Segmentation sémantique automatique des kystes rénaux dans les images IRM de patients atteints d'une polykystose rénale autosomique dominante
Mar 29, 2022
Contact : Audrey Hu Whatsapp/hp : 0086 13880143964 E-mail :audrey.hu@wecistanche.com
Timothy L.Kline1,2· Marie E. Edwards2· Jeffrey Fezer1· Adriana V. Gregory2· Déma Anaam1· Andrew J. Metzger2· Bradley J. Erickson1
Résumé
ObjectifPour les patients atteints de polykystose autosomique dominanteun reinmaladie(ADPKD), la différenciation réussie des kystes est utile pour la classification automatique des phénotypes des patients, la prise de décision clinique et la progression de la maladie. L'objectif était de développer et d'évaluer une méthode de segmentation sémantique entièrement automatisée pour différencier et analyser les kystes rénaux chez les patients atteints de PKRAD.
Méthodes Une approche automatisée d'apprentissage en profondeur utilisant un réseau neuronal convolutif a été entraînée, validée et testée sur un ensemble de 60 images pondérées MR T2-. Une approche de validation croisée en trois volets a été utilisée pour entraîner trois modèles sur des ensembles d'entraînement et de validation distincts (n=40). Un modèle d'ensemble a ensuite été construit et testé sur les cas retenus (n=20), chacun des cas étant comparé à des segmentations manuelles effectuées par deux lecteurs. L'accord de segmentation entre les lecteurs et la méthode automatisée a été évalué.
RésultatsL'approche automatisée s'est avérée performante au niveau de la variabilité interobservateur. L'approche automatisée avait un coefficient Dice (moyenne ± écart type) de {{0}}.86 ± 0.10 vs Reader-1 et {{10}}.84 ± {{20}}.11 contre Reader-2. Le dé interobservateur était de 0,86 ± 0,08. En termes de volume total de kystes (TCV), l'approche automatisée présentait une différence en pourcentage de 3,9 ± 19,1 % par rapport au lecteur-1 et de 8,0 ± 24,1 % par rapport au lecteur-2, alors que la variabilité interobservateur était de − 2,0 ± 16,4 pour cent.
Conclusion Cette étude a développé et validé une approche entièrement automatisée pour effectuer la segmentation sémantique desun reinkystes dans les images IRM de patients atteints de PKRAD. Cette approche sera utile pour explorer des biomarqueurs d'imagerie supplémentaires de la PKRAD et classer automatiquement les phénotypes.
Mots clésPolykystique autosomique dominantun reinmaladie· Segmentation sémantique des kystes · Apprentissage profond · Imagerie par résonance magnétique
Bénéfice de Cistanche deserticola : prévientun reinmaladie
Introduction
Polykystique autosomique dominantun reinmaladie(ADPKD) est la maladie rénale héréditaire la plus courante, affectant environ 12 millions de personnes dans le monde, et est actuellement la quatrième cause d'insuffisance rénale [1, 2]. Sa pathologie est telle que la croissance continue des kystes provoque une augmentation progressive de laun reinvolume (TKV). Un patient ADPKD typique présente un déclin progressif de la fonction rénale et environ 70 % évoluent vers une insuffisance rénale terminale entre 40 et 70 ans [3, 4].
Le TKV a été montré dans un certain nombre d'études comme un prédicteur utile de la progression de la PKRAD [5–7]. De même, la capacité de délimiter et de mesurer la charge kystique contribue davantage à notre connaissance de la progression, de la structure et des variances génotypiques de la maladie. Il est bien connu que le développement et la croissance des kystes sont fortement corrélés avec le déclin de la fonction rénale [6, 8]. De plus, il a été démontré qu'il existe une corrélation directe entre la croissance du TKV et la croissance des kystes ; cependant, la vitesse à laquelle les kystes se développent et la formation de nouveaux kystes dépend de chaque individu [9]. De plus, des études longitudinales ont montré qu'au fil du temps, les patients atteints de PKRAD présentent une augmentation du volume de TKV et de kystes et une diminution du volume total de parenchyme suggérant que le non-kystiqueun reintissuest remplacé par plus de kystes et des kystes qui grossissent continuellement [10]. Fait intéressant, la croissance des kystes et l'indice kystique (rapport du volume du kyste au VTK) varient considérablement entre les génotypes PKD1 et PKD2, car les patients de la population PKD1 ont tendance à développer des kystes plus tôt [11, 12]. Une analyse supplémentaire de la charge kystique et de la croissance a le potentiel d'informer sur les tendances de la maladie et les stratégies thérapeutiques.
