Automatische semantische Segmentierung von Nierenzysten in MR-Bildern von Patienten mit autosomal-dominanter polyzystischer Nierenerkrankung

Kontakt: Audrey Hu WhatsApp/hp: 0086 13880143964 E-Mail:audrey.hu@wecistanche.com

Timothy L. Kline^1,2· Marie E. Edwards²· Jeffrey Fetzer¹· Adriana V. Gregory²· Deema Anaam¹· Andrew J. Metzger²· Bradley J. Erickson¹

Abstrakt

ZweckFür Patienten mit autosomal-dominanter PolyzystoseNiereErkrankung(ADPKD) ist die erfolgreiche Differenzierung von Zysten nützlich für die automatische Klassifizierung von Patientenphänotypen, die klinische Entscheidungsfindung und den Krankheitsverlauf. Das Ziel war die Entwicklung und Evaluierung einer vollautomatisierten semantischen Segmentierungsmethode zur Differenzierung und Analyse von Nierenzysten bei Patienten mit ADPKD.

Methoden Ein automatisierter Deep-Learning-Ansatz unter Verwendung eines konvolutionellen neuronalen Netzwerks wurde trainiert, validiert und an einem Satz von 60 MR-T2--gewichteten Bildern getestet. Ein dreifacher Kreuzvalidierungsansatz wurde verwendet, um drei Modelle auf unterschiedlichen Trainings- und Validierungssets (n=40) zu trainieren. Anschließend wurde ein Ensemble-Modell erstellt und an den Hold-out-Fällen (n=20) getestet, wobei jeder der Fälle mit manuellen Segmentierungen verglichen wurde, die von zwei Lesern durchgeführt wurden. Die Segmentierungsvereinbarung zwischen Lesern und der automatisierten Methode wurde bewertet.

ErgebnisseEs wurde festgestellt, dass der automatisierte Ansatz auf der Ebene der Interobserver-Variabilität funktioniert. Der automatisierte Ansatz hatte einen Dice-Koeffizienten (Mittelwert ± Standardabweichung) von {{0}},86 ± 0,10 vs. Reader-1 und {{10}}.84 ± {{20}}.11 vs. Reader-2. Interobserver Dice war 0,86 ± 0,08. In Bezug auf das Gesamtzystenvolumen (TCV) hatte der automatisierte Ansatz einen prozentualen Unterschied von 3,9 ± 19,1 Prozent gegenüber Reader-1 und 8,0 ± 24,1 Prozent gegenüber Reader{-2, während die Interobserver-Variabilität – 2,0 ± 16,4 betrug Prozent .

Schlussfolgerung Diese Studie entwickelte und validierte einen vollständig automatisierten Ansatz zur Durchführung einer semantischen Segmentierung vonNiereZysten in MR-Bildern von Patienten, die von ADPKD betroffen sind. Dieser Ansatz wird nützlich sein, um zusätzliche bildgebende Biomarker von ADPKD zu erforschen und Phänotypen automatisch zu klassifizieren.

SchlüsselwörterAutosomal-dominanter PolyzystikerNiereErkrankung· Semantische Zystensegmentierung · Deep Learning · Magnetresonanztomographie

Cistanche deserticola Nutzen: verhindertNiereErkrankung

Einführung

Autosomal-dominanter PolyzystikerNiereErkrankung(ADPKD) ist die häufigste erbliche Nierenerkrankung, betrifft weltweit etwa 12 Millionen Menschen und ist derzeit die vierthäufigste Ursache für Nierenversagen [1, 2]. Seine Pathologie ist so, dass das kontinuierliche Wachstum von Zysten eine progressive Zunahme der Gesamtheit verursachtNiereLautstärke (TKV). Ein typischer ADPKD-Patient zeigt zwischen dem 40. und 70. Lebensjahr eine fortschreitende Abnahme der Nierenfunktion und etwa 70 Prozent Fortschritt zu einer Nierenerkrankung im Endstadium [3, 4].

