常染色体優性多発性嚢胞腎の影響を受けた患者のMR画像における腎嚢胞の自動セマンティックセグメンテーション
Mar 29, 2022
連絡先：Audrey Hu Whatsapp / hp：0086 13880143964メール：audrey.hu@wecistanche.com
ティモシーL.クライン1,2・マリーE.エドワーズ2・ジェフリーフェッツァー1・アドリアーナV.グレゴリー2・Deema Anaam1・アンドリューJ.メッツガー2・ブラッドリーJ.エリクソン1
概要
目的常染色体優性多発性嚢胞腎の影響を受けた患者の場合肝臓疾患（ADPKD）、嚢胞の分化の成功は、患者の表現型の自動分類、臨床的意思決定、および疾患の進行に役立ちます。 目的は、ADPKD患者の腎嚢胞を区別および分析するための完全に自動化されたセマンティックセグメンテーション方法を開発および評価することでした。
方法畳み込みニューラルネットワークを使用した自動ディープラーニングアプローチは、60個のMR T 2-加重画像のセットでトレーニング、検証、およびテストされました。 3分割交差検定アプローチを使用して、個別のトレーニングセットと検証セットで3つのモデルをトレーニングしました（n=40）。 次に、アンサンブルモデルが構築され、ホールドアウトケース（n=20）でテストされ、各ケースが2人のリーダーによって実行された手動セグメンテーションと比較されました。 読者と自動化された方法の間のセグメンテーション合意が評価されました。
結果自動化されたアプローチは、観察者間の変動のレベルで実行されることがわかりました。 自動化されたアプローチでは、ダイス係数（平均±標準偏差）が{{0}}。86±0。1 0 vsReader-1でした。 {{10}}。84±{{20}}。11vs.リーダー-2。 観察者間のサイコロは0でした。86±0.08。 総嚢胞体積（TCV）に関して、自動化されたアプローチでは、リーダー-1に対して3.9±19.1パーセント、リーダー-2に対して8.0±24.1パーセントの差がありましたが、観察者間の変動は-2.0±16.4でした。パーセント。
結論この研究は、のセマンティックセグメンテーションを実行するための完全に自動化されたアプローチを開発および検証しました肝臓ADPKDの影響を受けた患者のMR画像の嚢胞。 このアプローチは、ADPKDの追加のイメージングバイオマーカーを探索し、表現型を自動的に分類するのに役立ちます。
キーワード常染色体優性多発性嚢胞腎肝臓疾患・セマンティックシストセグメンテーション・ディープラーニング・磁気共鳴画像法
序章
常染色体優性多発性嚢胞腎肝臓疾患（ADPKD）は最も一般的な遺伝性腎疾患であり、世界中で約1,200万人が罹患しており、現在、腎不全の4番目の主要な原因となっています[1,2]。 その病理は、嚢胞の継続的な成長が全体の漸進的な増加を引き起こすようなものです肝臓ボリューム（TKV）。 典型的なADPKD患者は、進行性の腎機能低下を示し、40歳から70歳の間に末期腎疾患に約70％進行します[3、4]。
TKVは、多くの研究でADPKD進行の有用な予測因子であることが示されています[5–7]。 同様に、嚢胞性負荷を描写および測定する能力は、疾患の進行、構造、および遺伝子型の差異に関する知識にさらに貢献します。 嚢胞の発生と成長は腎機能の低下と強く相関していることはよく理解されています[6、8]。 さらに、TKVの成長と嚢胞の成長の間には直接的な相関関係があることが示されています。 しかし、嚢胞が成長し、新しい嚢胞が形成される速度は、各個人に依存します[9]。 さらに、縦断研究では、ADPKDの患者は、時間の経過とともにTKVと嚢胞の体積が増加し、総実質体積が減少することがわかりました。これは、非嚢胞性であることを示唆しています。肝臓組織より多くの嚢胞に置き換えられ、嚢胞が継続的に拡大しています[10]。 興味深いことに、PKD1集団内の患者は嚢胞を早期に発症する傾向があるため、嚢胞の成長と嚢胞指数（TKVに対する嚢胞の体積の比率）はPKD1とPKD2の遺伝子型間で大幅に異なります[11、12]。 嚢胞の負担と成長の追加の分析は、病気の傾向と治療戦略について情報を与える可能性があります。
