ลูกเต๋า) ขึ้นอยู่กับประเภทของเนื้อเยื่อ

เมื่อพูดถึงผลลัพธ์อื่นๆ ที่ตีพิมพ์ อัตราส่วนที่ได้จะอยู่ในเกณฑ์ดีหรือต่ำกว่าเล็กน้อย ใน [14] คะแนนลูกเต๋าเพื่อสุขภาพไตรายงานการแบ่งส่วนในระดับ 99 เปอร์เซ็นต์ (คอร์เทกซ์) 98 เปอร์เซ็นต์ (ไขกระดูก) และ 96 เปอร์เซ็นต์ (เชิงกราน) อย่างไรก็ตาม มีการแสดงข้อมูลจำลองด้วยว่าสัญญาณรบกวนของภาพอาจลดความแม่นยำลงอย่างมากถึง 82–85 เปอร์เซ็นต์ เนื่องจากโปรโตคอลการถ่ายภาพที่ใช้ในนั้นและในการศึกษาของเรามีความแตกต่างกันทั้งในแง่ของความละเอียดเชิงพื้นที่และเวลา ความคลาดเคลื่อนที่สังเกตได้ในช่วง 1–2 เปอร์เซ็นต์อาจเกิดจากระดับเสียงต่างๆ ในการศึกษาของเรา เงื่อนไขการสแกนที่เปรียบเทียบได้ถูกใช้ในผู้ป่วยเด็กกลุ่มหนึ่งใน [15] ค่าเฉลี่ย F1-คะแนนที่สังเกตพบในนั้นเท่ากับ 93 เปอร์เซ็นต์สำหรับทั้งหมดไตและ 86 เปอร์เซ็นต์สำหรับเยื่อหุ้มสมองของไต ใน [12] การแบ่งกลุ่มตามการจัดกลุ่มได้รับการประเมินโดยใช้คะแนนความถูกต้อง ผล​ที่​ได้​มา​โดย​เฉลี่ย: 88 เปอร์เซ็นต์—คอร์เทกซ์, 91 เปอร์เซ็นต์—เมดัลลา, และ 98 เปอร์เซ็นต์—เชิงกราน. ค่าเหล่านี้สามารถเรียกรวมกันว่าเป็นคะแนนความถูกต้องที่สมดุล ซึ่งคำนึงถึงขนาดของกลุ่มที่กำหนด ดังนั้น โมเดล SVM ของเราจึงมีประสิทธิภาพเหนือกว่าวิธีการแบบคลัสเตอร์ที่ให้ความแม่นยำในการจำแนกประเภท ตลอดจนอัตราการเรียกคืนที่ระดับ 96 เปอร์เซ็นต์ แม้แต่ในบริเวณคอร์เทกซ์ที่ใหญ่ที่สุด

ในที่สุด เครือข่าย CNN ได้อุทิศให้กับการรับรู้ของทุกคนไตตามที่อธิบายไว้ใน [26] มีประสิทธิภาพต่ำกว่าการออกแบบ U-Net ของเรา โดยได้คะแนน F1-= 91.4 เปอร์เซ็นต์สำหรับวิชาทดสอบปกติ

