磁気共鳴画像法を使用した腎機能推定のフレームワーク

抽象的な目的: 腎臓科医経験的に予測した腎機能から腎臓の形態。 経過不明の腎機能障害や急性腎障害、慢性腎臓病の診断では、血液検査やMRIなどの画像検査により診断し、検査・治療方針を決定します。 Dixon 法を使用して取得された水画像から腎機能を推定するためのフレームワークが提案され、臨床医が正確に推定することで診断に到達するのに役立つ情報が提供されます。腎機能腎臓のMRIに基づいています。

腎機能のための25%のエキナコシドと9%のアクテオシドを含む天然有機シスタンケエキスを入手するにはここをクリックしてください

アプローチ：提案されたフレームワークは 4 つのステップで構成されます。 まず、深層学習によるU-netを用いてDixon法を用いてMRIにより腎臓領域を抽出する。 次に、抽出した腎臓領域をターゲットマスクに登録します。 第三に、専門家によって作成されたターゲットマスク分類情報に基づいて腎臓の特徴が計算されます。 4番目に、推定値糸球体濾過率(eGFR) を表す腎機能は、計算された特徴から回帰サポート ベクター マシンを使用して推定されます。

結果：精度評価については、eGFRMRIを行ったときと、eGFR傾き、つまり eGFR の年間減少率です。 165 人の被験者について精度を評価したところ、eGFR の二乗平均平方根誤差 (RMSE) は 11.99、相関係数は 0.83 であると推定されました。 さらに、eGFR の傾きの RMSE は 4.8、相関係数は 0.5 であると推定されました。

結論:したがって、提案手法は、Dixon 法により得られた水画像に基づいて腎機能の予後を推定できる可能性を示しています。

キーワード:定量的推定糸球体濾過率; 磁気共鳴画像;腎臓。

1 はじめに

慢性腎臓病(CKD) は、推定値の持続的な減少として定義されます。糸球体濾過率(eGFR)から<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 to動脈硬化そして免疫不全、 それでCKDいくつかの主要な死因に関連していることがわかります。1,2CKDCKD は、世界中の人口の 8% ～ 16% が罹患している世界的な医療問題です。3 CKD の原因は多岐にわたるため、特定の治療介入はなく、病気を早期に検出し、CKD の危険因子を制御する必要があります。腎臓の損傷。

腎臓科医が患者を治療するとき、腎機能障害臨床経過が不明な場合、腎臓科医は検査データや病歴に加えて、腎臓の画像所見を参照することがよくあります。 このためには、腎臓超音波検査、腹部骨盤 X 線コンピュータ断層撮影、腎臓磁気共鳴画像法 (MRI) が役立ちます。 腎臓専門医は、形態から示唆される潜在的な腎機能を予測し、この可能性を治療計画に反映します。 MRI は軟部組織のコントラストの点で特に優れた解像度を備えており、適切な画像化方法を使用することで、皮質髄境界などの腎臓の内部構造に関する詳細な情報を取得することができます4。さらに、MRI はまた、腎臓の生理学的側面に関するデータを提供します。 血液酸素化のT2*値レベル依存(BOLD) 法は、CKD の進行につながる虚血・低酸素状態の指標であり、CKD の悪化速度と有意な相関があります。5,6 拡散強調画像の見かけの拡散係数値が指標となります。このように、MRI は非侵襲的で多面的な腎臓の評価法として期待されていますが、MRI には網羅的に定量化する方法がないという欠点があります。画像の。