新しいイメージングバイオマーカーが出現するにつれて、科学者は嚢胞性および非嚢胞性を分離するための迅速かつ効率的な方法を模索しています肝臓組織特性のより詳細な定量分析のための領域[13、14]。 過去には、嚢胞と腎臓の領域は手動でセグメント化されていましたが、これは非常に労働集約的で主観的です[15]。 初期化として強度ベースのしきい値処理[16、17]、およびk-meansクラスタリング[18]、輪郭法[19]、形状事前確率などの従来の機械学習手法を使用して、さまざまな半自動化された嚢胞セグメンテーションアプローチが提案されています。マップ[20]。 ただし、ニューラルネットワークを使用した完全に自動化されたディープラーニングアプローチは、画像アナリストの手作業によるトレースの面倒さを取り除き、再現性のある堅牢なボリューム計算とセグメンテーションを提供する可能性があります。 ディープラーニングは、モデルがデータ入力から重要な画像の特徴を「学習」して、最終的なセグメンテーションタスクを実行できるという点で、上記のセグメンテーション方法に固有のものです。 トレーニングを通じて、モデルは、人間の目には簡単に検出できない可能性のあるパターン、ピクセル強度、および形状情報を検出することができます。
空間分解能の低下から始まり、分解能の回復が続く畳み込みニューラルネットワーク（CNN）は、独自のアーキテクチャにより、ピクセル/ボクセルレベルの医療画像セグメンテーションタスクで優れています。 要するに、最初の収縮セクションは、画像の複雑さを軽減するために使用される一連の畳み込みおよび解像度低減レイヤーであり、2番目の拡張セクションは、基本的に、特徴と空間情報を組み合わせるために使用される最初のパスの鏡像です。 U-Netアーキテクチャ[21]は、セグメンテーションタスクを解決するために医療画像分析で大幅に活用されているそのようなネットワークの1つです。 このアーキテクチャの特別な利点は、他のネットワークと比較して大規模なトレーニングセットを必要とせず、非常に正確なセグメンテーション出力が得られることです。
この研究では、PKDのMR画像のデータセットを利用します腎臓グラウンドトゥルースとして機能する2人のリーダーによる嚢胞トレースを使用します。 自動化されたアプローチが開発され（変更されたU-Netタイプのアーキテクチャ）、アンサンブルモデルが確立され、テストデータセットでテストされます。 この研究で説明されているディープニューラルネットワークモデルは、肝臓総嚢胞体積（TCV）を決定するための嚢胞であり、疾患の表現型のさらなる評価に役立つ可能性があります。
cistanchetubolosaの利点
材料および方法
MR画像データ
この後ろ向き研究は、https：//github.com/TLKline/AutoKidneyCystの機関審査委員会から承認を受けました。 さまざまなレベルの重症度のADPKDを有する6人の0人のユニークな患者のMRスキャンが私たちのPKD画像データベースから引き出されました。 この分析では、T 2-加重脂肪（N=42）および非脂肪飽和（N=18）スキャンを使用しました。 MR画像は冠状単発高速スピンエコー（SSFSE）T2シーケンスであり、GEスキャナーで取得されました。マトリックスサイズは256×256xZです（Zは画像ボリューム内の腎臓の全範囲をカバーするのに十分な大きさです）。 画像ボクセルのサイズは、面内で1.5 mmのオーダーで、スライスの厚さは通常3.0mmでした。
手動セグメンテーション
腎臓と嚢胞のトレースは、これらのトレースを実行した長年の経験を持つ2人の画像アナリスト（https://github.com/TLKline/AutoK idneyCyst）によって手動で実行されました。 トレーニング/検証セットは1人のリーダーによって追跡され、テストセットは、観察者間の変動性を評価するために両方によって追跡されました。 画像解析プロトコルは、腎盂と血管構造を除外します。 トレースから、TKVとTCVは、ボクセルの数にボクセルの体積を掛けたものとして計算されました。 各アナリストは、他のアナリストのトレースを知らされていませんでした。 これらのトレースは、NIfTIファイルとしてエクスポートされました。
データの階層化
スキャンごとに生成されたTKVセグメンテーションから、スキャンは40のトレーニング/検証ケースとホールドアウトテストセットの20のケースに分類されました。 トレーニング/検証データセットには、28の脂肪飽和症例と12の非脂肪飽和症例（70％脂肪飽和）がありました。 ホールドアウトテストセットには、14の脂肪飽和症例と6つの非脂肪飽和症例（70％脂肪飽和）がありました。
前処理