ความแตกต่างที่สังเกตพบในผลลัพธ์การแบ่งส่วนควรได้รับการพิจารณาในแง่ของการกำหนดค่าการเรียกคืนการฝึกอบรมอัลกอริธึม ตรงกันข้ามกับแนวทางอื่น [11,14] กลยุทธ์ของเราไม่ขึ้นกับผู้ป่วย เมื่อมีการสร้างรูปแบบการแบ่งส่วนความหมายและการจำแนกประเภทแล้ว พวกเขาจะถูกนำไปใช้กับการศึกษาใหม่ ซึ่งไม่พบในชุดการฝึกอบรม ดังนั้น คุณลักษณะเฉพาะของผู้ป่วยจึงไม่สามารถชี้นำกลไกการจดจำและอาจไม่เหมาะสมกับแบบจำลองที่ได้รับการฝึกอบรม ทำให้อัตราความแม่นยำโดยรวมลดลง ยิ่งไปกว่านั้น ตามที่กล่าวไว้ข้างต้น เนื่องจากผลกระทบของปริมาตรบางส่วนยังคงอยู่บนเส้นขอบระหว่างคอร์เทกซ์ ไขกระดูก และเชิงกราน จึงยังคงมีความไม่แน่นอนอยู่บ้างเกี่ยวกับการแบ่งส่วนอ้างอิงด้วยตนเองซึ่งต้องนำมาพิจารณาขณะวิเคราะห์เมตริกที่รายงาน แม้ว่าตัวแยกประเภท SVM จะได้รับการฝึกอบรมเกี่ยวกับสัญญาณความจริงภาคพื้นดินที่คัดเลือกมาอย่างพิถีพิถัน ข้อมูลการตรวจสอบซึ่งต้องครอบคลุม voxel ของไตทั้งหมด อาจยังคงได้รับผลกระทบจากคำอธิบายประกอบของผู้สังเกต

นอกเหนือจากพลังที่สังเกตได้ในการสร้างผลลัพธ์การแบ่งส่วนที่แม่นยำ กลยุทธ์ของเรามีคุณสมบัติที่เป็นประโยชน์หนึ่งประการ เนื่องจากเราใช้ตัวแยกประเภทภายใต้การดูแลเพื่อกำหนด voxel ของรูปภาพให้เหมาะสมไตภูมิภาค ไม่จำเป็นต้องมีขั้นตอนการติดฉลากแยกต่างหาก ในกรณีของการทำคลัสเตอร์ จำเป็นต้องจัดเตรียมฮิวริสติกสำหรับการตีความหมวดหมู่จริงของแต่ละคลัสเตอร์ หากต้องทำให้มั่นใจได้ถึงการทำงานอัตโนมัติของขั้นตอนทั้งหมด

ดังที่แสดงไว้ในรูปที่ 10 ส่วนใหญ่มีสองแหล่งที่มาของความแตกต่างระหว่างคำอธิบายประกอบแบบอัตโนมัติและแบบแมนนวล ประการแรก เส้นขอบระหว่างคอร์เทกซ์และพีระมิดเกี่ยวกับไขกระดูกมีความคลุมเครือและ voxels ที่เกี่ยวข้องกันนั้นเต็มไปด้วยทั้งสองชนิด

ของเนื้อเยื่อไต แม้ว่าวิธีการอัตโนมัติมีแนวโน้มที่จะรวมว็อกเซลดังกล่าวไว้ในคลาสคอร์เทกซ์ แต่ผู้เชี่ยวชาญมักกำหนดให้เป็นเมดัลลา ในทางกลับกัน แม้แต่การแบ่งส่วนด้วยตนเองก็ไม่สอดคล้องกันในแง่นี้ ซึ่งพิสูจน์ให้เห็นถึงความยากลำบากในการตัดสินใจเลือกคลาสของว็อกเซลโดยพลการซึ่งเอฟเฟกต์ปริมาตรบางส่วนมีความโดดเด่น ประการที่สอง สามารถตรวจจับการตรวจจับที่ผิดพลาดได้ เช่น ที่ขอบเปลือกนอกภายนอก ผลกระทบเหล่านี้อาจเกิดจากการลงทะเบียนรูปภาพที่ไม่ถูกต้องในโดเมนเวลา วิธีการลงทะเบียน b-spline ที่นำไปใช้ไม่ได้รับการปรับให้เหมาะสมสำหรับความจำเป็นในการศึกษานี้ และยังคงเป็นหัวข้อของการตรวจสอบในอนาคตของเรา