TKV hat sich in einer Reihe von Studien als nützlicher Prädiktor für die ADPKD-Progression erwiesen [5–7]. In ähnlicher Weise trägt die Fähigkeit zur Abgrenzung und Messung der zystischen Belastung weiter zu unserem Wissen über Krankheitsverlauf, Struktur und genotypische Varianzen bei. Es ist bekannt, dass die Entwicklung und das Wachstum von Zysten stark mit der Abnahme der Nierenfunktion korrelieren [6, 8]. Außerdem wurde gezeigt, dass es eine direkte Korrelation zwischen TKV-Wachstum und Zystenwachstum gibt; Die Geschwindigkeit, mit der die Zysten wachsen und sich neue Zysten bilden, hängt jedoch von jedem Individuum ab [9]. Darüber hinaus haben Längsschnittstudien ergeben, dass Patienten mit ADPKD im Laufe der Zeit eine Zunahme des TKV- und Zystenvolumens und eine Abnahme des Gesamtparenchymvolumens erfahren, was darauf hindeutet, dass die nicht zystischeNiereGewebewird durch mehr Zysten und sich kontinuierlich vergrößernde Zysten ersetzt [10]. Interessanterweise variieren das Zystenwachstum und der Zystenindex (Verhältnis von Zystenvolumen zu TKV) signifikant zwischen den PKD1- und PKD2-Genotypen, da Patienten innerhalb der PKD1-Population dazu neigen, früher Zysten zu entwickeln [11, 12]. Eine zusätzliche Analyse der zystischen Belastung und des Wachstums hat das Potenzial, Informationen über Krankheitstrends und therapeutische Strategien zu liefern.

Da neue bildgebende Biomarker auftauchen, suchen Wissenschaftler nach schnellen und effizienten Methoden zur Isolierung von zystischem und nicht zystischem GewebeNiereRegionen für eine vertiefte, quantitative Analyse der Gewebeeigenschaften [13, 14]. In der Vergangenheit wurden Zysten- und Nierenregionen manuell segmentiert, was sehr arbeitsintensiv und subjektiv ist [15]. Es wurden verschiedene halbautomatische Zystensegmentierungsansätze vorgeschlagen, die intensitätsbasierte Schwellenwerte als Initialisierung [16, 17] sowie klassische maschinelle Lerntechniken wie k-Means-Clustering [18], Konturmethoden [19] und Shape-Prior-Wahrscheinlichkeit verwenden Karten [20]. Ein vollständig automatisierter Deep-Learning-Ansatz mit neuronalen Netzen hat jedoch das Potenzial, den Bildanalytiker von der Langweile der manuellen Verfolgung zu befreien und reproduzierbare und robuste Volumenberechnungen und Segmentierungen bereitzustellen. Deep Learning ist für die oben genannten Segmentierungsmethoden insofern einzigartig, als das Modell in der Lage ist, wichtige Bildmerkmale aus den Dateneingaben zu „lernen“, die es ihm ermöglichen, seine ultimative Segmentierungsaufgabe auszuführen. Durch Training ist das Modell in der Lage, Muster, Pixelintensitäten und Forminformationen zu erkennen, die für das menschliche Auge möglicherweise nicht leicht erkennbar sind.

Convolutional Neural Networks (CNNs), die mit der Reduzierung der räumlichen Auflösung beginnen, gefolgt von der Wiederherstellung der Auflösung, zeichnen sich aufgrund ihrer einzigartigen Architektur durch Segmentierungsaufgaben für medizinische Bilder auf Pixel-/Voxelebene aus. Kurz gesagt, der erste Kontraktionsabschnitt ist eine Reihe von Faltungs- und Auflösungsverringerungsschichten, die verwendet werden, um die Komplexität des Bildes zu verringern, und der zweite Expansionsabschnitt ist im Wesentlichen ein Spiegelbild des ersten Pfads, der verwendet wird, um Merkmale und räumliche Informationen zu kombinieren. Die U-Net-Architektur [21] ist ein solches Netzwerk, das in der medizinischen Bildanalyse erheblich genutzt wurde, um Segmentierungsaufgaben zu lösen. Ein besonderer Vorteil dieser Architektur besteht darin, dass sie im Vergleich zu anderen Netzwerken keinen großen Trainingssatz erfordert und hochgenaue Segmentierungsergebnisse liefert.