モデルは、MR画像スライスを1つのチャネルとして、腎臓のセグメンテーションをもう1つのチャネルとして、2チャネルアプローチとしてトレーニングされました。 この2チャネルのアプローチでは、ニューラルネットワークは腎臓内の嚢胞のみを識別することを学習することに注意してください。 画像は、MR画像のキュービック間補間、および腎臓と嚢胞のセグメンテーションマスクの最近隣内挿法を使用して、256×256マトリックスサイズに再スケーリングされました。 各MRスキャンの強度は、最初にすべてが同じ95パーセンタイルレベルになるように正規化され、次に標準スカラー正規化が適用されました（ゼロ平均、単位標準偏差）。
セマンティックセグメンテーションモデル
ネットワークアーキテクチャは、以前の作品[22、23]と同様でした。 畳み込みブロックは、2D畳み込みと、それに続くドロップアウト（ドロップアウト= 0 .1）、バッチ正規化、2D畳み込み、および最大プーリング（プールサイズ= 2×2）で構成されます。 より大きくより複雑なフィルタータイプを学習するために、より高解像度のレイヤーには、より大きなカーネルがあります（エンコーダーパスをブロックで7×7から5×5から3×3に、デコーダーパスを逆に）。 スキップ接続は、追加レイヤーとして実装されます（Resnetのような[24]）。 オプティマイザーはAdam[25]で、初期学習率は1e -3、減衰は1e-5です。 損失メトリックは、ダイス類似性メトリックです。 モデルは、バッチサイズ= 8で200エポックに対してトレーニングされ、トレーニングプロセス中に、最適な検証メジャーを持つモデルが保存されます。 モデルは、バックエンドとしてTensorFlowを使用してKerasに実装されました。 モデルは、Nvidia Tesla P40 GPU（24 GBメモリ）でトレーニングされました。 モデルへの入力は、2チャネル行列（256×256×2）です。 最初のチャネルはMR画像スライスで、2番目のチャネルは対応する腎臓マスクです。 出力は、嚢胞セグメンテーションの予測です。 合計で、3つのモデルが3つの異なるトレーニング/検証フォールドでトレーニングされ、アンサンブルの多数決モデルが作成され、ホールドアウトテストセットに適用されました。 コードは次の場所で入手できます。
評価
モデルのセクションで説明したように、データのさまざまなサブセットでトレーニングするために、トレーニング/検証セットは3つに分割されました。 各フォールドについて、学習プロセス中にトレーニング曲線と検証曲線が生成され、各フォールドからの最良のモデルが保存されました。 次に、マジョリティアンサンブルモデルが生成され、ホールドアウトテストデータセットに適用されました。 嚢胞体積と嚢胞指数の比較は線形回帰によって実行され、嚢胞指数も測定のバイアスと精度を評価するためにブランド-アルトマン分析によって評価されました。 さらに、自動化された方法を定性的に評価するために視覚的なオーバーレイが作成され、定量的な評価のために類似性メトリックが生成されました。 いずれの場合も、観察者間の変動性を評価するために2つのリーダーのセグメンテーションが比較され、自動化されたアプローチが各リーダーに対して個別に比較されました。
砂漠のシスタンチェの利点：腎機能を改善する
結果
疾患の重症度（すなわち、TKV）に関して、トレーニング、検証、およびテストのデータセット間に有意差はありませんでした。 図1に、カーネル密度プロットとして視覚化されたボリューム分布を示します。 これらは、3つのフォールド、およびトレーニング/検証とテストセット間の全体的な分布について示されています。 この全体的な分布は、ADPKD患者集団に見られる大きな変動性を表しています。
自動化された方法では、3つの異なるフォールドで同様のパフォーマンストレーニングが行われました。 図2は、モデルトレーニング中のトレーニングと検証ダイス値の両方を含む、3つの異なるフォールドの学習曲線を示しています。 モデルの重みはトレーニングセットで更新され、個別の検証セットの各エポックの終わりに評価されます。 検証パフォーマンスが最高のモデルは、トレーニングプロセス中に保存され、最終的なアンサンブルモデルの開発に使用されます。