การทดลองที่ดำเนินการยังแสดงให้เห็นว่าอัลกอริธึมการแบ่งส่วนที่เสนอช่วยเพิ่มความสามารถในการทำซ้ำของการประมาณค่า SK-GFR ตามภาพ ค่าสัมประสิทธิ์การแปรผันที่คำนวณได้เท่ากับ 14.5 เปอร์เซ็นต์และ 17.5 เปอร์เซ็นต์สำหรับด้านซ้ายและขวาไตตามลำดับ ในกรณีของคำอธิบายประกอบด้วยตนเอง เราได้รับ CoV=30.2 เปอร์เซ็นต์ และ 29.4 เปอร์เซ็นต์ ผลลัพธ์เหล่านี้ต้องได้รับการประเมินโดยคำนึงถึงความแปรผันของ GFR ตามธรรมชาติที่เกิดจากปัจจัยอิสระ เช่น อาหาร และช่วงเวลาของวัน คาดว่าระดับครีเอตินีนในซีรัมซึ่งมีความสัมพันธ์กันดีกับ GFR อาจบรรลุระดับความแปรผันสูงถึง 10 เปอร์เซ็นต์ [43] ดังนั้น CoV ประมาณ 15 เปอร์เซ็นต์บ่งชี้ว่ากระบวนการทำซ้ำได้ดีซึ่งใช้ระบบอัตโนมัติไตการแบ่งส่วน นอกจากนี้ เมตริกความสามารถในการทำซ้ำที่ได้รับจะอยู่ในช่วงค่าที่แสดงในที่อื่น เช่น ใน [44] CoV=32 เปอร์เซ็นต์ และ 27 เปอร์เซ็นต์ ในขณะที่ [13] CoV=17.5 เปอร์เซ็นต์ และ 15.4 เปอร์เซ็นต์ สำหรับ ซ้ายและขวาไตตามลำดับ อย่างไรก็ตาม ในการศึกษาครั้งหลังนี้ CoV ถูกคำนวณเฉพาะในอัตราส่วนของ σsm และค่าเฉลี่ยของการวัดทั้งหมด โดยไม่มีปัจจัยเพิ่มเติมของ ′2 หากปัจจัยการแก้ไขนี้ถูกแก้ไขอีกครั้ง CoVs ที่รายงานจะกลายเป็น 24.7 เปอร์เซ็นต์ และ 21.8 เปอร์เซ็นต์ ซึ่งค่อนข้างใกล้เคียงกับที่เราค้นพบ

อาจมีข้อจำกัดสามประการในการศึกษาของเรา ประการแรก การแบ่งพาร์ติชั่นที่สมมติขึ้นเป็นแพตช์ภาพอาจเอียงเครือข่ายการแบ่งส่วนความหมายเพื่อเรียนรู้ไตตำแหน่งใกล้ขอบแพทช์ด้านใดด้านหนึ่งเท่านั้น ดังนั้น ในการพัฒนาโมเดลของเราต่อไป มันจะมีการศึกษาว่าอัลกอริธึมทำงานอย่างไร หากขอบเขตการมองเห็นมีการกำหนดค่าต่างกัน ประการที่สอง อัลกอริธึมการแบ่งส่วนได้รับการออกแบบโดยใช้ตัวแบบที่มีสุขภาพดีเท่านั้น มันสามารถมีผลกระทบที่สำคัญโดยเฉพาะอย่างยิ่งในกรณีของการแบ่งส่วนที่ดีของเนื้อเยื่อไต การปรับแบบจำลองการจำแนกโรคให้กับไตอาจจำเป็นต้องขยายจำนวนคลาสเป็นมากกว่าสามประเภท (คอร์เทกซ์ ไขกระดูก และเชิงกราน) เพื่อที่จะตอบสนองลักษณะเฉพาะชั่วขณะของรอยโรคในเนื้อเยื่อไต ประการที่สาม ในการคำนวณ GFR เราได้ติดตั้งโมเดล 2CFM กับสัญญาณ DCE เฉลี่ยที่ประเมินไว้ในเยื่อหุ้มสมองแบบแบ่งส่วน เนื่องจากผลกระทบของปริมาตรบางส่วน การแบ่งส่วนทั้งแบบแมนนวลและแบบอัตโนมัติอาจจำแนก voxels บางตัวเป็นไขกระดูก แม้ว่าจะมี glomeruli ของไตก็ตาม การละเว้น voxels ดังกล่าวอาจเป็นสาเหตุหนึ่งที่ทำให้สังเกตเห็นความคลาดเคลื่อนระหว่างการวัด GFR ที่ได้มาจากรูปภาพและตาม iohexol เพื่อที่จะเอาชนะปัญหานี้ ผู้เขียนบางคน [5] เสนอให้ใช้ ROI ของไตทั้งหมดเพื่อให้แน่ใจว่า voxels ทั้งหมดที่นำไปสู่การกรองไตจะรวมอยู่ในกระบวนการปรับแบบจำลอง PK อย่างไรก็ตาม เราพบว่าวิธีการนี้นำไปสู่การประเมิน GFR ที่สูงเกินไปสำหรับชุดข้อมูลที่มีอยู่ในการศึกษาของเรา ดังนั้น ในอนาคต เราวางแผนที่จะใช้เทคนิคที่มีความละเอียดสูงสุดที่อิงจากการเรียนรู้เชิงลึก และพยายามที่จะบรรลุคำอธิบายประกอบของ voxel เยื่อหุ้มสมองที่แม่นยำยิ่งขึ้น

