Segmentation du rein sain dans les images Dce-Mr à l'aide d'un réseau neuronal convolutif et des caractéristiques du signal temporel

Artur Klepaczko1, Eli Eikefjord²et Arvid Lundervold^2,3,4

Résumé:La quantification de la perfusion rénale basée sur l'imagerie par résonance magnétique dynamique à contraste amélioré (DCE-MRI) nécessite la détermination des cours du temps d'intensité du signal dans la région du parenchyme rénal. Ainsi, la sélection des voxels représentant leun reindoit être réalisée avec un soin particulier et constitue l'une des principales limitations techniques qui entrave une utilisation plus large de cette technique en tant que routine clinique standard. La segmentation manuelle des compartiments rénaux, même si elle est effectuée par des experts, est une source courante de diminution de la répétabilité et de la reproductibilité. Dans cet article, nous présentons un framework de traitement automatiqueun reinsegmentation dans les images DCE-MR. Le cadre se compose de deux étapes. Premièrement,un reinles masques sont générés à l'aide d'un réseau neuronal convolutif. Ensuite, les voxels de masque sont classés dans l'une des trois régions - cortex, médulla et bassin - sur la base des cours du temps d'intensité du signal DCE-MRI. L'approche proposée a été évaluée sur une cohorte de 10 volontaires sains ayant subi l'examen DCE-IRM. L'examen IRM a été répété deux fois dans un intervalle de 10- jours. Pour la tâche de segmentation sémantique, nous avons utilisé une architecture U-Net classique, tandis que des expériences sur la classification des voxels ont été réalisées à l'aide de trois algorithmes alternatifs : machines à vecteurs de support, régression logistique et arbres de renforcement de gradient extrême, parmi lesquels SVM a produit les résultats les plus précis. Les étapes de segmentation et de classification ont été accomplies par une série de modèles, chacun entraîné séparément pour un sujet donné en utilisant uniquement les données des autres participants. La moyenne atteint une précision de l'ensembleun reinla segmentation était de 94 % en termes de coefficient IoU. Le cortex, la moelle et le bassin ont été segmentés avec une IoU allant de 90 à 93 % selon le tissu et le côté du corps. Les résultats ont également été validés en comparant les paramètres de perfusion dérivés de l'image avec des mesures de vérité terrain deTaux de filtration glomérulaire(RFG). La répétabilité du calcul du DFG, telle qu'évaluée par le coefficient de variation, a été déterminée au niveau de 14,5 et 17,5 % pour le rein gauche et droit, respectivement, et elle s'est améliorée par rapport à la segmentation manuelle. La reproductibilité, à son tour, a été évaluée en mesurant la concordance entre les valeurs de GFR dérivées de l'image et à base d'iohexol. Les différences moyennes absolues estimées étaient égales à 9,4 et 12,9 mL/min/1,73 m2 pour les sessions de numérisation 1 et 2 et la méthode de segmentation automatisée proposée. Le résultat pour la session 2 était comparable à la segmentation manuelle, tandis que pour la session 1, la reproductibilité dans le pipeline automatique était plus faible.

Mots clés:IRM dynamique à contraste amélioré ; réseaux de neurones convolutionnels ;un reinsegmentation; modélisation pharmacocinétique; quantification de la perfusion ; Taux de filtration glomérulaire

Contact : ali.ma@wecistanche.com

Cliquez sur Cistanche herba pour les maladies rénales

1. Introduction

La fonction rénale est systématiquement évaluée en mesurant le taux de créatinine sérique. En fonction de sa valeur, leTaux de filtration glomérulaire(DFG) peut être estimé à l'aide, par exemple, de l'équation de modification du régime alimentaire dans les maladies rénales [1]. Une autre méthode pour déterminer le DFG, qui a récemment gagné en popularité dans le cadre clinique, est le test de clairance plasmatique de l'iohexol. Certains auteurs postulent que cette méthode remplace la technique de référence basée sur la clairance urinaire de l'inuline [2]. Cependant, toutes ces procédures permettent la quantification du DFG simultanément pour les deuxreins. Par conséquent, l'imagerie par résonance magnétique dynamique à contraste amélioré (DCE-MRI) apparaît comme une alternative intéressante - elle permet un suivi non invasif des performances de filtration en un seulun reintout en fournissant des informations spatialement résolues sur les lésions tissulaires telles que la glomérulosclérose segmentaire focale.