In dieser Studie verwenden wir einen Datensatz von MR-Bildern von PKDNierenmit Zystenspuren von zwei Lesern, die als Grundwahrheit dienen. Ein automatisierter Ansatz wird entwickelt (eine modifizierte Architektur vom U-Net-Typ), und ein Ensemble-Modell wird erstellt und an einem Testdatensatz getestet. Das in dieser Studie beschriebene tiefe neuronale Netzwerkmodell ermöglicht eine semantische Segmentierung vonNiereZysten zur Bestimmung des Gesamtzystenvolumens (TCV) und kann sich für die weitere Bewertung von Krankheitsphänotypen als nützlich erweisen.

cistanche tubolosa vorteile

Materialen und Methoden

MR-Bilddaten

Diese retrospektive Studie wurde vom Institutional Review Board unter https://github.com/TLKline/AutoKidneyCyst genehmigt. MR-Scans von 6 0 einzelnen Patienten mit ADPKD unterschiedlichen Schweregrades wurden aus unserer PKD-Bilddatenbank entnommen. In dieser Analyse wurden T2--gewichtete fetthaltige (N=42) und nicht fettgesättigte (N=18) Scans verwendet. Die MR-Bilder waren koronale Single-Shot Fast Spin-Echo (SSFSE) T2-Sequenzen, aufgenommen mit einem GE-Scanner, mit einer Matrixgröße von 256 × 256 x Z (wobei Z groß genug ist, um die volle Ausdehnung der Nieren innerhalb des abgebildeten Volumens abzudecken). Bildvoxelgrößen lagen in der Größenordnung von 1,5 mm in der Ebene mit typischerweise 3,0 mm Schichtdicken.

Manuelle Segmentierungen

Die Nieren- und Zystenaufzeichnungen wurden manuell von zwei Bildanalytikern (https://github.com/TLKline/AutoK idneyCyst) mit jahrelanger Erfahrung in der Durchführung dieser Aufzeichnungen durchgeführt. Der Trainings-/Validierungssatz wurde von einem Leser verfolgt, und der Testsatz wurde von beiden verfolgt, um die Variabilität zwischen Beobachtern zu bewerten. Das Bildanalyseprotokoll schließt das Nierenbecken und Gefäßstrukturen aus. Aus den Aufzeichnungen wurden TKV und TCV als die Anzahl von Voxeln multipliziert mit dem Voxelvolumen berechnet. Jeder Analytiker war gegenüber den Aufzeichnungen des anderen blind. Diese Aufzeichnungen wurden als NIfTI-Dateien exportiert.

Datenschichtung

Aus den TKV-Segmentierungen, die für jeden Scan generiert wurden, wurden die Scans in 40 Trainings-/Validierungsfälle und 20 Fälle für das Hold-out-Testset sortiert. Der Trainings-/Validierungsdatensatz hatte 28 fettgesättigte Fälle und 12 nicht fettgesättigte Fälle (70 Prozent fettgesättigt). Der Hold-out-Testsatz hatte 14 fettgesättigte Fälle und 6 nicht fettgesättigte Fälle (70 Prozent fettgesättigt).

Vorverarbeitung

Das Modell wurde als Zwei-Kanal-Ansatz mit dem MR-Bildschnitt als einem Kanal und der Nierensegmentierung als dem anderen trainiert. Beachten Sie, dass das neuronale Netzwerk bei diesem Zwei-Kanal-Ansatz lernt, nur Zysten innerhalb der Niere zu identifizieren. Die Bilder wurden auf eine Matrixgröße von 256 × 256 neu skaliert, wobei für die MR-Bilder interkubische Interpolation und für die Nieren- und Zystensegmentierungsmasken Interpolation für den nächsten Nachbarn verwendet wurde. Die Intensität jedes MR-Scans wurde zuerst so normalisiert, dass alle dasselbe 95. Perzentilniveau aufwiesen, und dann wurde eine Standard-Skalar-Normalisierung angewendet (Nullmittelwert, Einheitsstandardabweichung).

