Marco para estimar la función renal mediante imágenes por resonancia magnética

Propósito del resumen: Nefrólogoshan predicho empíricamentefunción renaldemorfología renal. Al diagnosticar un caso de disfunción renal de curso desconocido, la lesión renal aguda y la enfermedad renal crónica se diagnostican mediante análisis de sangre y un estudio de imágenes que incluye imágenes por resonancia magnética (MRI), y se determina una política de examen/tratamiento. Se propone un marco para la estimación de la función renal a partir de imágenes de agua obtenidas mediante el método Dixon para proporcionar información que ayude a los médicos a llegar a un diagnóstico mediante una estimación precisa.función renalBasado en resonancia magnética renal.

HAGA CLIC AQUÍ PARA OBTENER EXTRACTO DE CISTANCHE ORGÁNICO NATURAL CON 25% DE EQUINACOSIDO Y 9% DE ACTEÓSIDO PARA LA FUNCIÓN RENAL

Acercarse:El marco propuesto consta de cuatro pasos. Primero, el área del riñón se extrae mediante resonancia magnética utilizando el método Dixon con una red U mediante aprendizaje profundo. En segundo lugar, la región renal extraída se registra con la máscara de destino. En tercer lugar, las características del riñón se calculan en función de la información de clasificación de la máscara objetivo creada por un especialista. Cuarto, el estimadotasa de filtración glomerular(eGFR) que representa elfunción renalse estima utilizando una máquina de vectores de soporte de regresión a partir de las características calculadas.

Resultados:Para la evaluación de la precisión, experimentamos para estimar laTFGecuando se realizó la resonancia magnética y elTFGependiente, que es la tasa anual de disminución de la TFGe. Cuando se evaluó la precisión de 165 sujetos, se estimó que la eGFR tenía un error cuadrático medio (RMSE) de 11,99 y un coeficiente de correlación de 0.83. Además, se estimó que la pendiente del eGFR tenía un RMSE de 4,8 y un coeficiente de correlación de 0.5.

Conclusiones:Por tanto, el método propuesto muestra la posibilidad de estimar el pronóstico de la función renal a partir de imágenes de agua obtenidas por el método de Dixon.

Palabras clave:estimado cuantitativotasa de filtración glomerular; imagen de resonancia magnética;riñón.

1. Introducción

Enfermedad renal crónica(ERC) se define como una disminución persistente en la estimacióntasa de filtración glomerular(TFGe) a<60 mL∕ min per 1.73 m2, the presence of abnormalities suggestive of renal injuries, such as proteinuria, or both.1,2 When CKD progresses, renal replacement therapy is required. Moreover, CKD is also important as an underlying condition related toarteriosclerosisyinmunodeficiencia, entoncesERCSe puede considerar que está relacionado con varias causas importantes de muerte.1,2 ERCes un problema médico global que afecta entre el 8% y el 16% de la población mundial.3 Debido a la gran variedad de causas de la ERC, no existe una intervención terapéutica específica, siendo necesario detectar la enfermedad tempranamente y controlar los factores de riesgo para su aparición. Daño en el riñón.

Cuando un nefrólogo trata a un paciente condisfuncion renalCon un curso clínico desconocido, el nefrólogo a menudo se refiere a los hallazgos de imágenes del riñón además de los datos de laboratorio y el historial médico. Para este fin son útiles la ecografía renal, la tomografía computarizada de rayos X abdominopélvica y la resonancia magnética (IRM) renal. El nefrólogo predice la función renal potencial sugerida por la morfología y refleja este potencial en la planificación del tratamiento. La resonancia magnética tiene una resolución particularmente buena en términos de contraste de los tejidos blandos y, con el uso de métodos de imagen adecuados, es posible obtener información detallada sobre la estructura interna del riñón, como el borde corticomedular.4 Además, la resonancia magnética también puede Proporcionar datos sobre los aspectos fisiológicos del riñón. El valor T2* de la oxigenación sanguínea.dependiente del nivel(BOLD) es un índice de isquemia/hipoxia, que puede conducir a la progresión de la ERC, y se correlaciona significativamente con la tasa de deterioro de la ERC.5,6 El valor del coeficiente de difusión aparente de la imagen ponderada por difusión es un índice relacionado con la fibrosis renal y se correlaciona significativamente con los hallazgos patológicos de la biopsia renal.7 Como se describió anteriormente, existen grandes expectativas con respecto a la resonancia magnética como un método de evaluación renal multifacético y no invasivo, pero la resonancia magnética tiene un inconveniente: no hay un método disponible para la cuantificación integral. de imágenes.