En principe, l'examen DCE-MRI produit une série de volumes pondérés T1- acquis à plusieurs pas de temps discrets de la procédure de numérisation. La méthode consiste en l'administration intraveineuse d'un bolus d'un agent de contraste à base de gadolinium (AC). Alors que le bolus CA traverse l'arbre artériel abdominal, le lit capillaire et les systèmes tubulaires dureinsil augmente efficacement le temps de relaxation T1 des tissus pénétrés, modifiant ainsi le contraste de l'image. La dynamique temporelle de ce changement d'intensité du signal d'image reflète les conditions physiologiques de la fonction rénale et constitue la base de la modélisation pharmacocinétique (PK) de la perfusion rénale.

Un certain nombre des modèles PK proposés tentent de décrire mathématiquement le processus de perfusion sanguine dans divers organes. En ce qui concerne leun rein, la plupart des modèles supposent que le signal mesuré dans un voxel tissulaire donné est une somme de contributions provenant d'au moins deux compartiments - les espaces intravasculaires (IV) et extravasculaires extracellulaires (EEV) [3–6]. En outre, comme dans chaque modèle PK, la livraison du traceur de gadolinium à travers une artère d'alimentation à l'organe d'intérêt est encapsulée par la fonction d'entrée artérielle dite (AIF). Pratiquement, l'AIF dans le cas des études rénales est l'évolution temporelle de la concentration de l'agent de contraste dans l'aorte abdominale [7]. En convoluant l'AIF avec un noyau de déplacement et de dispersion, on obtient une concentration de traceur dans le compartiment IV. Finalement, la courbe temporelle de la concentration dans l'espace EEV est proportionnelle à l'intégrale de la concentration dans le compartiment IV, éventuellement modulée par un facteur exponentiel représentant le débit sortant des tubules rénaux. Le coefficient de proportionnalité, fréquemment désigné par Ktrans, contrôle le taux de transfert de CA du compartiment IV au compartiment EEV. Ktrans multiplié par le volume de l'organe conduit directement au calcul du GFR.

Des approches multicompartimentales plus compliquées existent (eg, [8]), bien que leur application clinique potentielle soit discutable. La difficulté réside dans la nécessité d'assurer la stabilité de l'optimisation de tels paramètres du modèle tout en ajustant les courbes du modèle aux données observées. De plus, ces modèles nécessitent une segmentation desun reinparenchyme dans le cortex et la moelle. Cette exigence s'applique, en fait, également aux modèles à deux compartiments. Le modèle classique proposé dans [3], basé sur le modèle général de Rutland-Patlak [9,10], n'est applicable qu'à la région du cortex. En revanche, l'application du modèle de filtration à deux compartiments [5] sur l'ensemble du rein est acceptable pour la phase de captation. Si l'on veut mesurer la perfusion, l'analyse doit encore être limitée au seul cortex. Dans tous les cas, il faut exclure la région pelvienne qui recueille le contraste à la phase excrétoire de l'examen. Par conséquent, l'automatisation de la procédure d'analyse des données DCE-MRI nécessite non seulement la délimitation du rein, mais également l'étiquetage de chaque voxel rénal comme appartenant à la classe corticale, médullaire ou pelvienne.

Le problème deun reinLa segmentation a été abordée par de nombreux auteurs. Fréquemment, les voxels sont classés en fonction de leurs cours temporels d'intensité. Par exemple dans [11], l'algorithme des k-moyennes est utilisé pour regrouper les voxels en clusters en fonction de l'intensité de leur signal dans le temps. Cette approche a été développée plus avant dans [12], où les évolutions temporelles de l'intensité du signal ont été prétraitées par la transformée en ondelettes discrètes. En fin de compte, une sorte d'heuristique basée à la fois sur les caractéristiques inhérentes des clusters et sur leur relation doit être utilisée pour déterminer quel cluster représente le cortex, la moelle, le bassin et l'arrière-plan. L'inférence entièrement non supervisée souffre de données d'entrée bruyantes qui ne peuvent pas être classées sans ambiguïté dans des catégories anatomiquement significatives. Il est particulièrement apparent en ce qui concerne les voxels situés sur les frontières entre le cortex et la moelle. Ils sont affectés à la classe "autres parties" qui contient également des voxels extérieurs à laun rein.

Par conséquent, une stratégie fréquemment suivie consiste à séparer d'abord un ensembleun reind'autres parties d'une image. Les régions d'intérêt délimitées doivent correspondre précisément aux frontières des reins afin de se débarrasser de tous les voxels voisins. Un exemple d'une telle solution est les cartes d'aire sous la courbe (AUC), utilisées par exemple dans [13]. Les voxels de la séquence DCE-MRI qui sont pénétrés par l'agent traceur apparaissent brillants sur les cartes AUC en raison de la plus grande surface sous leurs cours temporels d'intensité de signal. Il est instructif de noter que cette approche nécessite un post-traitement manuel ou automatique afin d'éliminer les structures extra-rénales, les gros vaisseaux sanguins et les conduits collecteurs urinaires.