自動化されたアプローチは、嚢胞を正確にセグメント化するのに優れていました。 図1および2に示されています。 3と4は、観察者間の変動、自動化された方法とリーダー-1、および自動化された方法とリーダー-2の嚢胞体積（図3）、および嚢胞指数の線形回帰比較です。 （図4）。 さらに、自動化された方法は、人間の読者と同様のレベルで実行されました。 図5に示されているのは、嚢胞性指数のブランドとアルトマンの比較です。 患者は、嚢胞が非常に少ない症例から、腎実質が嚢胞にほぼ完全に置き換わる症例まで、広範囲の疾患の重症度を網羅していることに注意してください。 嚢胞指数は〜0から>90パーセントの範囲でした。
視覚的には、自動セグメンテーションアプローチと手動リーダーの間に例外的な合意がありました。 図6は、良いケース（上の行、Dice=0 .98）、最悪のケース（中央の行、Dice=0 .50）、および平均的なケース（下の行）の視覚的な比較を示しています。 、サイコロ= 0。86）。
一般に、自動化されたアプローチは、トレースを実行する2人の異なるリーダーによって見られる変動性と区別がつきませんでした。 表1に示されているのは、観察者間の変動を、自動化されたアプローチとReader -1、および自動化されたアプローチとReader-2の間で得られたものと比較した類似性統計です。
cistanche tubeolosa抽出物：アクテオシド
討論
AIの分野での深層学習は、特に医療画像分析において、データを効率的かつ徹底的に評価するための無数のツールを科学者に提供してきました。 この研究で開発されたアルゴリズムは、ユーザーの介入なしに腎臓組織から腎嚢胞を正確にセグメント化しました。 このモデルの前に、臓器組織から嚢胞構造を描写するアプローチは、半自動化された強度ベースのしきい値処理技術を実装しました[16、17、20]。 強度ベースのアプローチの1つの制限は、CTとは異なり、MRピクセル値が収集間、さらには1つの収集内のスライス間でさえ大幅に変化する可能性があり、データを適切に正規化するための広範な前処理技術が必要になることです[26]。 さらに、強度ベースのしきい値処理のこの手法は、信号強度が低い複雑な嚢胞を完全に見逃します[16]。
この研究で提示されたモデルは、嚢胞セグメンテーションで85％の平均ダイススコアを達成しました。この結果は、臓器セグメンテーションに実装された他の最先端技術に匹敵します。 ADPKDでは、文献で報告されている深層学習を使用したすべての自動化されたアプローチは、主に腎臓のセグメンテーションのための臓器セグメンテーションタスクに焦点を当てています。 これらのアプローチのいくつかには、Sharmaet。によって実装されたカスタマイズされたVGG-16ネットワークが含まれます。 al [27]は、CT画像で腎臓をセグメント化します。 この調査の平均ダイススコアは86パーセントでした。 Keshwaniet。 al、[28]同様にCTスキャンを使用して腎臓のセグメンテーションを予測し、マルチタスク3D畳み込みニューラルネットワークを実装して、平均ダイススコア95％を達成しました。 Muetal。 [29]一方、MR画像を使用してV-Netモデルを使用して腎臓のセグメンテーションを自動的に生成し、報告されたダイススコアは95％でした。
自動化されたアプローチは、すべてのメトリックで手動トレースと非常によく比較されました。 線形回帰に関しては、自動化されたアプローチは両方のリーダーと非常に密接に比較されました。 さらに、嚢胞性指数は、人間の読者と同様のバイアスと精度を持っていました。 自動化されたアプローチは人間の読者よりも一貫性があるという事実により、精度が向上する可能性があります。 最大の違いはハウスドルフ距離で見られたことがわかりました。これは、単純な後処理（たとえば、モデルの嚢胞セグメンテーションマスクの出力に腎臓マスクを掛けるなど）で処理できる可能性のあるいくつかのマイナーな誤検出の結果である可能性があります。 ）。 さらに、視覚的な一致は信じられないほど強力でした。 類似性メトリックの観点からの最悪のケースは、病気の非常に軽度の症状でした。 この場合、人間の読者は、嚢胞のセグメンテーションを完了するための品質評価をすばやく提供できます。 一般に、このアプローチでは、さまざまなサイズの嚢胞を正確にセグメント化します。 この研究では、嚢胞は〜3-5mmまで測定されました。 これは、再構成された画像の解像度によって制限されます。この解像度は、面内で約1.5mmです。 さらに、最大の嚢胞は直径118mmでした。