นอกจากนี้ ควรใช้แนวทาง 3D อย่างเต็มรูปแบบในการแบ่งส่วนความหมาย เป็นที่คาดหวังได้ว่าโครงข่ายประสาทเทียมที่สามารถประมวลผลปริมาณ MR ทั้งหมดจะผลิตได้แม่นยำยิ่งขึ้นไตคำอธิบายประกอบด้วยข้อมูลเชิงลึกเพิ่มเติม อย่างไรก็ตาม ปัญหาในการศึกษานี้ต้องลดลงเป็นสองมิติ เนื่องจากมีการศึกษาสำหรับการฝึกอบรมค่อนข้างน้อย การสลายตัวของภาพปริมาตรเป็นภาพตัดขวาง 2 มิติทำให้ชุดข้อมูลการฝึกเพิ่มขึ้นอย่างมาก

ในที่สุด ตามที่ได้อธิบายไว้ก่อนหน้านี้ มีการสร้างโครงข่ายประสาทเทียมและตัวแยกประเภทที่มีประสิทธิภาพ 10 แบบ คำถามที่ถูกต้องตามกฎหมายคือวิธีที่แบบจำลองเหล่านี้สามารถนำไปใช้กับวิชาใหม่จากภายนอกกลุ่มตัวอย่างที่มีอยู่ในการศึกษานี้ ทางเลือกหนึ่งคือการสร้างวงดนตรีและแนะนำกลไกการลงคะแนนเสียง อีกทางหนึ่ง แผนการแบ่งส่วนแบบใหม่สามารถฝึกได้ (ครอบคลุมทั้งขั้นตอนที่หยาบและละเอียด) โดยอิงจากตัวอย่างหัวข้อทั้งหมด 10- ตัวอย่าง ประสิทธิภาพของชุดข้อมูลใหม่ควรเทียบได้กับผลลัพธ์ที่นำเสนอข้างต้น