La stratégie de segmentation grossière à fine a également été appliquée dans [14], où le concept de volumes temporels maximalement stables (MSTV) a été introduit. Les fonctions MSTV permettent de reconnaîtrereinsen détectant des structures spatialement homogènes et temporellement stables. La segmentation à grain fin est obtenue en réduisant les cours temporels des voxels aux vecteurs des composants principaux, qui sont ensuite partitionnés par k-means en plusieurs clusters. Finalement, cependant, les segmentations obtenues doivent être affinées de manière itérative afin d'éliminer les bruits restants. De même, dans l'étude décrite dans [15], la première étape de la procédure de segmentation consiste en la caractérisation de la dynamique de rehaussement du signal des tissus abdominaux. On observe que la moelle, contrairement au cortex, au foie ou à la rate, présente une augmentation constante de l'intensité du signal survenant plus tard dans la séquence d'acquisition. Une fois les voxels médullaires identifiés, une dilatation est effectuée suivie de l'algorithme GrubCut pour créer des masques rénaux. Le réglage fin est obtenu en classant les voxels avec un classificateur de forêt aléatoire pré-formé. Les voxels sont caractérisés par leurs intensités d'image respectives dans des tranches de temps sélectionnées de la séquence dynamique ainsi que par leur emplacement dans les ROI construites dans la première étape.

Bien que les contributions basées sur MSTV et GrubCut semblent produire des résultats satisfaisants pour plusieurs ensembles de données, il s'agit d'algorithmes plutôt complexes sur le plan conceptuel, indisponibles dans les logiciels commerciaux ou open source. En tant que tels, ils ne peuvent pas être facilement adoptés par la communauté clinique.

D'autre part, les progrès récents dans les architectures de réseaux de neurones convolutifs et la grande disponibilité de leurs implémentations logicielles rendent les méthodes d'apprentissage en profondeur particulièrement intéressantes dans leur application à la segmentation des tissus biologiques dans les images médicales. L'efficacité des CNN dans des scénarios polyvalents d'analyse de données IRM est discutée en détail dans l'examen complet de [16]. Plus précisément, dans [17], diverses architectures de réseau, c'est-à-dire un réseau entièrement convolutif [18], SegNet [19], U-Net [20] et DeepLabV3 plus [21], ont été testées pour la segmentation sémantique du cancer de la prostate chez T 2-IRM pondérée. Les images IRM anatomiques ont également été analysées dans [22]. Les auteurs ont développé une architecture CNN personnalisée pour décrire automatiquement les polykystiquesreins. Une autre approche intéressante a été présentée dans [23], où l'apprentissage profond a été utilisé pour l'inférence directe des cartes de perfusion cérébrale à partir d'une séquence DCE-IRM sans ajuster explicitement un modèle PK aux signaux mesurés.

Plusieurs études ont été publiées sur l'application des CNN à la segmentation desreinsdans les images de tomodensitométrie [24,25]. Cependant, la segmentation basée sur DL duun reindans les ensembles de données d'IRM à contraste amélioré reste un sujet inépuisé. Comme exemple exceptionnel de travaux publiés spécifiquement dédiés aux examens DCE-IRM rénaux, on peut citer l'article de Haghighi et al. [26]. Ils ont construit et formé une cascade de deux réseaux CNN. L'entrée de cette structure en cascade est une image DCE-MR 4D. Le premier réseau localise approximativement le rein gauche et droit sur l'image, tandis que le second est responsable de la délimitation précise des frontières rénales. Cependant, aucune autre segmentation dans le cortex ou la moelle n'a été effectuée puisque seul le parenchyme rénal entier a été utilisé pour calculer le DFG.

À la lumière des considérations ci-dessus, l'approche présentée dans cet article est une réponse au besoin d'un algorithme automatique qui, d'un côté, reconnaîtrait avec précision lereinscompartiments au sein de l'image DCE-MR, tout en étant relativement facile à reproduire par n'importe quelle équipe de recherche. Par conséquent, nous proposons de :

1. utiliser une architecture CNN pour la segmentation sémantique duun reinparenchyme,

2. décrire les voxels parenchymateux avec des agrégats de caractéristiques dérivés de la transformation des formes d'onde d'intensité du signal par l'analyse en composantes principales (ACP),

3. discriminer les régions du cortex, de la moelle et du bassin grâce à la classification des vecteurs de caractéristiques PCA extraits.