従来、医用画像は関心領域（ROI）法によって計測されてきました。 ROI法では、長方形または円形の領域を選択し、その領域内の信号強度の平均値を代表値として使用します。 この方法の問題点としては、位置情報を含めることが難しいことや、画像の一部しか計測できないことなど、観察者の恣意的な判断が入る可能性があることが挙げられる。 Pruijm et al.5 は、腎臓領域を 12 層に分割して解析するための 12- 層同心円オブジェクト (TLCO) 法を提案しました。 TLCO法は腎臓領域の内側と外側を指定し、12層に基づいて全体を解析する手法です。 腎臓の外側（皮質）と内側（髄質）は構造や機能が異なりますが、TLCO法では腎臓の特異な構造を考慮しています。 また、TLCO 法は外部領域と内部領域を指定するだけで腎領域全体を層別化して解析できるため、ROI 法に比べて安定していることが報告されています 8。 ただし、臨床的に得られる画像は、撮影時に萎縮や変形が生じる可能性があります。腎臓が損傷しており、個人差がある場合や嚢胞が含まれている場合があります。 そのため、腎臓を常に複数の層に均等に分割することができないため、所見が不安定になります。 したがって、完全に自動化された安定した腎臓分析方法が望まれています。

Kuoら9は、腎臓画像の包括的な定量化手法として、深層学習と超音波画像を用いて検査時のeGFRを推定する手法を提案している。 対照的に、コンピューター支援診断腎臓 MRI に関する (CAD) 研究と移植された腎臓に関する研究が報告されています。 Khalifa et al.10 は、時系列動的造影磁気共鳴画像法 (DCE-MRI) 法を使用して移植腎臓の拒絶反応を推定するフレームワークを提案しました。 この手法では、時系列のDCE-MRIにより得られた画像を位置合わせし、レベルセット法を用いて腎臓領域を抽出する。 次に、アライメントが修正され、抽出された腎臓領域からの明るさに基づいて皮質が計算および分析されます。 Shehata et al.11 は、深層学習を使用して移植腎臓の拒絶反応を推定する方法を提案しました。 DCE-MRI 法は造影剤を必要とするため、次のような患者には適用できません。CKDの症例。 また、腎臓が障害されている場合には、輝度に基づいて皮質を抽出することは困難である。

本研究では、上記の課題を解決し、臨床検査として適用可能な腎MRIの総合評価手法の開発を試みた。 腎臓の形態と腎機能の密接な関係を利用して、腎臓の内部構造を評価するためのDixon法で使用される水画像を使用してターゲットを評価し、正しいラベルは腎臓の指標であるeGFRでした。関数。 Dixon 技術は、脂肪と水の共鳴周波数の違いに依存しているため、脂肪のみ、水のみ、同相画像、および逆相画像が取得されます。12 腎臓では、水分が豊富です。臓器実質は脂肪に囲まれており、ディクソン画像または同様の脂肪抑制画像では腎実質と周囲の構造が明確に区別されます。 U-netを用いて磁気共鳴画像から腎臓領域を抽出し、抽出した腎臓領域をターゲットマスク内の非剛体に変換し、この領域を解析する方法を提案します。TLCOのターゲットマスクの。

図 1 Dixon 法を使用して MRI から糸球体濾過率の傾きを推定するための提案された CAD システム。

2 材料と方法

提案された自動フレームワークを図 1 に示します。提案されたフレームワークは、次の 4 つのステップを使用して Dixon 法の MRI を処理します。

1. U-net による周囲の腹部構造からの腎臓領域のセグメンテーション。

2. 3 次元 (3D) ラベリングによるノイズ除去。 3. 腎臓領域とターゲットマスクの非剛体登録。 4. TLCO の計算。 5. 回帰サポートベクターマシン (SVM) による腎機能 (eGFR) の推定。

本稿では、これまでに報告されているTLCO法の弱点を補い、測定プロセスを自動化した自動TLCO（A-TLCO）法を提案します。 以下に提案手法と従来の手動 TLCO 手法を区別するため手法の詳細を説明する。