Tradicionalmente, las imágenes médicas se han medido mediante el método de la región de interés (ROI). En el método ROI, se selecciona un área rectangular o circular y el valor promedio de las intensidades de señal en el área se utiliza como valor representativo. Los problemas con este método incluyen la posibilidad de que las decisiones arbitrarias tomadas por el observador puedan implicar dificultades para incluir información de ubicación y el hecho de que sólo se puede medir una parte de la imagen. Pruijm et al.5 propusieron el método 12-objetos concéntricos de capas (TLCO) para analizar la región renal dividiendo esta región en 12 capas. El método TLCO es un método para designar el interior y el exterior de la región renal y analizar toda el área en función de las 12 capas. Las regiones externa (corteza) e interna (medular) del riñón tienen diferentes estructuras y funciones, y el método TLCO considera la estructura peculiar del riñón. Además, se ha informado que el método TLCO es más estable que el método ROI porque toda la región renal se estratifica y analiza simplemente especificando las regiones externa e interna.8 Sin embargo, las imágenes que se obtienen clínicamente pueden atrofiarse o deformarse cuando el riñón está dañado y puede mostrar diferencias individuales o contener quistes. Como tal, no siempre es posible dividir los riñones de manera uniforme en múltiples capas, lo que genera hallazgos inestables. Por lo tanto, existe el deseo de disponer de un método de análisis de riñón totalmente automático y estable.

Como método de cuantificación integral de imágenes renales, Kuo et al.9 propusieron un método para estimar la TFGe en el momento del examen mediante aprendizaje profundo e imágenes ultrasónicas. A diferencia de,diagnóstico asistido por computadora(CAD) se han informado estudios sobre resonancia magnética renal y estudios sobre riñones trasplantados. Khalifa et al.10 propusieron un marco que estima el rechazo de riñones trasplantados utilizando el método de resonancia magnética con contraste dinámico de series temporales (DCE-MRI). En este método, las imágenes obtenidas mediante DCE-MRI de series temporales se alinean y la región renal se extrae mediante el método de ajuste de niveles. Luego se corrige la alineación y se calcula y analiza la corteza en función del brillo de la región renal extraída. Shehata et al.11 propusieron un método para estimar el rechazo de riñones trasplantados mediante aprendizaje profundo. El método DCE-MRI requiere un medio de contraste y no se puede aplicar encasos de ERC. Además, es difícil extraer la corteza debido al brillo en los riñones con insuficiencia renal.

En este estudio, intentamos resolver los problemas anteriores y desarrollar un método de evaluación integral para la resonancia magnética renal que pueda aplicarse como prueba clínica. Aprovechando la estrecha relación entre la morfología renal y la función renal, las imágenes de agua utilizadas en el método Dixon para evaluar la estructura interna del riñón se utilizaron para evaluar el objetivo, y la etiqueta correcta fue eGFR, que es un índice de la función renal. función. Las técnicas de Dixon se basan en la diferencia en la frecuencia de resonancia entre la grasa y el agua y, por lo tanto, se adquieren imágenes de sólo grasa, sólo de agua, en fase y fuera de fase.12 En el riñón, donde se encuentran las proteínas ricas en agua El parénquima del órgano está rodeado de grasa; las imágenes de Dixon o similares con supresión grasa distinguen claramente el parénquima renal de la estructura circundante. Proponemos un método para extraer la región renal de imágenes de resonancia magnética con una red U, convertir la región renal extraída en un cuerpo no rígido en la máscara objetivo y luego analizar esta región en función de laTLCOde la máscara objetivo.

Fig. 1 Sistema CAD propuesto para la estimación de la pendiente del filtrado glomerular a partir de resonancia magnética mediante el método de Dixon.

2 Materiales y métodos

El marco automatizado propuesto se muestra en la Fig. 1. El marco propuesto utiliza los siguientes cuatro pasos para procesar la resonancia magnética del método Dixon:

1. Segmentación del área del riñón de las estructuras abdominales circundantes mediante U-net.

2. Eliminación de ruido mediante etiquetado tridimensional (3D). 3. Registro no rígido del área del riñón y máscara objetivo. 4. Cálculo del TLCO. 5. Estimación de la función renal (eGFR) mediante una máquina de vectores de soporte de regresión (SVM).

En este artículo, el método propuesto es el método TLCO automático (A-TLCO) que compensa las debilidades del método TLCO informado anteriormente y automatiza el proceso de medición. Los detalles del método se describen a continuación para distinguir el método propuesto del método TLCO manual convencional.