cistanche บรรเทาได้ไตความเจ็บปวด คลิกที่นี่เพื่อทราบข้อมูลเพิ่มเติม

5. สรุปผลการวิจัย

สรุป ในบทความนี้ เราได้แสดงกรอบการคำนวณเพื่อสนับสนุนการประเมินเชิงปริมาณของไตเลือดไปเลี้ยงโดยการให้วิธีการแบ่งส่วนช่องไตโดยอัตโนมัติ ผลความแม่นยำที่ได้รับพิสูจน์การทำงานที่เชื่อถือได้ของวิธีการที่ออกแบบ นอกจากนี้ ในการทดลองของเรา แนวทางทางเลือกในการเลือกแบ่งส่วนคอร์เทกซ์ ไขกระดูก และเชิงกราน โดยอิงจากการแปลงเวฟเล็ตและอัลกอริธึมการจัดกลุ่มมีประสิทธิภาพน้อยกว่า ความสามารถในการทำซ้ำของการวัด SK-GFR ตามส่วนที่พบโดยอัตโนมัตินั้นดีขึ้นเมื่อเปรียบเทียบกับผลลัพธ์ของการประมวลผลแบบแมนนวล และยังสอดคล้องกับผลการตีพิมพ์อื่นๆ อีกด้วย วิธีการแบ่งส่วนที่ได้รับการออกแบบมาช่วยให้เพิ่มความเที่ยงตรงของพารามิเตอร์การแพร่กระจายของภาพและอาจวินิจฉัยความบกพร่องของไตได้เร็วขึ้น การค้นพบนี้ทำให้การประยุกต์ใช้ทางคลินิกของการถ่ายภาพ DCE-MR เป็นวิธีการประจำในไตการวินิจฉัย สุดท้ายนี้ เพื่ออำนวยความสะดวกในการเปลี่ยนจากการวิจัยเป็นโดเมนแอปพลิเคชัน เราจึงจัดทำซอฟต์แวร์เฟรมเวิร์กสำหรับการสร้างแบบจำลองทางเภสัชจลนศาสตร์ที่ [39] พื้นที่เก็บข้อมูลยังรวมถึงสคริปต์สำหรับการแยกและการจัดประเภทคุณลักษณะตามสัญญาณ DCE

ผลงานของผู้เขียน:แนวความคิด อลาสกา; วิธีการ AK และ EE; ซอฟต์แวร์ AK; การตรวจสอบ AK; การวิเคราะห์อย่างเป็นทางการ อลาสกา; การสืบสวน อลาสกา; ทรัพยากร EE และ AL; การจัดการข้อมูล EE; การเขียน—การเตรียมร่างต้นฉบับ อ.ก.; การเขียน—ทบทวนและแก้ไข AL และ EE; การสร้างภาพ อลาสกา; การกำกับดูแล AL; การบริหารโครงการ อ.ก. ผู้เขียนทุกคนได้อ่านและเห็นด้วยกับฉบับตีพิมพ์ของต้นฉบับ

เงินทุน:งานวิจัยนี้ไม่ได้รับเงินทุนจากภายนอก

คำชี้แจงของคณะกรรมการพิจารณาสถาบัน:การศึกษาดำเนินการตามปฏิญญาเฮลซิงกิ และโปรโตคอลได้รับการอนุมัติโดยคณะกรรมการจริยธรรมการวิจัยทางการแพทย์ระดับภูมิภาค — นอร์เวย์ตะวันตก (REC West 2012/1869)

คำชี้แจงความยินยอมที่ได้รับแจ้ง:อาสาสมัครทุกคนให้ความยินยอมโดยแจ้งเพื่อรวมก่อนที่จะเข้าร่วมในการศึกษา

คำชี้แจงความพร้อมใช้งานของข้อมูล:ไม่สามารถเผยแพร่รูปภาพ DCE-MR ที่ใช้ในการศึกษานี้ได้ เนื่องจากความยินยอมเป็นลายลักษณ์อักษรที่ลงนามโดยผู้เข้าร่วมไม่ครอบคลุมข้อตกลงในการเผยแพร่ข้อมูลที่ได้รับในที่สาธารณะ

ผลประโยชน์ทับซ้อน:ผู้เขียนประกาศไม่มีความขัดแย้งทางผลประโยชน์

อ้างอิง

1. ซาเบลล์ เจอาร์; ลาร์สัน, จี.; คอฟเฟล เจ.; หลี่, ดี.; แอนเดอร์สัน เจเค; น้ำหนัก, CJ การใช้การปรับเปลี่ยนอาหารในสมการโรคไตสำหรับการประมาณค่า อัตราการกรองไตในวรรณคดีระบบทางเดินปัสสาวะ เจ. เอนดูรอล. 2016, 30, 930–933.