2.1 腎臓領域

U-net によって周囲の腹部構造からセグメント化されています。 この研究で使用された Dixon 法の水画像には、腎臓領域が明確に含まれています。 さらに、このセクションでは腎臓領域の大まかな抽出について説明します。 したがって、医療画像の領域抽出に優れた結果が得られることが知られている U-net を使用することにしました 13。Dixon Water 画像の冠状断面が使用されました。 スライス画像は 1 被験者あたり 3 ～ 6 枚、画像サイズは 320 × 320 です。使用した画像は 174 症例 1201 枚です。 すべての画像は腎臓セグメンテーション画像として専門家によって作成されました。 図 2 は、腎臓領域の抽出に使用された U-net を示しています。 ネットワークは、腎臓、腎臓境界、およびその他の組織の 3 つのクラスを区別します。 ただし、腎臓境界クラスでは、他の組織クラスと比較してサンプルの分布が不均衡です。 この不均衡を補償し、ネットワークのトレーニング時により正確な学習を実現するために、重み付けされたクロスエントロピー損失を使用しました。 ネットワーク出力と真のラベルの比較には、重み付きクロスエントロピー損失を備えたソフトマックスを使用しました。

図 2 この研究で腎臓領域の抽出に使用された U-net アーキテクチャ。

図 3 U-net による腎臓領域抽出の結果: (a) オリジナル、(b) マスク、(c) 結果。

50 エポックでのコスト最小化は、学習率 0.0001 の適応モーメント推定オプティマイザーを使用して実行されました。 このネットワークのトレーニング時間は、NVIDIA TITAN RTX GPU × 2 を搭載したワークステーションで約 1 時間でした。合計 1201 枚の画像を 600 枚と 601 枚の画像に分割し、分類を実行して腎臓領域を抽出しました。 次に、被験者全員を対象に腎機能推定実験を行った。 U-netによる抽出結果を図3に示します。 図３（ａ）は入力画像、図３（ｂ）は教師画像である。 抽出結果を図 3(c) に示す。 偽陽性が少なく、腎臓領域に近い領域が抽出できていることが確認できる。

2.2 誤検出

3Dラベリングによる除去 U-netで検出した腎領域は精度が高かったが、誤検出が発生した。 図4(b)に示すように、腎臓以外の臓器については偽陽性が抽出されます。 これは、U-net が 64 × 64 パッチで学習されると、パッチ サイズより大きな空間情報が失われるためと考えられます。 この問題を改善するために、Faster R-CNN14 や YOLOv3,15 などの物体検出により腎臓の位置を検出したり、狭い領域でセマンティックセグメンテーションを適用したりする方法が検討されています。 しかし、この研究では、U-net による腎臓の境界はよく識別されており、他の臓器に対する偽陽性もほとんどないため、プロセスを複雑にする必要はほとんどありません。 そこで、被験者ごとに3Dラベリングを行い、面積の大きい領域以外は除外することにしました。 処理結果を図 4 に示す。図 4(a)～(c)は U-net による抽出結果を示す。 腎臓領域以外でも偽陽性が発生していることが確認できます。 図 4(d) ～ 4(f) は、3D ラベル付けと 3D 領域が 2500 ピクセル以下の領域の除外の結果を示しています。 この手順を1201枚すべての画像に適用し、腎臓領域を誤って撮影したケースがないことを確認しました。

図 4 U-net で得られた腎臓領域: (a) スライス 1、(b) スライス 2、(c) スライス 3。3D ラベリングによるノイズ領域の除去結果: (d) スライス 1、(e)スライス 2、(f) スライス 3。