Semantisches Segmentierungsmodell

Die Netzwerkarchitektur ähnelte unseren früheren Arbeiten [22, 23]. Die Faltungsblöcke bestehen aus 2D-Faltung, gefolgt von Dropout (Dropout=0.1), Batch-Normalisierung, 2D-Faltung und Max-Pooling (Poolgröße=2 × 2). Die Schichten mit höherer Auflösung haben größere Kernel (von 7 × 7 über 5 × 5 bis 3 × 3 in Blöcken den Encoderpfad hinunter und umgekehrt den Decoderpfad hinauf), um größere und komplexere Filtertypen zu lernen. Die Sprungverbindungen sind als additive Schichten implementiert (Resnet-ähnlich [24]). Der Optimierer ist Adam [25] mit einer anfänglichen Lernrate von 1e-3 und einem Abfall von 1e-5. Die Verlustmetrik ist die Dice-Ähnlichkeitsmetrik. Das Modell wird für 200 Epochen mit einer Stapelgröße=8 trainiert und das Modell mit der besten Validierungsmaßnahme wird während des Trainingsprozesses gespeichert. Das Modell wurde in Keras mit TensorFlow als Backend implementiert. Das Modell wurde auf einer Nvidia Tesla P40 GPU (24 GB Speicher) trainiert. Die Eingabe für das Modell ist eine Zweikanalmatrix (256 × 256 × 2). Der erste Kanal ist ein MR-Bildschnitt und der zweite die entsprechende Nierenmaske. Die Ausgabe ist die Vorhersage für die Zystensegmentierung. Insgesamt wurden drei Modelle auf den drei verschiedenen Trainings-/Validierungsfaltungen trainiert, und dann wurde ein Ensemble-Mehrheitsabstimmungsmodell erstellt und auf den Holdout-Testsatz angewendet. Code wird zur Verfügung gestellt unter:

Auswertung

Wie im Modellabschnitt beschrieben, wurde der Trainings-/Validierungssatz in drei Teile aufgeteilt, um mit unterschiedlichen Teilmengen der Daten zu trainieren. Für jede Faltung wurden während des Lernprozesses Trainings- und Validierungskurven erstellt und das beste Modell jeder Faltung gespeichert. Anschließend wurde ein Mehrheits-Ensemble-Modell generiert und auf den Hold-out-Testdatensatz angewendet. Der Vergleich von Zystenvolumen und Zystenindex wurde durch lineare Regression durchgeführt, und der Zystenindex wurde auch durch Bland-Altman-Analyse bewertet, um die systematische Abweichung und Präzision der Messungen zu beurteilen. Darüber hinaus wurden visuelle Overlays zur qualitativen Bewertung des automatisierten Verfahrens erstellt und Ähnlichkeitsmetriken zur quantitativen Bewertung generiert. In jedem Fall wurden die beiden Lesersegmentierungen verglichen, um die Interobserver-Variabilität zu beurteilen, und der automatisierte Ansatz wurde individuell für jeden Leser verglichen.

Vorteile der Wüstenzistanche: Verbesserung der Nierenfunktion

Ergebnisse

Es gab keinen signifikanten Unterschied zwischen den Trainings-, Validierungs- und Testdatensätzen in Bezug auf die Schwere der Erkrankung (dh TKV). In Abb. 1 sind die Volumenverteilungen dargestellt, die als Kernel-Density-Plots visualisiert sind. Diese werden für die drei Folds sowie die Gesamtverteilung zwischen Training/Validierung und dem Test-Set gezeigt. Diese Gesamtverteilung ist repräsentativ für den großen Grad an Variabilität, der in der ADPKD-Patientenpopulation beobachtet wird.