Alors que de nouveaux biomarqueurs d'imagerie émergent, les scientifiques recherchent des méthodes rapides et efficaces pour isoler les cellules kystiques et non kystiques.un reinrégions pour une analyse quantitative plus approfondie des propriétés des tissus [13, 14]. Dans le passé, les régions des kystes et des reins ont été segmentées manuellement, ce qui est très laborieux et subjectif [15]. Diverses approches semi-automatisées de segmentation des kystes ont été proposées en utilisant le seuillage basé sur l'intensité comme initialisation [16, 17] ainsi que des techniques classiques d'apprentissage automatique telles que le clustering k-means [18], les méthodes de contour [19] et la probabilité a priori de forme. cartes [20]. Cependant, une approche d'apprentissage en profondeur entièrement automatisée utilisant des réseaux de neurones a le potentiel de débarrasser l'analyste d'images de l'ennui du traçage manuel et de fournir des calculs et des segmentations de volume reproductibles et robustes. L'apprentissage en profondeur est unique aux méthodes de segmentation mentionnées ci-dessus en ce que le modèle est capable "d'apprendre" des caractéristiques d'image importantes à partir des entrées de données qui lui permettent d'effectuer sa tâche de segmentation ultime. Grâce à la formation, le modèle est capable de détecter des motifs, des intensités de pixels et des informations de forme qui peuvent ne pas être facilement détectables à l'œil humain.
Les réseaux de neurones convolutifs (CNN) qui commencent par réduire la résolution spatiale suivie d'une restauration de la résolution excellent dans les tâches de segmentation d'images médicales au niveau pixel/voxel en raison de leur architecture unique. En bref, la première section de contraction est une série de couches de convolution et de réduction de résolution qui sont utilisées pour diminuer la complexité de l'image et la deuxième section d'expansion est essentiellement une image miroir du premier chemin utilisé pour combiner les caractéristiques et les informations spatiales. L'architecture U-Net [21] est l'un de ces réseaux qui a été considérablement exploité dans l'analyse d'images médicales pour résoudre des tâches de segmentation. Un avantage particulier de cette architecture est qu'elle ne nécessite pas un grand ensemble de formation par rapport à d'autres réseaux et donne des résultats de segmentation très précis.
Dans cette étude, nous utilisons un ensemble de données d'images IRM de PKDreinsavec des tracés de kystes par deux lecteurs servant de vérité terrain. Une approche automatisée est développée (une architecture de type U-Net modifiée), et un modèle d'ensemble est établi et testé sur un jeu de données de test. Le modèle de réseau neuronal profond décrit dans cette étude permet une segmentation sémantique desun reinkystes pour la détermination du volume total de kystes (TCV) et peut s'avérer utile pour une évaluation plus approfondie des phénotypes de la maladie.
bienfaits de la cistanche tubolosa
matériaux et méthodes
Données d'image IRM
Cette étude rétrospective a reçu l'approbation du comité d'examen institutionnel sur https://github.com/TLKline/AutoKidneyCyst. Les scans IRM de 60 patients uniques atteints de PKD de différents niveaux de gravité ont été extraits de notre base de données d'images PKD. Des scans pondérés en T2-gras (N=42) et saturés non gras (N=18) ont été utilisés dans cette analyse. Les images IRM étaient des séquences coronales T2 à écho de spin rapide (SSFSE) à un seul coup, acquises avec un scanner GE, avec une taille de matrice de 256 × 256xZ (avec Z suffisamment grand pour couvrir toute l'étendue des reins dans le volume imagé). Les tailles de voxel d'image étaient de l'ordre de 1,5 mm dans le plan avec des épaisseurs de tranche généralement de 3,0 mm.