嚢胞性負荷を自動的に評価する能力を持つことは、ここに提示された技術を適用する後ろ向き研究への扉を開きます。 以前の研究では、嚢胞性負荷を評価するためのより基本的なアプローチが適用されており、これらの画像から得られたパラメータの有望な有益な価値が示されています。 以前の短期間の研究では、小さなコホートで嚢胞体積を測定した場合、治療を受けたADPKD患者の嚢胞体積がトルバプタンによって減少することが示されています[30]。 これらの効果が薬物の長期投与を通して継続するかどうかを評価するために、さらなる分析を完了する必要があります。 この調査で提示された自動化された方法により、より大きなデータセットの迅速かつ簡単な分析が可能になります。 嚢胞の成長を追跡することで、特定の遺伝子型についても知ることができます。 ある研究によると、PKD1の患者はPKD2の患者よりも嚢胞の数が多いことがわかりました。 より具体的には、PKD1の患者は、より速く成長するためではなく、より多くの嚢胞が早期に発達するため、より速く進行します[11]。
この研究の1つの制限は、比較的小さなコホート（n=60）を評価したことです。 ただし、ゴールドスタンダードの嚢胞セグメンテーションの生成には、疾患の重症度に応じて最大8時間かかりました。 この制限により、この特定のコホートを開発して、少数の嚢胞（嚢胞指数= 0。5％）で構成される腎臓から、腎実質がほぼ完全に置換された腎臓まで、疾患の表現型の症状の全範囲に及ぶようにしました。嚢胞（嚢胞指数= 90パーセント）。 疾患の表現型の全範囲にわたって嚢胞性負荷を評価する方法を確立したことで、このアプローチは非常に一般化できるようになります。 もう1つの制限は、画像解像度未満の微細な嚢胞を検出していないことです。 しかし、これらの微小嚢胞は、総嚢胞体積に比較的少量しか寄与しません[31]。
将来の研究では、より大きなコホートを評価することができ、個々の嚢胞をセグメント化して区別するための自動化された方法を検討することができます。 これにより、嚢胞の数を自動的にカウントし、嚢胞のサイズ分布を評価することが容易になります。 これにより、典型的な患者と非典型的な患者を自動的に分類することもできます。これにより、進行のリスクと薬物療法の恩恵を受ける可能性がわかります。 非定型と典型的な症例を区別する基準のほとんどは、嚢胞の指数、数、およびサイズに依存しています。 たとえば、5個以下の嚢胞が50パーセント以上のTKVを占め、嚢胞から腎臓組織が軽度に置換されている場合、患者は非定型と見なされます[32]。 これを自動的に計算するツールは、重要な研究の登録段階で非常に高速で客観的な分類を可能にします。
嚢胞の構造と組成も、ADPKDを評価する際に非常に有益であると見なされています。 嚢胞領域が腎実質から描写されると、複雑な嚢胞のパーセンテージまたは分布を決定するために、さらなる強度および／またはテクスチャベースの分析が実行され得る。 通常、これらの複雑な嚢胞は、T2-強調MR画像の「より暗い」強度によって特徴付けられます。 どうやら、健康な実質組織は、より大きな嚢胞から分離された後、同様の方法で分析することができます。 別のアプローチは、嚢胞のセグメンテーションを支援するだけでなく、それらの分類も支援するために、複数の画像取得を組み込むことです（たとえば、T1-とT2-で重み付けされたMR画像を組み合わせます）。 他の画像診断法（例、CT）および臓器（例、肝臓）への拡張も、PKD表現型の包括的な特性を提供し、混合画像データ（例、超音波、コンピューター断層撮影、および/または磁気共鳴画像法）は、さまざまな患者に利用可能であり、腎外症状（例、PLD）が存在します。
結論
ADPKDの影響を受けた患者のMR画像から腎嚢胞のセマンティックセグメンテーションのための完全に自動化された方法を開発しました。 この方法は、人間の読者と同等に機能し、患者の表現型と全体的な嚢胞性負荷を評価するための将来の遡及的および前向き研究に役立ちます。
参考文献
1. PA Gabow、「常染色体優性多発性嚢胞腎」、N Engl J Med、vol。 329、いいえ。 5、pp。332-42、1993年7月29日、
2. PCハリスとVEトーレス、「多発性嚢胞腎」、Annu Rev Med、vol。 60、pp。321-37、2009
3. AB Chapman et al。、「常染色体優性多発性嚢胞腎（ADPKD）：腎臓病からのエグゼクティブサマリー：グローバル転帰の改善（KDIGO）論争会議」、Kidney Int、vol。 88、いいえ。