Die automatisierte Methode hatte ein ähnliches Leistungstraining auf den drei verschiedenen Falten. Abbildung 2 zeigt die Lernkurven für die drei verschiedenen Faltungen, einschließlich Trainings- und Validierungswürfelwerte während des Modelltrainings. Die Modellgewichte werden auf dem Trainingssatz aktualisiert und am Ende jeder Epoche auf dem separaten Validierungssatz bewertet. Das Modell mit der besten Validierungsleistung wird während des Trainingsprozesses gespeichert und verwendet, um das endgültige Ensemble-Modell zu entwickeln.

Der automatisierte Ansatz war hervorragend bei der genauen Segmentierung der Zysten. In Abb. gezeigt. 3 und 4 sind die linearen Regressionsvergleiche für die Interobserver-Variabilität, die automatisierte Methode vs. Reader-1 und die automatisierte Methode vs. Reader-2 für das Zystenvolumen (Abb. 3) sowie den Zystenindex (Abb. 4). Darüber hinaus funktionierte das automatisierte Verfahren auf einem ähnlichen Niveau wie das von menschlichen Lesern. In Abb. 5 sind die Bland-Altman-Vergleiche für den zystischen Index dargestellt. Beachten Sie, dass die Patienten ein breites Spektrum an Schweregraden umfassen, von Fällen mit sehr wenigen Zysten bis hin zu Fällen, in denen das Nierenparenchym fast vollständig durch Zysten ersetzt wird. Der zystische Index reichte von ~ 0 bis > 90 Prozent.

Visuell gab es eine außergewöhnliche Übereinstimmung zwischen dem automatisierten Segmentierungsansatz und den manuellen Lesegeräten. Abbildung 6 zeigt die visuellen Vergleiche für einen der besseren Fälle (obere Reihe, Würfel=0,98), den schlechtesten Fall (mittlere Reihe, Würfel=0,50) und einen durchschnittlichen Fall (untere Reihe , Würfel=0.86).

Im Allgemeinen war der automatisierte Ansatz nicht von der Variabilität zu unterscheiden, die von zwei verschiedenen Lesern gesehen wurde, die die Aufzeichnungen durchführten. In Tabelle 1 sind die Ähnlichkeitsstatistiken gezeigt, die die Interobserver-Variabilität mit der vergleichen, die zwischen dem automatisierten Ansatz und Reader-1 sowie dem automatisierten Ansatz und Reader-2 erhalten wurde.

cistanche tubolosa-Extrakt: Acteosid

Diskussion

Deep Learning im Bereich der KI hat Wissenschaftlern unzählige Werkzeuge an die Hand gegeben, um Daten effizient und gründlich auszuwerten, insbesondere in der medizinischen Bildanalyse. Der in dieser Studie entwickelte Algorithmus segmentierte Nierenzysten ohne Benutzereingriff genau aus Nierengewebe. Vor diesem Modell implementierten Ansätze zur Abgrenzung zystischer Strukturen aus Organgewebe halbautomatische intensitätsbasierte Schwellenwerttechniken [16, 17, 20]. Eine Einschränkung intensitätsbasierter Ansätze besteht darin, dass MR-Pixelwerte im Gegensatz zur CT zwischen den Akquisitionen und sogar zwischen den Schichten innerhalb einer Akquisition drastisch variieren können, was umfangreiche Vorverarbeitungstechniken erfordert, um die Daten angemessen zu normalisieren [26]. Darüber hinaus wird diese Technik der intensitätsbasierten Schwellenwertbildung komplexe Zysten mit geringerer Signalintensität vollständig übersehen [16].