Les détails des algorithmes employés sont présentés dans la section 2. Dans la section 3, nous évaluons les résultats de la segmentation et comment la solution conçue affecte la stabilité des paramètres PK estimés. Tout en effectuant cette évaluation, nous émettons également l'hypothèse qu'il est possible de construire un schéma informatique universel capable de produire des segmentations correctes pour de nouveaux sujets basés uniquement sur des données historiques. Nous pensons qu'un tel schéma pourrait être largement distribué et mis en œuvre dans les cliniques avec ou sans effort pour s'adapter aux protocoles d'acquisition d'images personnalisés. Afin d'atteindre cet objectif, nous avons validé le processus de calcul proposé de manière à laisser un sujet de côté. Nous avons créé une série de moteurs de segmentation et de classification, chacun formé sur une cohorte différente de patients. Ensuite, un moteur donné a été testé sur un sujet non vu lors de la phase d'entraînement. La discussion des résultats obtenus est donnée dans la section 4.

2. Matériels et méthodes

2.1. Données IRM

Les expériences et les algorithmes présentés dans cet article ont été conçus à l'aide d'un ensemble de 2 0 séquences de mesure obtenues auprès de 10 volontaires sains. Les examens IRM ont été réalisés sur un appareil de 1,5 T (Siemens Magnetom Avanto, Erlangen, Allemagne). Le protocole d'acquisition de données comprenait l'imagerie de chaque sujet deux fois, à 10 jours d'intervalle, en utilisant la méthode d'écho de gradient gâté 3D à contraste amélioré (TE/TR/FA=0.8/2.36/20 .ms/ms/-, in- résolution plane=2.2 × 2,2 mm2, épaisseur de tranche=3 mm, matrice d'acquisition=192 × 192, nombre de tranches=30). L'agent de contraste (0,025 mmol/kg de GdDOTA) a été administré par voie intraveineuse à un débit de 3 mL/s. Chaque séquence de mesure consistait en 74 trames acquises à des intervalles de temps de 2,3 s.

Pour réduire les artefacts de mouvement, le protocole d'imagerie a été conçu pour acquérir des images en apnée. Tout d'abord, huit volumes de pré-contraste de base ont été acquis pendant la période d'apnée de 18-. À 7 s après l'injection de gadolinium, les participants ont été invités à retenir leur souffle pendant 26 s pour une perfusion de premier passage sans mouvement. Ensuite, pendant la phase de filtration, les périodes d'apnée ont été raccourcies à 13 s et entrelacées avec 26 s de respiration libre. Afin de faciliter la respiration, les sujets ont reçu de l'oxygène par voie nasale à un débit de 1 L/min.

Le resteun rein le mouvement a été corrigé en post-traitement en exécutant un enregistrement b-spline sur chaque séquence DCE-MRI. À cette fin, nous avons utilisé l'implémentation de l'algorithme B-splines de la bibliothèque logicielle Insight Toolkit (ITK) [27]. Dans chaque séquence, nous avons sélectionné un cadre de référence correspondant à un point médian de la phase de perfusion, puis l'avons utilisé comme un volume fixe auquel tous les autres volumes (mobiles) ont été appariés. L'enregistrement des B-splines a été effectué de manière entièrement automatique, c'est-à-dire qu'aucun point de référence n'a été marqué sur les tissus d'intérêt. De plus, la procédure a été lancée dans une configuration en plusieurs étapes. À chaque étape, divers paramètres de taille de grille et de taux de sous-échantillonnage ont été utilisés. Pour une interprétation détaillée de ces paramètres, le lecteur est renvoyé à la documentation ITK. En bref, ils ont permis d'effectuer un recalage d'images à différentes échelles, en commençant par un appariement grossier, puis en affinant le résultat.

Pour les besoins de conception et d'évaluation des algorithmes, tous les volumes ont été annotés manuellement par un radiologue expert en urographie IRM. Dans chaque tranche de temps, à gauche et à droitereinsont été délimités. Ensuite, dans deux cadres liés aux phases de perfusion et d'excrétion, les voxels parenchymateux ont été affectés au cortex, à la moelle ou au bassin.

Entre les examens, les volontaires ont subi la procédure de clairance de l'iohexol. Les sujets ont reçu une dose de 5 mL d'iohexol (300 mg I/mL ; Omnipaque 300, GE Healthcare). Ensuite, les valeurs GFR de vérité au sol ont été déterminées pour permettre la validation des estimations de perfusion dérivées d'images.

Les participants devaient refuser l'alcool et les repas riches en protéines, éviter les efforts physiques excessifs, s'hydrater normalement au moins 2 jours avant l'examen et ne pas prendre de caféine le jour de l'examen. Afin d'assurer des conditions d'examen comparables entre les séances de balayage et le test de clairance de l'iohexol, il a également été recommandé de maintenir des heures de repas et un régime alimentaire réguliers. Tous les volontaires ont donné leur consentement éclairé écrit pour participer à l'étude, qui a été approuvé par le comité d'examen institutionnel de l'hôpital universitaire Haukeland de Bergen, en Norvège.