2. Delaney, P.; อีเบิร์ต, น.; เมลซัม, ต.; Gaspari, F.; มาเรียต, C.; คาวาเลียร์ อี.; Björk, เจ.; คริสเตนสัน, ก.; Nyman, U.; Porrini, อี.; และคณะ การกวาดล้างพลาสมา Iohexol สำหรับการวัดอัตราการกรองไตในการปฏิบัติทางคลินิกและการวิจัย: การทบทวน ส่วนที่ 1: วิธีการวัดอัตราการกรองไตด้วยไอโอเฮกซอล? คลินิกไตJ. 2016, 9, 682–699.

3. แอนเน็ต, แอล.; เฮอร์มอย, แอล.; ปีเตอร์ส, เอฟ.; จามาร์, เอฟ.; Dehoux, เจพี; Van Beers, พ.ศ. อัตราการกรองไต: การประเมินด้วย MRI ที่ปรับปรุงคอนทราสต์แบบไดนามิกและแบบจำลองช่องเยื่อหุ้มสมองในกระต่ายไต. เจ. แม็กน. เรสัน. การสร้างภาพ 2004, 20, 843–849.

4. Sourbron, SP; ไมเคิล เอช.เจ.; ไรเซอร์ MF; Schoenberg, SO MRI- การวัดการกระจายและการกรองของไตในมนุษย์ไตด้วยรูปแบบช่องแยกส่วน สำรวจ เรดิโอล 2551, 43, 40–48.

5. ทอฟส์, ป.; Cutajar, ม.; Mendichovszky, I.; ปีเตอร์ส, A.; Gordon, I. การวัดที่แม่นยำของการกรองไตและพารามิเตอร์ของหลอดเลือดโดยใช้แบบจำลองสองช่องสำหรับ MRI ที่ปรับปรุงคอนทราสต์แบบไดนามิกของไตให้ค่าปกติที่สมจริง ยูโร เรดิโอล 2555, 22, 1320–1330.

6. เฉิน บี.; จาง, วาย.; เพลง X.; วัง X .; จางเจ.; Fang, J. การประเมินเชิงปริมาณของการทำงานของไตด้วย MRI ที่ปรับปรุงคอนทราสต์แบบไดนามิกโดยใช้แบบจำลองสองช่องที่ดัดแปลง โปรดหนึ่ง 2014, 9, e105087

7. Cutajar, M.; Mendichovszky, I.; ทอฟส์, พี.; Gordon, I. ความสำคัญของการเลือก AIF ROI ในการตรวจซ้ำ DCE-MRI: การทำซ้ำและความแปรปรวนของการไหลเวียนของไตและการกรอง ยูโร เจ. เรดิโอล. 2010, 74, e154–e160.

8. ลี VS; Rusinek, H.; Bokacheva, L.; หวง AJ; Oesingmann, N.; เฉิน Q.; Kaur, ม.; ปริ๊นซ์, เค.; เพลง, ต.; เครเมอร์, เอล; และคณะ การวัดการทำงานของไตจาก MR renography และแบบจำลองหลายช่องอย่างง่าย เป็น. เจ. Physiol.-ไต Physiol. 2007, 292, F1548–F1559.

9. พัฒน์ลักษณ์ ซี.เอส.; Blasberg, RG การประเมินแบบกราฟิกของค่าคงที่การถ่ายโอนเลือดสู่สมองจากข้อมูลการดูดซึมหลายครั้ง ลักษณะทั่วไป เจ เซเรบ. Metab การไหลของเลือด 2528, 5, 584–590.

10. Hackstein, N.; เฮครอดท์ เจ.; Rau, WS การวัดเดี่ยว-ไตอัตราการกรองของไตโดยใช้ลำดับการไล่ระดับสีแบบไดนามิกที่ปรับปรุงคอนทราสต์และเทคนิคการพล็อต Rutland-Patlak เจ. แม็กน. เรสัน. อิมเมจ 2003, 18, 714–725.