Das in dieser Studie vorgestellte Modell erreichte einen mittleren Dice-Score von 85 Prozent für die Zystensegmentierung, dieses Ergebnis ist vergleichbar mit den anderen hochmodernen Techniken, die für die Organsegmentierung eingesetzt werden. Bei ADPKD haben sich alle in der Literatur beschriebenen automatisierten Ansätze mit Deep Learning auf die Aufgabe der Organsegmentierung konzentriert, hauptsächlich auf die Nierensegmentierung. Einige dieser Ansätze umfassen ein angepasstes VGG-16-Netzwerk, das von Sharma et. al [27], um Nieren in CT-Bildern zu segmentieren. Die durchschnittliche Dice-Punktzahl aus dieser Studie betrug 86 Prozent . Keshwani et. al, [28] in ähnlicher Weise CT-Scans zur Vorhersage von Nierensegmentierungen verwendeten, wurde ein Multitasking-3D-faltendes neuronales Netzwerk implementiert, das einen mittleren Dice-Score von 95 Prozent erreichte. Mu et al. [29] hingegen verwendeten MR-Bilder, um mithilfe eines V-Net-Modells automatisch eine Nierensegmentierung zu generieren, und der berichtete Dice-Score betrug 95 Prozent.

Der automatisierte Ansatz war in allen Metriken sehr eng mit manuellen Tracings vergleichbar. In Bezug auf lineare Regressionen war der automatisierte Ansatz im Vergleich zu beiden Lesegeräten sehr eng. Darüber hinaus hatte der Cystic-Index eine ähnliche Voreingenommenheit und Genauigkeit wie menschliche Leser. Die bessere Genauigkeit ist wahrscheinlich der Tatsache geschuldet, dass der automatisierte Ansatz konsistenter ist als ein menschlicher Leser. Es wurde festgestellt, dass der größte Unterschied in der Hausdorf-Distanz zu sehen war, was das Ergebnis einiger geringfügiger falsch positiver Ergebnisse sein kann, die wahrscheinlich durch einfache Nachbearbeitung (z. B. Multiplizieren der Ausgabe der Zystensegmentierungsmaske des Modells mit der Nierenmaske) behandelt werden könnten ). Außerdem war die visuelle Übereinstimmung unglaublich stark. Der schlimmste Fall in Bezug auf die Ähnlichkeitsmetriken war eine sehr milde Präsentation der Krankheit. In diesem Fall könnte ein menschliches Lesegerät schnell eine Qualitätsbewertung liefern, um die Zystensegmentierung abzuschließen. Im Allgemeinen segmentiert der Ansatz Zysten in einem breiten Größenbereich genau. In dieser Studie wurden Zysten bis zu ~ 3-5 mm gemessen. Dies wird durch die rekonstruierte Bildauflösung begrenzt, die in der Ebene in der Größenordnung von ~ 1,5 mm liegt. Außerdem hatte die größte Zyste einen Durchmesser von 118 mm.

Die Fähigkeit, die zystische Belastung automatisch zu beurteilen, öffnet die Tür für retrospektive Studien, die die hier vorgestellte Technik anwenden. Frühere Studien haben grundlegendere Ansätze zur Beurteilung der zystischen Belastung angewendet und den vielversprechenden Aussagewert dieser bildbasierten Parameter gezeigt. Frühere Kurzzeitstudien haben gezeigt, dass Tolvaptan das Zystenvolumen bei behandelten ADPKD-Patienten verringerte, wenn das Zystenvolumen an einer kleinen Kohorte gemessen wurde [30]. Es sollten weitere Analysen durchgeführt werden, um zu beurteilen, ob diese Wirkungen während der Langzeitverabreichung des Arzneimittels anhalten. Die in dieser Studie vorgestellte automatisierte Methode ermöglicht eine schnelle und einfache Analyse eines größeren Datensatzes. Die Verfolgung des Zystenwachstums kann auch Aufschluss über bestimmte Genotypen geben. Eine Studie ergab, dass Patienten mit PKD1 eine größere Anzahl von Zysten haben als Patienten mit PKD2. Genauer gesagt entwickeln sich Patienten mit PKD1 schneller, weil sich früh mehr Zysten entwickeln, nicht weil sie schneller wachsen [11].