Segmentations manuelles
Les tracés des reins et des kystes ont été effectués manuellement par deux analystes d'images (https://github.com/TLKline/AutoK idneyCyst) avec des années d'expérience dans la réalisation de ces tracés. L'ensemble de formation/validation a été tracé par un lecteur, et l'ensemble de test a été tracé par les deux afin d'évaluer la variabilité inter-observateur. Le protocole d'analyse d'image exclut le bassinet du rein et les structures vasculaires. À partir des tracés, TKV et TCV ont été calculés comme le nombre de voxels multiplié par le volume de voxel. Chaque analyste était aveuglé par les tracés de l'autre. Ces tracés ont été exportés sous forme de fichiers NIfTI.
Stratification des données
À partir des segmentations TKV qui ont été générées pour chaque analyse, les analyses ont été triées en 40 cas de formation/validation et 20 cas pour l'ensemble de test d'attente. L'ensemble de données de formation/validation comportait 28 cas saturés en graisses et 12 cas saturés sans graisses (70 % de graisses saturées). L'ensemble de tests d'attente comportait 14 cas saturés en graisses et 6 cas saturés sans graisses (70 % de graisses saturées).
Prétraitement
Le modèle a été formé comme une approche à deux canaux avec la tranche d'image MR comme un canal et la segmentation du rein comme l'autre. Notez qu'avec cette approche à deux canaux, le réseau neuronal apprend à identifier uniquement les kystes dans le rein. Les images ont été remises à l'échelle à une taille de matrice de 256 × 256 en utilisant une interpolation intercubique pour les images IRM et une interpolation au plus proche voisin pour les masques de segmentation des reins et des kystes. L'intensité de chaque IRM a d'abord été normalisée pour que toutes aient le même niveau de 95e centile, puis une normalisation scalaire standard a été appliquée (moyenne nulle, écart type unitaire).
Modèle de segmentation sémantique
L'architecture du réseau était similaire à nos travaux précédents [22, 23]. Les blocs de convolution se composent de convolutions 2D, suivies d'un abandon (abandon=0.1), d'une normalisation par lots, de convolutions 2D et d'un regroupement maximal (taille du pool=2 ×2). Les couches à plus haute résolution ont des noyaux plus grands (allant de 7 × 7 à 5 × 5 à 3 × 3 en blocs sur le chemin du codeur, et en sens inverse sur le chemin du décodeur) afin d'apprendre des types de filtres plus grands et plus complexes. Les connexions de saut sont implémentées sous forme de couches additives (de type Resnet [24]). L'optimiseur est Adam [25] avec un taux d'apprentissage initial de 1e-3 et une décroissance de 1e-5. La métrique de perte est la métrique de similarité Dice. Le modèle est formé pendant 200 époques avec une taille de lot=8 et le modèle avec la meilleure mesure de validation est enregistré pendant le processus de formation. Le modèle a été implémenté dans Keras avec TensorFlow comme backend. Le modèle a été formé sur un GPU Nvidia Tesla P40 (mémoire de 24 Go). L'entrée du modèle est une matrice à deux canaux (256 × 256 × 2). Le premier canal est une tranche d'image MR et le second est le masque rénal correspondant. La sortie est la prédiction de la segmentation du kyste. Au total, trois modèles ont été entraînés sur les trois plis d'entraînement/validation différents, et un modèle d'ensemble de vote majoritaire a ensuite été créé et appliqué à l'ensemble de tests d'exclusion. Le code est disponible sur :
Évaluation
Comme décrit dans la section modèle, l'ensemble de formation/validation a été divisé en trois parties afin de s'entraîner sur différents sous-ensembles de données. Pour chaque pli, des courbes d'entraînement et de validation ont été générées au cours du processus d'apprentissage et le meilleur modèle de chaque pli a été enregistré. Un modèle d'ensemble majoritaire a ensuite été généré et appliqué à l'ensemble de données de test d'exclusion. La comparaison du volume du kyste et de l'indice de kyste a été réalisée par régression linéaire, et l'indice kystique a également été évalué par analyse de Bland-Altman afin d'évaluer le biais et la précision des mesures. De plus, des superpositions visuelles ont été faites pour évaluer qualitativement la méthode automatisée, et des mesures de similarité ont été générées pour une évaluation quantitative. Dans chaque cas, les deux segmentations de lecteur ont été comparées afin d'évaluer la variabilité interobservateur, et l'approche automatisée a été comparée individuellement à chaque lecteur.