2.2. Présentation du pipeline de segmentation

Le pipeline de segmentation proposé est visualisé sur la figure 1. La segmentation grossière initiale est réalisée par un réseau neuronal entièrement convolutionnel de la structure U-Net. Cette étape a été réalisée sur des coupes transversales bidimensionnelles ultérieures d'une seule image volumétrique de la séquence DCE-MRI. Cette image correspond au cadre de l'amélioration du signal la plus élevée dans la région du cortex lorsque la partition du parenchyme rénal dans le cortex et la médulla est clairement visible.

Nous avons supposé qu'une seule section transversale peut être divisée en côtés gauche et droit, chacun d'une largeur de 96- pixels. Sur un côté donné, il est possible de localiser centralement un patch d'image de 96-pixels de hauteur couvrant entièrement unun rein. De cette façon, nous nous sommes assurés que la gauche et la droitereinssont segmentés et traités séparément. Actuellement, notre méthode exigeait que cette hypothèse soit vérifiée pendant la phase de rappel du fonctionnement du réseau. Pendant l'entraînement, il suffisait qu'un patch d'image contienne au moins une partie du parenchyme rénal. De plus, la taille du patch 96 × 96 a été ajustée à la résolution dans le plan des données DCE-MRI disponibles dans cette étude et devrait être modifiée sous différentes configurations d'acquisition.

La segmentation grossière peut parfois nécessiter un raffinement supplémentaire pour rejeter les petits amas extrarénaux de pixels faussement segmentés. Dans notre algorithme, les composantes connexes ont été identifiées et seule la plus grande a été transmise à l'étape suivante. Notez également que bien que notre étape de segmentation sémantique ait été réalisée en 2D, elle a été appliquée à toutes les coupes d'un volume donné. Les analyses qui ont suivi ont été effectuées par voxel afin que le GFR soit effectivement calculé à partir de tous les néphrons distribués dans la ROI du cortex 3D.

Grâce à l'enregistrement des images dans le domaine temporel,un reinles masques générés pour une image pourraient être appliqués à toutes les autres images de la série dynamique. Ainsi, les voxels rénaux se sont vu prescrire des vecteurs de caractéristiques composés de valeurs d'intensité de signal IRM mesurées à des moments ultérieurs. Afin d'obtenir des caractéristiques plus générales de la dynamique du signal, nous avons extrait des agrégats de caractéristiques à l'aide de la transformation PCA. Les 20 agrégats les plus informatifs ont été sélectionnés pour décrire chaque voxel rénal. Finalement, un classificateur formé pour faire la distinction entre les caractéristiques temporelles des régions du cortex, de la moelle et du bassin a attribué un voxel à une catégorie appropriée.

La justification de l'approche en deux étapes proposée était de s'assurer que la reconnaissance finale était basée sur des annotations de vérité au sol extrêmement fiables. S'il s'agissait d'un CNN pour segmenter le cortex de la moelle et du bassin, des masques cibles exacts devraient être créés et l'annotateur devrait prendre une décision sur la limite réelle entre les différents tissus. Dans de nombreux cas, cela n'était pas anodin en raison de l'effet de volume partiel. Par conséquent, une telle décision, et par conséquent le modèle de réseau entraîné, pourrait être biaisé en faveur d'une expérience d'observateur unique. Alternativement, nous avons décidé de former un classificateur en utilisant uniquement les signaux provenant d'emplacements non ambigus, comme décrit ci-dessous. Plus tard, lors de l'inférence par passe avant, il incombait à l'algorithme de discriminer objectivement les voxels appartenant à toutes les régions contestables.

Enfin, toutes les unités de calcul de la procédure proposée - CNN et modèle de classificateur, ainsi que la matrice de transformation PCA - ont été obtenues pour une cohorte de patients indépendamment de l'ensemble de données actuellement traité. Dans les sous-sections suivantes, nous fournissons les détails de mise en œuvre des modules individuels de l'algorithme.

2.3. Cnnpour la segmentation sémantique

Parmi les variantes U-Net disponibles, nous avons utilisé l'implémentation publiée dans [28]. Puisqu'elle différait de l'architecture décrite dans l'article original [20], les caractéristiques spécifiques de cette structure, ajustée aux besoins de notre étude, sont d'abord résumées.