Eine Einschränkung dieser Studie besteht darin, dass sie eine relativ kleine Kohorte (n=60) auswertete. Die Generierung von Goldstandard-Zystensegmentierungen dauerte jedoch je nach Schweregrad der Erkrankung bis zu 8 Stunden. Aufgrund dieser Einschränkung haben wir diese spezielle Kohorte entwickelt, um das volle Ausmaß phänotypischer Krankheitsbilder abzudecken, von Nieren mit wenigen Zysten (zystischer Index=0,5 Prozent) bis zu Nieren mit fast vollständig ersetztem Nierenparenchym Zysten (zystischer Index=90 Prozent). Nachdem eine Methode zur Beurteilung der zystischen Belastung über das gesamte Ausmaß der Krankheitsphänotypen etabliert wurde, wird dieser Ansatz stark verallgemeinerbar sein. Eine weitere Einschränkung besteht darin, dass wir mikroskopisch kleine Zysten unterhalb der Bildauflösung nicht erkennen. Diese Mikrozysten tragen jedoch relativ wenig zum gesamten Zystenvolumen bei [31].

Zukünftige Studien können größere Kohorten auswerten, und automatisierte Methoden können untersucht werden, um einzelne Zysten zu segmentieren und zu differenzieren. Dies erleichtert das automatische Zählen der Anzahl von Zysten und das Auswerten von Zystengrößenverteilungen. Dies kann auch eine automatische Klassifizierung von typischen von atypischen Patienten ermöglichen, was Aufschluss über das Progressionsrisiko und die Wahrscheinlichkeit gibt, von medikamentösen Therapien zu profitieren. Die meisten Kriterien, die die atypischen von den typischen Fällen unterscheiden, beruhen auf Zystenindex, Anzahl und Größe. Beispielsweise gilt ein Patient als atypisch, wenn weniger als oder gleich 5 Zysten mehr als oder gleich 50 Prozent TKV ausmachen und es zu einem leichten Ersatz von Nierengewebe durch Zysten kommt [32]. Ein Tool, das dies automatisch berechnet, würde in der kritischen Phase der Studieneinschreibung eine extrem schnelle und objektive Einstufung ermöglichen.

Zystenstruktur und -zusammensetzung werden bei der Beurteilung von ADPKD ebenfalls als sehr informativ angesehen. Sobald die zystischen Regionen vom Nierenparenchym abgegrenzt sind, kann eine weitere intensitäts- und/oder texturbasierte Analyse durchgeführt werden, um den Prozentsatz oder die Verteilung komplexer Zysten zu bestimmen. Typischerweise sind diese komplexen Zysten durch "dunklere" Intensitäten in der T2--gewichteten MRT-Bildgebung gekennzeichnet. Scheinbar kann gesundes Parenchymgewebe nach Isolierung aus größeren Zysten auf ähnliche Weise analysiert werden. Ein weiterer Ansatz besteht darin, mehrere Bilderfassungen einzubeziehen (z. B. durch Kombinieren von T1-- und T2--gewichteten MR-Bildern), um nicht nur die Segmentierung von Zysten zu unterstützen, sondern auch ihre Klassifizierung zu unterstützen. Die Ausweitung auf andere Bildgebungsmodalitäten (z. B. CT) und Organe (z. B. Leber) wird ebenfalls wichtig sein, um eine umfassende Charakterisierung des PKD-Phänotyps bereitzustellen und groß angelegte Studien durchzuführen, in denen gemischte Bildgebungsdaten (z. B. Ultraschall, Computertomographie und/ oder Magnetresonanztomographie) stehen für verschiedene Patienten zur Verfügung und es liegen extrarenale Manifestationen (z. B. PLD) vor.

Schlussfolgerungen

Wir haben eine vollautomatische Methode zur semantischen Segmentierung von Nierenzysten aus MR-Bildern von ADPKD-Patienten entwickelt. Die Methode ist vergleichbar mit menschlichen Lesern und wird in zukünftigen retrospektiven und prospektiven Studien nützlich sein, um Patientenphänotypen und die zystische Gesamtbelastung zu bewerten.