bienfaits de la cistanche du désert : améliore la fonction rénale
Résultats
Il n'y avait pas de différence significative entre les ensembles de données de formation, de validation et de test en termes de gravité de la maladie (c'est-à-dire, TKV). La figure 1 montre les distributions de volume visualisées sous forme de graphiques de densité de noyau. Celles-ci sont présentées pour les trois volets, ainsi que la répartition globale entre la formation/validation et l'ensemble de tests. Cette distribution globale est représentative du degré élevé de variabilité observé dans la population de patients atteints de PKRAD.
La méthode automatisée avait un entraînement de performance similaire sur les trois plis différents. La figure 2 montre les courbes d'apprentissage pour les trois plis différents, y compris les valeurs de dés d'entraînement et de validation pendant l'entraînement du modèle. Les poids du modèle sont mis à jour sur l'ensemble d'apprentissage et évalués à la fin de chaque époque sur l'ensemble de validation séparé. Le modèle avec les meilleures performances de validation est enregistré pendant le processus de formation et utilisé pour développer le modèle d'ensemble final.
L'approche automatisée était excellente pour segmenter les kystes avec précision. Montré dans les Fig. 3 et 4 sont les comparaisons de régression linéaire pour la variabilité interobservateur, la méthode automatisée par rapport au lecteur-1 et la méthode automatisée par rapport au lecteur-2 pour le volume du kyste (Fig. 3), ainsi que l'indice de kyste (Fig. 4). De plus, la méthode automatisée fonctionnait à un niveau similaire à celui des lecteurs humains. La figure 5 montre les comparaisons de Bland-Altman pour l'indice kystique. Notez que les patients englobent un large éventail de gravité des maladies, des cas avec très peu de kystes, aux cas qui remplaceront presque complètement le parenchyme rénal par des kystes. L'indice kystique variait de ~ 0 à > 90 %.
Visuellement, il y avait un accord exceptionnel entre l'approche de segmentation automatisée et les lecteurs manuels. La figure 6 montre les comparaisons visuelles pour l'un des meilleurs cas (rangée du haut, Dice=0.98), le pire des cas (rangée du milieu, Dice=0.50) et un cas moyen (rangée du bas , Dés=0.86).
En général, l'approche automatisée était indiscernable de la variabilité observée par deux lecteurs différents effectuant les tracés. Le tableau 1 présente les statistiques de similarité comparant la variabilité interobservateur à celle obtenue entre l'approche automatisée et Reader-1, ainsi que l'approche automatisée et Reader-2.
extrait de cistanche tubolosa : actéoside
Discussion
L'apprentissage en profondeur dans le domaine de l'IA a fourni aux scientifiques d'innombrables outils pour évaluer les données de manière efficace et approfondie, en particulier dans l'analyse d'images médicales. L'algorithme développé dans cette étude a segmenté avec précision les kystes rénaux du tissu rénal sans intervention de l'utilisateur. Avant ce modèle, les approches visant à délimiter les structures kystiques des tissus organiques mettaient en œuvre des techniques de seuillage semi-automatisées basées sur l'intensité [16, 17, 20]. Une limitation des approches basées sur l'intensité est que, contrairement à CT, les valeurs des pixels MR peuvent varier considérablement entre les acquisitions, et même entre les tranches au sein d'une acquisition, nécessitant des techniques de prétraitement étendues pour normaliser les données de manière appropriée [26]. De plus, cette technique de seuillage basé sur l'intensité passera complètement à côté des kystes complexes qui ont une intensité de signal plus faible [16].