2.1 Área del riñón

Está segmentado de las estructuras abdominales circundantes mediante imágenes de U-net Water del método Dixon utilizado en este estudio que tienen una región renal clara. Además, esta sección describe una extracción aproximada de la región renal. Por lo tanto, hemos decidido utilizar U-net, que se sabe que proporciona buenos resultados para la extracción de áreas de imágenes médicas.13 Se utilizaron secciones coronales de imágenes de agua de Dixon. Hay de tres a seis imágenes cortadas por sujeto y el tamaño de la imagen es 320 × 320. Utilizamos 1201 imágenes de 174 casos. Todas las imágenes fueron creadas por un especialista como imagen de segmentación renal. La Figura 2 muestra la red U utilizada para la extracción de la región renal. La red discrimina entre tres clases: riñón, límites de riñón y otros tejidos. Sin embargo, existe una distribución desequilibrada de muestras en la clase de límites de riñón en comparación con las otras clases de tejidos. Utilizamos una pérdida ponderada de entropía cruzada para compensar este desequilibrio y lograr un aprendizaje más preciso al entrenar la red. Usamos softmax con pérdida de entropía cruzada ponderada para la salida de la red y la comparación de etiquetas reales.

Fig. 2 La arquitectura U-net utilizada para la extracción de la región renal en este estudio.

Fig. 3 Resultados de la extracción de la región renal mediante U-net: (a) original, (b) máscara y (c) resultado.

La minimización de costos en 50 épocas se realizó utilizando el optimizador de estimación de momento adaptativo con una tasa de aprendizaje de 0,0001. El tiempo de entrenamiento para esta red fue de aproximadamente 1 h en una estación de trabajo con una GPU NVIDIA TITAN RTX × 2. Se dividieron un total de 1201 imágenes en 600 y 601 imágenes, y se realizó una clasificación para extraer la región renal. Luego se realizó el experimento de estimación de la función renal para todos los sujetos. La Figura 3 muestra los resultados de extracción obtenidos por U-net. La Figura 3(a) es una imagen de entrada y la Figura 3(b) es una imagen del maestro. La Figura 3 (c) muestra el resultado de la extracción. Se puede confirmar que hay pocos falsos positivos y que se puede extraer la región cercana a la región renal.

2.2 Detección falsa

Eliminación mediante etiquetado 3D Aunque la región renal detectada por U-net fue muy precisa, se produjo una detección falsa. Los falsos positivos se extraen para órganos distintos de los riñones, como se muestra en la Fig. 4 (b). Esto puede deberse a que cuando U-net se entrena con parches de 64 × 64, se pierde información espacial mayor que el tamaño del parche. Para mejorar este problema, se consideran métodos que incluyen la detección de la ubicación del riñón mediante la detección de objetos, como Faster R-CNN14 o YOLOv3,15, y la aplicación de segmentación semántica en una región estrecha. Sin embargo, en este estudio, el límite del riñón por U-net está bien discriminado y hay pocos falsos positivos para otros órganos, por lo que hay poca necesidad de complicar el proceso. Por lo tanto, decidimos realizar un etiquetado 3D para cada sujeto y excluir áreas distintas a aquellas con un área grande. Los resultados procesados ​​se muestran en la Fig. 4. Las Figuras 4 (a) –4 (c) muestran los resultados de la extracción por U-net. Se puede confirmar que se producen falsos positivos en zonas distintas a la región renal. Las Figuras 4 (d) a 4 (f) muestran los resultados del etiquetado 3D y la exclusión de áreas con un área 3D de 2500 píxeles o menos. Este procedimiento se aplicó a las 1201 imágenes y se confirmó que no hubo casos de lesión accidental de la región renal.

Fig. 4 Área de riñón obtenida por U-net: (a) corte 1, (b) corte 2 y (c) corte 3. Resultado de la eliminación del área de ruido mediante etiquetado 3D: (d) corte 1, (e) segmento 2 y (f) segmento 3.