2.3.1. Architecture de réseau

Le réseau de neurones convolutionnels U-Net a été développé à l'origine pour la segmentation des structures neuronales dans des empilements de microscopie électronique et s'est avéré efficace dans de nombreuses autres applications biomédicales. Comme nous l'avons dit, l'entrée de notre modèle était une image 2D en niveaux de gris - un patch en coupe transversale d'un seul volume DCE-MRI 3D. La taille du patch a été ajustée à 96 × 96 pixels (voir Figure 2).

La caractéristique de l'U-Net est qu'il contient deux parties symétriques - une voie de contraction et une voie d'expansion. Le but du chemin contractif est de coder les modèles d'intensité des pixels de l'image en effectuant une convolution avec une série de filtres 3 × 3 de poids entraînables. Les sorties des filtres activent les principaux composants de traitement du réseau, les neurones appelés unités linéaires redressées (ReLU). Ils permettent de modéliser des relations non linéaires entre les caractéristiques de l'image et la carte de segmentation en sortie. Ainsi, l'étape de codage peut être assimilée à un processus connu en traitement d'image numérique sous le nom d'extraction de caractéristiques. Elle est suivie de l'opération de regroupement maximal qui sous-échantillonne les cartes d'entités.

La contraction est répétée quatre fois pour extraire des descripteurs d'image à différents niveaux d'échelle. Chaque niveau est en fait formé d'un bloc composé de deux couches convolutives, chacune suivie d'une couche de normalisation de lot, qui maintient constants la moyenne et l'écart type des plongements de sortie au sein d'un lot donné. Ainsi, la normalisation par lots garantit que les caractéristiques avec une dynamique de faible intensité possèdent la même importance que celles dont la plage est plus grande. Les paires de couches de convolution et de normalisation sont séparées par la couche d'abandon, qui définit de manière aléatoire 20 % des nœuds d'entrée sur 0. Ce mécanisme, actif uniquement pendant la phase d'apprentissage, empêche le réseau de se suradapter [29].

La sortie du dernier bloc de sous-échantillonnage, appelée goulot d'étranglement, est transmise au chemin d'expansion ou de décodage. Il est construit à partir du même nombre de niveaux d'échantillonnage que la partie contractive et sa tâche principale est de récupérer la résolution spatiale d'origine. Dans cette étude, le sur-échantillonnage a été réalisé par convolution transposée. Chaque bloc de décodage était également composé de deux paires de couches de normalisation convolutive et batch. Contrairement aux blocs de codage, cependant, aucun mécanisme d'abandon n'a été inséré entre les deux. De plus, les cartes de caractéristiques haute résolution extraites dans le chemin de sous-échantillonnage non seulement alimentaient les couches de codage suivantes mais étaient également concaténées aux entrées des couches de décodage aux niveaux respectifs du chemin de suréchantillonnage. Ces connexions supplémentaires ont aidé les blocs de décodage à restaurerun reinlocalisation des segments plus précisément.

Comme on peut le voir sur la figure 2, les blocs de codage consistaient en un nombre croissant de filtres convolutifs descendant plus profondément dans le chemin contractif. À partir de 64 filtres dans les deux premières couches convolutionnelles, le nombre de cartes de caractéristiques a atteint 1024 dans le goulot d'étranglement, doublé à chaque niveau de sous-échantillonnage. Au contraire, le nombre de filtres dans le chemin d'expansion a été divisé par le facteur deux à chaque pas vers le haut. En conséquence, la carte finale des caractéristiques avait à nouveau une profondeur de 64.

La sortie du dernier bloc de suréchantillonnage était connectée à une couche convolutive avec des filtres de taille 1 × 1-. Il a effectué une convolution pixel par pixel du noyau de filtre avec un vecteur de caractéristiques d'élément 64-, puis a soumis le résultat à une fonction d'activation de sortie. Dans notre conception, une activation sigmoïde a été utilisée car la décision finale était binaire - un pixel appartenait au parenchyme rénal ou au fond.

2.3.2. Entraînement

Les poids du réseau ont été initiés à un état aléatoire par la méthode de He et al. [30]. Le processus de formation a été mené sur des patchs d'image recadrés à partir des volumes DCE-MRI, chacun contenant un seul, gauche ou droitun reinla Coupe transversale. Comme décrit ci-dessus, 96 × 96- patchs d'images de pixels ont été extraits des volumes de la séquence DCE correspondant à la phase de perfusion, c'est-à-dire les délais du contraste maximal du signal entre le cortex et la moelle. Afin d'augmenter le nombre d'images d'entraînement, pour chaque étude, nous avons en fait sélectionné trois de ces délais : celui avec une amélioration maximale du signal dans la région du cortex, un précédent et un délai suivant. Dans chaque volume d'image, un seulun reinétait visible sur 12 coupes en moyenne. Il a donné environ 1440 patchs d'entraînement.