Le modèle présenté dans cette étude a obtenu un score moyen de Dice de 85 % pour la segmentation des kystes, ce résultat est comparable aux autres techniques de pointe mises en œuvre pour la segmentation des organes. Dans la PKRAD, toutes les approches automatisées utilisant l'apprentissage en profondeur rapportées dans la littérature se sont concentrées sur la tâche de segmentation des organes, principalement pour la segmentation rénale. Certaines de ces approches incluent un réseau VGG-16 personnalisé mis en œuvre par Sharma et. al [27] pour segmenter les reins dans les images CT. Le score moyen de Dice de cette étude était de 86 %. Keshwani et. al, [28] ont utilisé de la même manière des tomodensitogrammes pour prédire les segmentations rénales, un réseau de neurones convolutifs 3D multitâches a été mis en œuvre pour atteindre un score moyen de Dice de 95 %. Mu et al. [29], d'autre part, ont utilisé des images IRM pour générer automatiquement une segmentation rénale à l'aide d'un modèle V-Net, et le score Dice rapporté était de 95 %.
L'approche automatisée se compare très étroitement aux traçages manuels dans toutes les métriques. En termes de régressions linéaires, l'approche automatisée se compare très étroitement aux deux lecteurs. De plus, l'indice kystique avait un biais et une précision similaires à ceux des lecteurs humains. La meilleure précision est probablement due au fait que l'approche automatisée sera plus cohérente qu'un lecteur humain. Il a été constaté que la plus grande différence a été observée dans la distance de Hausdorf, ce qui peut être le résultat de quelques faux positifs mineurs qui pourraient probablement être traités par un simple post-traitement (par exemple, multiplier la sortie du masque de segmentation du kyste du modèle par le masque rénal ). De plus, l'accord visuel était incroyablement fort. Le pire des cas, en termes de métriques de similarité, concernait une présentation très bénigne de la maladie. Dans ce cas, un lecteur humain pourrait fournir rapidement une évaluation de la qualité pour finaliser la segmentation du kyste. En général, l'approche segmente avec précision les kystes d'une large gamme de tailles. Dans cette étude, les kystes ont été mesurés jusqu'à ~ 3-5 mm. Ceci est limité par la résolution de l'image reconstruite, qui dans le plan est de l'ordre de ~ 1,5 mm. De plus, le plus gros kyste avait un diamètre de 118 mm.
Avoir la capacité d'évaluer automatiquement la charge kystique ouvre la porte à des études rétrospectives appliquant la technique présentée ici. Des études antérieures ont appliqué des approches plus basiques pour évaluer la charge kystique et ont montré la valeur informative prometteuse de ces paramètres dérivés de l'image. Des études antérieures à court terme ont montré que le tolvaptan diminuait le volume des kystes chez les patients traités avec la PKRAD lorsque le volume des kystes était mesuré sur une petite cohorte [30]. Une analyse plus approfondie doit être effectuée pour évaluer si ces effets se poursuivent tout au long de l'administration à long terme du médicament. La méthode automatisée présentée dans cette étude permettra une analyse rapide et facile d'un ensemble de données plus important. Le suivi de la croissance des kystes peut également renseigner sur des génotypes spécifiques. Une étude a révélé que les patients atteints de PKD1 avaient un plus grand nombre de kystes que les patients atteints de PKD2. Plus précisément, les patients atteints de PKD1 progressent plus rapidement parce que davantage de kystes se développent tôt, et non parce qu'ils se développent plus rapidement [11].