2.3 Registro no rígido del área del riñón y máscara objetivo

Un método eficaz para estimar la función renal es analizar la estructura del riñón considerando el riñón anatómicamente5,16. Sin embargo, se requiere tiempo y esfuerzo para que un especialista extraiga manualmente la región renal. Además, las mediciones manuales darán resultados diferentes según el especialista. Por lo tanto, proponemos un método mediante el cual identificar automáticamente las posiciones de la corteza y la médula de todas las imágenes mediante el registro de todas las regiones renales extraídas por U-net en una máscara objetivo. El método de registro se realiza en dos pasos utilizando una función de MATLAB. El primer paso es una transformación afín basada en el brillo. El método de registro basado en el brillo calcula la similitud entre dos imágenes, repite la transformación afín para que la similitud sea alta y estima la transformación geométrica (traslación/rotación/escalado/corte) con la mayor similitud. Los resultados del procesamiento se muestran en la Fig. 5. La Figura 5 (a) es la imagen original. La Figura 5 (b) muestra los resultados de la extracción de la región renal mediante U-net. La Figura 5 (c) es la máscara objetivo. La Figura 5(c) es la región renal de una imagen renal normal extraída por un especialista. Un paciente típico tiene dos riñones. En este estudio analizamos el riñón con una mayor superficie. En la Fig. 5(b), el riñón izquierdo es más grande. Como tal, se extrae el riñón izquierdo y se registra con la máscara objetivo. La Figura 5 (d) muestra una imagen en pseudocolor de la máscara objetivo y la posición inicial del riñón extraído. La imagen en pseudocolor muestra la máscara objetivo en verde, el riñón extraído en magenta y los píxeles superpuestos de ambos en blanco. El resultado de la transformación afín se muestra en la Fig. 5 (e). A continuación, la forma se modifica finamente mediante el registro utilizando un campo de desplazamiento basado en el brillo.9,10 En este artículo, el registro se realiza utilizando el campo de desplazamiento basado en el algoritmo de los demonios de Thirion.1,2 El resultado de la modificación de la imagen que se muestra en La Fig. 5 (e) usando el campo de desplazamiento se muestra en la Fig. 5 (f). La forma fina se ha modificado para acercarse a la máscara objetivo. La Figura 5 (g) muestra el registro final de la imagen.

Fig. 5 Resultado de la transformada rígida: (a) imagen original, (b) resultado por U-net, (c) máscara de destino, (d) posición inicial, (e) transformada afín, (f) campo de desplazamiento y (g ) resultado del registro.

2.4 Cálculo de TLCO

En este estudio se utiliza el método TLCO para el análisis de la función renal. El método TLCO especifica los límites interno (lado medular) y externo (lado cortical) del parénquima renal y divide la región renal en 12 capas de afuera hacia adentro. El método de capas no se explica en el artículo de TLCO.8 Por lo tanto, en este estudio, calculamos el TLCO usando la conversión de distancia geodésica.17 Cuando la conversión de distancia geodésica ingresa una imagen binaria de la región renal y una imagen semilla, se obtiene una imagen de conversión de distancia. generado en base a la imagen de la semilla. La Figura 6(a) muestra una imagen binaria de la región renal extraída por un especialista. La Figura 6(b) muestra una imagen de semilla realizada por un especialista. La Figura 6 (c) muestra una imagen pseudocolor de la conversión de distancia geodésica. Sin embargo, la imagen que se muestra en la Fig. 6 (c) no se obtuvo dividiendo la región renal en 12 capas. Por lo tanto, el resultado de la conversión de distancia geodésica se normalizó en 12 capas. Específicamente, el número de capas se dividió por el valor máximo y luego se multiplicó por 12. La imagen pseudocolor de conversión de distancia geodésica normalizada se muestra en la Fig. 6 (d). La máscara objetivo es muy importante porque afecta directamente al cálculo del método TLCO. En este estudio decidimos utilizar dos tipos de imágenes, una imagen de riñón normal seleccionada por un especialista y una imagen de riñón con la región más grande. Dado que el método TLCO divide el riñón en 12 capas, el cálculo con un riñón pequeño y atrofiado es difícil. Por lo tanto, una imagen de riñón con un área pequeña no se puede utilizar como máscara de destino. La Figura 7 muestra los resultados de aplicar el método TLCO a imágenes de resonancia magnética de pacientes. La figura 7(a) es una imagen normal seleccionada por un especialista. La Figura 7 (b) muestra los resultados de la extracción especializada de la región renal de la Fig. 7 (a). La Figura 7 (c) es una imagen en pseudocolor dividida en 12 capas mediante el método TLCO. La Figura 7(d) es una imagen del riñón con el área más grande. La Figura 7 (e) muestra el resultado de la extracción por parte del especialista de la región renal de la Fig. 7 (d). La Figura 7 (d) es una imagen en pseudocolor dividida en 12 capas mediante el método TLCO.

2,5 eGFR utilizado para estimar

Función renal por RSVM En el método TLCO, utilizamos 12 mediciones, una para cada capa, para estimar el gradiente corticomedular de la intensidad de la señal de RM según las siguientes definiciones: cortical

Servicio de apoyo de Wecistanche: el mayor exportador de cistanche de China:

Correo electrónico:wallence.suen@wecistanche.com

Whatsapp/Tel:+86 15292862950

Compre para obtener más detalles de especificaciones:

https://www.xjcistanche.com/cistanche-shop