4. EM Spithoven et al。、「ヨーロッパにおける常染色体優性多発性嚢胞腎（ADPKD）の腎代替療法：有病率と生存率-- ERA-EDTAレジストリからのデータの分析」、Nephrol Dial Transplant、vol。 29 Suppl 4、pp。iv 15-25、2014年9月、
5. RD Perrone et al。、「総腎容積は、常染色体優性多発性嚢胞腎患者における腎機能の低下および末期腎疾患への進行の予後バイオマーカーである」、Kidney Int Rep、vol。 2、いいえ。 3、pp。442-450、2017年5月、DOI：
6. AB Chapman et al。、「常染色体優性多発性嚢胞腎における腎臓容積と機能的転帰」、Clin J Am Soc Nephrol、vol。 7、いいえ。 3、pp。479-86、2012年3月
7. JJ Grantham、AB Chapman、およびVE Torres、「常染色体優性多発性嚢胞腎における量の進行：臨床転帰を決定する主要な要因」、Clin J Am
10. BF King、JE Reed、EJ Bergstralh、PF Sheedy、2番目、および1505-11、2000年8月。[オンライン]。 利用可能：https：//www.ncbi.nlm。
11. PC Harris et al。、「嚢胞数は常染色体優性多発性嚢胞腎の変異遺伝子と関連しているが、嚢胞成長率は関連していない」、J Am Soc Nephrol、vol。 17、いいえ。 11、pp。3013-9、2006年11月、https：//doi.org/10.1681/ASN.2006080835。
12. JJ Grantham、「常染色体優性多発性嚢胞腎における進行のメカニズム」、Kidney Int Suppl、vol。 63、pp。S 93-7、1997年12月。[オンライン]。 利用可能：https：//www.ncbi.nlm.nih。 gov / Pubmed/9407432。
13. TL Kline et al。、「画像テクスチャの特徴は、常染色体優性多発性嚢胞腎の患者の腎機能低下を予測する」、Kidney Int、vol。 92、いいえ。 5、pp。1206-1216、2017年11月、https：//doi.org/10.1016/j.kint.2017.03.02。
14. TL Kline et al。、「腎疾患における腎臓の定量的MRI」、Abdom Radiol（NY）、vol。 43、いいえ。 3、pp。629-638、2018年3月
15. KT Bae、PK Comment、およびJ. Lee、「MRIを使用した腎嚢胞および実質の体積測定：ファントムおよび多発性嚢胞腎の患者」、J Comput Assist Tomogr、vol。 24、いいえ。 4、pp。614-9、2000年7月から8月
16. KT Bae et al。、「多発性嚢胞腎における腎嚢胞を評価するための新しい方法論」、Am J Nephrol、vol。 39、いいえ。 3、pp。210- 7、2014
17. AB Chapman et al。、「初期常染色体優性多発性嚢胞腎（ADPKD）の腎構造：多発性嚢胞腎の放射線画像研究コンソーシアム（CRISP）コホート」、Kidney Int、vol。 64、いいえ。 3、pp。1035-45、2003年9月、
18. K. Bae et al。、「常染色体優性多発性嚢胞腎患者のMR画像からの個々の腎嚢胞のセグメンテーション」、Clin J Am Soc Nephrol、vol。 8、いいえ。 7、pp。1089-97、2013年7月、DOI：https://doi.org/10.2215/CJN.10561012。
19. TL Kline、ME Edwards、P。Korfatis、Z。Akkus、VE Torres、およびBJ Erickson、「T 2-加重MR画像における多発性嚢胞腎の半自動セグメンテーション」、AJR Am J Roentgenol、vol。 207、いいえ。 3、pp。605-13、2016年9月、https：//doi.org/10.2214/AJR.15.15875。
20. Y. Kim et al。、「自己優性多発性嚢胞腎の患者における境界のある腹部MR画像からの肝臓および肝臓嚢胞の自動セグメンテーション」、Phys Med Biol、vol。 61、いいえ。 22、pp。7864-7880、11月21 2016、DOI：
cistancheの健康上の利点：腎臓機能を改善する