Verweise

1. PA Gabow, "Autosomal dominante polyzystische Nierenerkrankung", N Engl J Med, vol. 329, Nr. 5, S. 332-42, 29. Juli 1993,

2. PC Harris und VE Torres, "Polyzystische Nierenerkrankung", Annu Rev Med, vol. 60, S. 321-37, 2009

3. AB Chapman et al., „Autosomal-dominante polyzystische Nierenerkrankung (ADPKD): Zusammenfassung einer Kontroversenkonferenz zu Nierenerkrankungen: Verbesserung der globalen Ergebnisse (KDIGO),“ Kidney Int, vol. 88, Nr.

4. EM Spithoven et al., "Nierenersatztherapie bei autosomal dominanter polyzystischer Nierenerkrankung (ADPKD) in Europa: Prävalenz und Überleben--, eine Analyse von Daten aus dem ERA-EDTA-Register", Nephrol Dial Transplant, vol. 29 Anhang 4, S. iv15-25, September 2014,

5. RD Perrone u. 2, nein. 3, S. 442-450, Mai 2017, DOI:

6. AB Chapman et al., "Nierenvolumen und funktionelle Ergebnisse bei autosomal dominanter polyzystischer Nierenerkrankung", Clin J Am Soc Nephrol, vol. 7, nr. 3, S. 479-86, März 2012

7. JJ Grantham, AB Chapman und VE Torres, „Volumenprogression bei autosomal dominanter polyzystischer Nierenerkrankung: der Hauptfaktor, der die klinischen Ergebnisse bestimmt“, Clin J Am

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2nd, und 1505-11, August 2000. [Online]. Verfügbar: https://www.ncbi.nlm.

11. PC Harris u. 17, Nr. 11, S. 3013-9, Nov. 2006, https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Progressionsmechanismen bei autosomal dominanter polyzystischer Nierenerkrankung", Kidney Int Suppl. vol. 63, S. S93-7, Dezember 1997. [Online]. Verfügbar: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. TL Kline et al., "Bildstrukturmerkmale sagen eine Abnahme der Nierenfunktion bei Patienten mit autosomal dominanter polyzystischer Nierenerkrankung voraus", Kidney Int. vol. 92, Nr. 5, S. 1206-1216, Nov. 2017, https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline et al., "Quantitatives MRI der Nieren bei Nierenerkrankungen", Abdom Radiol (NY), vol. 43, Nr. 3, S. 629-638, März 2018

15. KT Bae, PK Comment und J. Lee, "Volumetrische Messung von Nierenzysten und Parenchym mit MRI: Phantome und Patienten mit polyzystischer Nierenerkrankung", J Comput Assist Tomogr, vol. 24, Nr. 4, S. 614-9, Juli-August 2000

16. KT Bae et al., "Neuartige Methodik zur Bewertung von Nierenzysten bei polyzystischer Nierenerkrankung", Am J Nephrol, vol. 39, Nr. 3, S. 210- 7, 2014

17. AB Chapman et al., "Nierenstruktur bei früher autosomal-dominanter polyzystischer Nierenerkrankung (ADPKD): The Consortium for Radiologic Imaging Studies of Polycystic Kidney Disease (CRISP) cohorte", Kidney Int, vol. 64, Nr. 3, S. 1035-45, September 2003,

18. K. Bae et al., "Segmentierung einzelner Nierenzysten aus MR-Bildern bei Patienten mit autosomal dominanter polyzystischer Nierenerkrankung", Clin J Am Soc Nephrol, vol. 8, Nr. 7, S. 1089-97, Juli 2013, DOI: https://doi.org/10.2215/CJN.10561012.

19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres und BJ Erickson, „Semiautomated Segmentation of Polycystic Kidneys in T2-Weighted MR Images“, AJR Am J Roentgenol, vol. 207, Nr. 3, S. 605-13, September 2016, https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim et al., „Automatisierte Segmentierung von Leber und Leberzysten aus begrenzten abdominalen MR-Bildern bei Patienten mit autosomal dominanter polyzystischer Nierenerkrankung“, Phys Med Biol. vol. 61, Nr. 22, S. 7864-7880, Nov. 21 2016, DOI:

Cistanche Nutzen für die Gesundheit: Verbesserung der Nierenfunktion