Bien que les réseaux U-Net puissent généralement faire face à de petits échantillons d'apprentissage, nous avons décidé d'élargir davantage l'ensemble de données grâce à l'augmentation des données. Ceci a été accompli en sélectionnant 10 positions verticales différentes du patch d'image et en le reflétant de manière aléatoire dans la direction horizontale. Lors de la sélection des positions de patch, nous nous sommes assurés qu'il embrassait une partie suffisamment grande du centre de l'image contenant des fragments significatifs du parenchyme rénal (voir la figure 3). Dans l'ensemble, le nombre d'images disponibles pour la formation a atteint la valeur de 13 964. Un tiers des images de formation ont été séparées à des fins de validation.

Nous avons formé 10 modèles CNN différents, un pour chaque patient. Lors de la construction d'un modèle dédié à un sujet donné, ses patchs d'image correspondants (indépendamment de la session d'examen) ont été retirés des ensembles d'entraînement et de validation et utilisés uniquement pour les tests. Les poids du réseau ont été mis à jour à l'aide de l'algorithme de descente de gradient stochastique avec le taux d'apprentissage constant=0.01 et l'élan=0.99. La fonction de perte choisie pour optimiser était le critère d'entropie croisée binaire, défini comme

où N est le nombre de voxels, Yi est la véritable étiquette de voxel et p(Yi) est la prédiction du réseau selon laquelle le i-ème vecteur appartient bien à la classe Yi, avec 0 < p(Yi) < 1. De plus , afin de contrôler la qualité deun reinsegmentation sur les époques d'apprentissage, nous avons calculé le coefficient de Jaccard, ci-après désigné par IoU (intersection-over-union)

où K désigne le nombre de pixels dans une tranche traitée et y est la catégorie de pixels prédite. Ici, les catégories étaient de valeur booléenne et un pixel était étiqueté True s'il appartenait auun rein, Faux sinon. Dans le cas de chaque sujet, l'algorithme d'optimisation a été exécuté pendant 50 époques. Le modèle stocké correspondait à l'époque avec le score minimum sur la fonction de perte obtenue pour l'ensemble de données de validation.

2.4. Classement deUn reinVoxels

2.4.1. Extraction de caractéristiques

La différenciation des voxels représentant des compartiments rénaux particuliers pourrait être basée sur des cours de temps d'intensité de signal brut. Nous proposons, cependant, de transformer les formes d'onde du signal, c'est-à-dire les vecteurs de 74 caractéristiques temporelles, dans l'espace de dimensionnalité réduite en utilisant l'analyse en composantes principales (ACP). Le but de cette transformation n'est pas seulement de diminuer la complexité du modèle de classification résultant mais aussi d'extraire des caractéristiques plus générales duun reintissu, un représentant pour divers sujets. De plus, même dans la même unité clinique, l'imagerie DCE peut être réalisée dans une séquence qui, bien que couvrant une plage temporelle similaire, a une résolution temporelle différente. Par conséquent, un système de prise de décision qui accepte un modèle de caractéristique uniforme, en utilisant un objet de transformation PCA comme adaptateur, peut être appliqué à des vecteurs de données d'entrée de longueur variable.

Nous avons supposé que les composants PCA extraits devraient expliquer au moins 90 % de la variance de l'ensemble de données d'origine. Afin de répondre à cette exigence pour chaque sujet, au moins 20 agrégats de caractéristiques ont dû être construits. Comme nous l'avons observé, un plus grand nombre de composants n'a pas conduit à une précision de classification plus élevée.

2.4.2. Classification des vecteurs de caractéristiques

L'affectation des voxels rénaux au cortex, à la moelle ou au bassin est effectuée par un classificateur formé de manière supervisée. Dans notre approche, les données historiques servent de modèles pour construire des règles de décision appropriées, appliquées plus tard à de nouvelles études. Nous avons testé trois algorithmes de classification pour trouver le meilleur schéma parmi tous les sujets. Les méthodes examinées comprenaient la régression logistique, les machines à vecteurs de support et les arbres de décision XGBoost. Dans ce qui suit, nous rappelons les caractéristiques des algorithmes employés et décrivons comment les données d'apprentissage ont été préparées.