Une limite de cette étude est qu'elle a évalué une cohorte relativement petite (n=60). Cependant, la génération de segmentations de kyste de référence a pris jusqu'à 8 h selon la gravité de la maladie. En raison de cette limitation, nous avons développé cette cohorte particulière pour couvrir toute l'étendue des présentations phénotypiques de la maladie, des reins composés de quelques kystes (indice kystique=0.5 %) jusqu'aux reins avec un parenchyme rénal presque entièrement remplacé par kystes (indice kystique=90 pour cent). Avoir établi une méthode pour évaluer la charge kystique sur toute l'étendue des phénotypes de la maladie rendra cette approche fortement généralisable. Une autre limitation est que nous ne détectons pas les kystes microscopiques en dessous de la résolution d'imagerie. Cependant, ces microkystes contribuent pour une quantité relativement faible au volume total du kyste [31]
Les études futures peuvent évaluer des cohortes plus importantes et des méthodes automatisées peuvent être explorées pour segmenter et différencier les kystes individuels. Cela facilitera le comptage automatique du nombre de kystes et l'évaluation des distributions de taille des kystes. Cela peut également permettre de classer automatiquement les patients typiques des patients atypiques, ce qui informe sur le risque de progression et la probabilité de bénéficier de thérapies médicamenteuses. La plupart des critères qui séparent les cas atypiques des cas typiques reposent sur l'indice, le nombre et la taille des kystes. Par exemple, un patient est considéré comme atypique si inférieur ou égal à 5 kystes représentent supérieur ou égal à 50 pour cent TKV et il y a le léger remplacement du tissu rénal des kystes [32]. Un outil qui calcule cela automatiquement permettrait des classifications extrêmement rapides et objectives pendant la phase critique d'inscription à l'étude.
La structure et la composition du kyste sont également considérées comme très informatives lors de l'évaluation de la PKRAD. Une fois que les régions kystiques sont délimitées du parenchyme rénal, une analyse supplémentaire basée sur l'intensité et/ou la texture peut être effectuée pour déterminer le pourcentage ou la distribution des kystes complexes. En règle générale, ces kystes complexes sont caractérisés par des intensités "plus sombres" en IRM pondérée en T2-. Apparemment, le tissu parenchymateux sain peut être analysé de la même manière après avoir été isolé de kystes plus gros. Une autre approche consistera à incorporer plusieurs acquisitions d'images (par exemple, en combinant des images IRM pondérées T1- et T2-) afin non seulement d'aider à la segmentation des kystes, mais aussi de les classer également. L'extension à d'autres modalités d'imagerie (par exemple, CT) et organes (par exemple, foie) sera également importante pour fournir une caractérisation complète du phénotype PKD et effectuer des études à grande échelle où des données d'imagerie mixtes (par exemple, échographie, tomodensitométrie et / ou imagerie par résonance magnétique) sont disponibles pour différents patients, et des manifestations extra-rénales (p. ex., PLD) sont présentes.
conclusion
Nous avons développé une méthode entièrement automatisée pour la segmentation sémantique des kystes rénaux à partir d'images IRM de patients atteints de PKRAD. La méthode fonctionne à égalité avec les lecteurs humains et sera utile dans les futures études rétrospectives et prospectives pour évaluer les phénotypes des patients et la charge kystique globale.
Références
1. PA Gabow, "maladie polykystique rénale autosomique dominante," N Engl J Med. vol. 329, non. 5, p. 332-42, 29 juillet 1993,
2. PC Harris et VE Torres, "Maladie polykystique des reins," Annu Rev Med, vol. 60, p. 321-37, 2009
3. AB Chapman et al., "Maladie polykystique rénale autosomique dominante (ADPKD) : résumé d'une maladie rénale : conférence sur les controverses sur l'amélioration des résultats mondiaux (KDIGO)", Kidney Int, vol. 88, non.