11. Zöllner, F.; ซานซ์, อาร์.; Rogelj, P.; เลเดสมา-คาร์บาโย, ม.; Rørvik, J.; ซานโตส, A.; Lundervold, A. การประเมิน 3D DCE-MRI ของไตโดยใช้การลงทะเบียนรูปภาพที่ไม่เข้มงวดและการแบ่งส่วนหลักสูตรเวลา voxel คอมพิวเตอร์. เมดิ. กราฟภาพ 2552, 33, 171–181.

12. หลี่เอส.; Zöllner, F.; Merrem, A.; เป็ง, วาย.; Roervik, J.; Lundervold, A.; Schad, L. การแบ่งส่วนไตตามเวฟเล็ตใน DCE-MRI ของมนุษย์ไต: ผลเบื้องต้นในผู้ป่วยและอาสาสมัครที่มีสุขภาพดี คอมพิวเตอร์. เมดิ. กราฟภาพ 2555, 36, 108–118.

13. Eikefjord, E.; แอนเดอร์สัน อี.; Hodneland, อี.; แฮนสัน อี.; Sourbron, S.; สวาร์สตัด อี.; Lundervold, A.; Rørvik, J. การวัด MRI ที่ปรับปรุงคอนทราสต์แบบไดนามิกของการทำงานของไตในผู้เข้าร่วมที่มีสุขภาพดี แอคตา เรดิโอล. 2017, 58, 748–757.

14. หยาง X.; เล มินห์ เอช.; เฉิงเคทีที; สูง KH; Liu, W. การแบ่งส่วนช่องไตในรูปภาพ DCE-MRI เมดิ. รูปภาพก้น 2559, 32, 269–280.

15. ยอรุก ยู.; ฮาร์กรีฟส์ บริติชแอร์เวย์; Vasanawala, SS แบ่งส่วนไตอัตโนมัติสำหรับ MR urography โดยใช้ 3D-GrabCut และสุ่มป่า แม็กน. เรสัน. เมดิ. 2018, 79, 1696–1707.

16. ลันเดอร์โวลด์, AS; Lundervold, A. ภาพรวมของการเรียนรู้เชิงลึกในการถ่ายภาพทางการแพทย์โดยเน้นที่ MRI Z.Für Med. สรีรวิทยา 2019, 29, 102–127.

17. ข่าน Z.; Yahya, N.; อัลไซห์ K.; อาลี SSA; Meriaudeau, F. การประเมินโครงข่าย Deep Neural สำหรับการแบ่งส่วนความหมายของต่อมลูกหมากใน T2W MRI เซนเซอร์ 2020, 20, 3183.

18. เชลฮาเมอร์ อี.; ยาว เจ.; Darrell, T. เครือข่าย Convolutional เต็มรูปแบบสำหรับ Semantic Segmentation IEEE ทรานส์ แบบก้น. มัค อินเทล 2017, 39, 640–651.

19. Badrinarayanan, V.; เคนดัลล์, A.; Cipolla, R. SegNet: สถาปัตยกรรมตัวเข้ารหัสและถอดรหัสเชิงลึกสำหรับการแบ่งส่วนรูปภาพ IEEE ทรานส์ แบบก้น. มัค อินเทล 2560, 39, 2481–2495.

20. Ronneberger, O.; ฟิชเชอร์, พี.; Brox, T. U-Net: Convolutional Networks สำหรับการแบ่งส่วนภาพทางชีวการแพทย์ ในการดำเนินการของการประชุมนานาชาติครั้งที่ 18 ด้านการประมวลผลภาพทางการแพทย์และการแทรกแซงด้วยคอมพิวเตอร์ช่วย มิวนิก ประเทศเยอรมนี วันที่ 5-9 ตุลาคม พ.ศ. 2558 น. 234–241.