2.3 腎臓領域とターゲットマスクの非剛体登録

腎機能を推定するためには、腎臓を解剖学的に考慮しながら構造を解析することが有効な方法である5,16。しかし、専門家が手動で腎領域を抽出するには時間と労力が必要です。 さらに、手動測定では専門家によって結果が異なります。 そこで、U-netで抽出した全ての腎領域を一つのターゲットマスクに登録することで、全ての画像の皮質と髄質の位置を自動的に同定する手法を提案する。 登録方法は、MATLAB 関数を使用して 2 つのステップで実行されます。 最初のステップは、明るさに基づくアフィン変換です。 輝度ベースの位置合わせ法では、2つの画像間の類似度を計算し、類似度が高くなるようにアフィン変換を繰り返し、最も類似度が高くなる幾何変換（平行移動/回転/拡大/縮小）を推定します。 処理結果を図 5 に示します。図 5(a) は元の画像です。 図5(b)はU-netにより腎臓領域を抽出した結果を示しています。 図 5(c) はターゲット マスクです。 図 5(c) は、専門家によって抽出された正常な腎臓画像の腎臓領域です。 典型的な患者には腎臓が 2 つあります。 この研究では、より広い領域で腎臓を分析します。 図 5(b) では、左側の腎臓が大きくなっています。 したがって、左腎臓が抽出され、ターゲット マスクに登録されます。 図 5(d) は、ターゲットマスクの疑似カラー画像と抽出された腎臓の初期位置を示しています。 疑似カラー イメージでは、ターゲット マスクが緑色で、抽出された腎臓がマゼンタで、両方の重なり合うピクセルが白色で示されています。 アフィン変換の結果を図５（ｅ）に示す。 次に、輝度に基づく変位場を用いた位置合わせにより形状を微調整する9,10。本論文では、Thirionのデーモンアルゴリズムに基づく変位場を用いて位置合わせを行う。1,2に示す画像の修正結果。変位場を使用した図 5(e) を図 5(f) に示します。 ターゲットマスクに近づくよう微細な形状を修正しました。 図 5(g) は、画像の最終的な位置合わせを示しています。

図 5 剛体変換の結果: (a) 元の画像、(b) U-net による結果、(c) ターゲット マスク、(d) 初期位置、(e) アフィン変換、(f) 変位場、(g) ) 登録結果。

2.4 TLCOの計算

この研究では、TLCO 法を腎機能の解析に使用します。 TLCO法では、腎実質の内周（髄質側）と外周（皮質側）の境界を特定し、腎領域を外側から内側に向​​かって12層に分割します。 階層化方法は TLCO 論文では説明されていません 8。 そこで、本研究では測地線距離変換を使用して TLCO を計算しました 17。 測地線距離変換が腎領域の 2 値画像とシード画像を入力すると、距離変換画像は次のようになります。シードイメージに基づいて生成されます。 図 6(a) は、専門家によって抽出された腎臓領域の 2 値画像を示しています。 図 6(b) は専門家が作成したシード画像を示しています。 図 6(c) は、測地線距離変換の疑似カラー画像を示しています。 ただし、図 6(c) に示す画像は腎臓領域を 12 層に分割して得られたものではありません。 したがって、測地線距離変換の結果は 12 層に正規化されました。 具体的には，層数を最大値で割って 12 倍した．正規化した測地線距離変換擬似カラー画像を図 6(d) に示す． ターゲット マスクは TLCO 法の計算に直接影響するため、非常に重要です。 今回は専門医が選択した正常な腎臓画像と、最も領域が大きい腎臓画像の2種類の画像を使用することにしました。 TLCO法では腎臓を12層に分割するため、小さな萎縮した腎臓では計算が困難です。 したがって、面積の小さい腎臓画像はターゲットマスクとして使用できません。 図7はTLCO法を患者のMRI画像に適用した結果を示しています。 図 7(a) は専門家が選択した通常の画像です。 図 7(b) は、専門家が図 7(a) から腎臓領域を抽出した結果を示しています。 図 7(c) は TLCO 法により 12 層に分割された擬似カラー画像です。 図 7(d) は、面積が最も大きい腎臓の画像です。 図 7(e) は、専門家が図 7(d) から腎臓領域を抽出した結果を示しています。 図 7(d) は TLCO 法により 12 層に分割された擬似カラー画像です。

2.5 推定に使用される eGFR

RSVM による腎機能 TLCO 法では、各層に 1 つずつ、計 12 回の測定値を使用して、次の定義に基づいて MR 信号強度の皮質髄質勾配を推定しました。

Wecistanche のサポートサービス - 中国最大の Cistanche 輸出業者:

メールアドレス:wallence.suen@wecistanche.com

WhatsApp/電話番号:+86 15292862950

仕様の詳細についてはこちらをご覧ください:

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