4. EM Spithoven et al., « Thérapie de remplacement rénal pour la polykystose rénale autosomique dominante (ADPKD) en Europe : prévalence et survie-- une analyse des données du registre ERA-EDTA », Nephrol Dial Transplant, vol. 29 Suppl 4, p. iv15-25, septembre 2014,
5. RD Perrone et al., "Le volume total du rein est un biomarqueur pronostique du déclin de la fonction rénale et de la progression vers l'insuffisance rénale terminale chez les patients atteints de polykystose rénale autosomique dominante," Kidney Int Rep, vol. 2, non. 3, pp. 442-450, mai 2017, DOI :
6. AB Chapman et al., "Volume rénal et résultats fonctionnels dans la polykystose rénale autosomique dominante", Clin J Am Soc Nephrol, vol. 7, non. 3, p. 479-86, mars 2012
7. JJ Grantham, AB Chapman et VE Torres, "Progression du volume dans la polykystose rénale autosomique dominante : le principal facteur déterminant les résultats cliniques", Clin J Am
10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2e et 1505-11, août 2000. [En ligne]. Disponible : https://www.ncbi.nlm.
11. PC Harris et al., "Le nombre de kystes, mais pas le taux de croissance kystique, est associé au gène muté dans la polykystose rénale autosomique dominante", J Am Soc Nephrol, vol. 17, non. 11, pp. 3013-9, novembre 2006, https://doi.org/10.1681/ASN.2006080835.
12. JJ Grantham, "Mécanismes de progression dans la polykystose rénale autosomique dominante," Kidney Int Suppl. vol. 63, pp. S93-7, décembre 1997. [En ligne]. Disponible : https://www.ncbi.nlm.nih. gov/Pubmed/9407432.
13. TL Kline et al., "Les caractéristiques de la texture de l'image prédisent le déclin de la fonction rénale chez les patients atteints de polykystose rénale autosomique dominante," Kidney Int, vol. 92, non. 5, pp. 1206-1216, novembre 2017, https://doi.org/10.1016/j.kint.2017.03.02.
14. TL Kline et al., « IRM quantitative des reins dans la maladie rénale », Abdom Radiol (NY), vol. 43, non. 3, p. 629-638, mars 2018
15. KT Bae, PK Comment et J. Lee, "Mesure volumétrique des kystes rénaux et du parenchyme à l'aide de l'IRM : fantômes et patients atteints de polykystose rénale", J Comput Assist Tomogr, vol. 24, non. 4, pp. 614-9, juillet-août 2000
16. KT Bae et al., "Méthodologie nouvelle pour évaluer les kystes rénaux dans la polykystose rénale", Am J Nephrol, vol. 39, non. 3, p. 210- 7, 2014
17. AB Chapman et al., "Structure rénale dans la polykystose rénale autosomique dominante précoce (ADPKD): The Consortium for Radiologic Imaging Studies of Polycystic Kidney Disease (CRISP) cohort," Kidney Int, vol. 64, non. 3, p. 1035-45, septembre 2003,
18. K. Bae et al., "Segmentation de kystes rénaux individuels à partir d'images IRM chez des patients atteints de polykystose rénale autosomique dominante", Clin J Am Soc Nephrol, vol. 8, non. 7, pp. 1089-97, juillet 2013, DOI : https://doi.org/10.2215/CJN.10561012.
19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres et BJ Erickson, "Segmentation semi-automatisée des reins polykystiques dans les images MR pondérées en T2-", AJR Am J Roentgenol, vol. 207, non. 3, pp. 605-13, septembre 2016, https://doi.org/10.2214/AJR.15.15875.
20. Y. Kim et al., "Segmentation automatisée du foie et des kystes hépatiques à partir d'images IRM abdominales limitées chez des patients atteints d'une polykystose rénale autosomique dominante", Phys Med Biol, vol. 61, non. 22, pp. 7864-7880, novembre 21 2016, DOI :
avantages pour la santé cistanche: améliorer la fonction rénale