Former et tester des ensembles de données.Les vecteurs de formation ont été acquis à partir de régions d'intérêt annotées manuellement dans les emplacements parenchymateux respectifs. Les annotations ont été faites uniquement dans les voxels dont l'appartenance était sans ambiguïté (voir Figure 4a, b), laissant ainsi un classificateur formé décider de la catégorie de tissu dominante en cas de voxels partiellement remplis de divers compartiments. Le nombre de vecteurs d'entraînement collectés à partir des 20 examens disponibles a dépassé la valeur de 60,000. Cet ensemble de données a été divisé en 10 volets, chacun contenant des vecteurs de données de tous les sujets sauf un, laissés de côté à des fins de test. Dans un pli donné, la répartition des classes était approximative comme suit : cortex : 58 %, medulla — 31 %, bassin — 11 %. Afin de donner aux classificateurs une chance d'apprendre à discriminer les catégories avec une précision égale, dans chaque pli d'entraînement, les sous-ensembles représentant le cortex et la moelle ont été rééchantillonnés pour correspondre à la taille de la catégorie du bassin. En moyenne, l'ensemble d'entraînement après rééchantillonnage comprenait plus de 16 000 vecteurs par pli. Dans un pli d'entraînement donné, les données des deux sessions d'examen ont été incluses. En revanche, les plis de test contenaient de 600 à 4800 vecteurs selon le patient et la séance d'examen. Les classificateurs ont été évalués en utilisant le score de précision équilibré calculé sur les ensembles de test.

Régression logistique.Le classificateur de régression logistique modélise la probabilité qu'un vecteur de caractéristiques appartienne à l'une des deux catégories. L'algorithme ajuste une fonction linéaire aux données d'apprentissage et le résultat de l'équation de régression pour un point de données donné est soumis à la transformation logistique

où p(yi|xi) désigne la probabilité d'une classe yi étant donné un point de données xi avec Yi e {{{0}}, 1}, tandis que le vecteur de poids w avec l'interception w0 détermine la régression ajustée ligne.

Ainsi, l'équation (3) s'applique aux problèmes de classification binaire. Ainsi, dans le cas de trois régions rénales, soit trois classificateurs un contre repos doivent être construits, soit un modèle de régression multinomiale est adapté [31]. Dans nos expériences, nous utilisons cette dernière variante. Les paramètres w du modèle linéaire sont trouvés en minimisant la fonction de coût log-perte avec le terme de régularisation L2 :

où notre étude K=3 et pi,c est la probabilité prédite que le vecteur appartient à la classe c. Le problème d'optimisation ci-dessus a été résolu avec l'algorithme de descente Stochastic Average Gradient (SAG) [32] implémenté dans le package Scikit-Learn [33]. Nous avons choisi SAG en raison de sa recommandation pour les grands ensembles de données et de sa prise en charge de la régularisation L2.

Prend en charge les machines vectorielles. Les machines à vecteurs de support (SVM) constituent une classe d'algorithmes qui construisent un hyperplan à marge maximale discriminant différentes catégories [34]. La décision concernant l'appartenance à une catégorie d'un vecteur x est déterminée par le signe de l'équation de l'hyperplan

où je désigne l'indice d'un exemple d'entraînement, xi est un vecteur de caractéristiques correspondant et Yi est sa véritable étiquette de classe. En ajustant ce modèle aux données d'apprentissage, un problème d'optimisation quadratique contraint est résolu. En conséquence, un ensemble de multiplicateurs de Langrage non nuls ai est trouvé, qui, avec leurs vecteurs de support respectifs xi et le paramètre de décalage b, déterminent l'emplacement et l'orientation de la frontière recherchée.

Un produit scalaire dans (5) peut être remplacé par une fonction noyau pour permettre l'application de SVM à des problèmes non linéaires. L'astuce du noyau transforme implicitement les vecteurs caractéristiques en un espace de dimension supérieure, dans lequel il devient possible de déterminer l'hyperplan de séparation. La figure 4c montre la distribution du sous-ensemble de vecteurs d'entraînement pour l'un des participants. Cette visualisation a été obtenue en transformant les données de l'espace de 20 agrégats de caractéristiques PCA en un espace à trois dimensions à l'aide de la méthode d'intégration de voisins stochastiques à distribution t (TSNE) [35]. On peut voir que bien que la séparation linéaire des classes de cortex, de medulla et de bassin soit plausible, la limite de séparation peut être mieux modélisée par une fonction non linéaire. Dans nos expériences, les meilleurs résultats ont été assurés par le noyau de la fonction de base radiale

où |.|désigne la norme é2-. Étant donné que dans les ensembles de données réels, la séparation parfaite des classes est rare, le critère d'optimisation permet - via un paramètre de méthode supplémentaire généralement désigné par la lettre C - permet à un certain nombre de points de données de violer la frontière de décision. Les paramètres et C contribuent à l'inverse à la complexité du modèle SVM. Par conséquent, nous avons ajusté leurs valeurs à l'aide de l'algorithme de recherche de grille exhaustive dans une expérience de validation croisée à cinq volets. Les meilleurs résultats ont été signalés pour=0.05 et

C = 1.

Arbres de décision XGBoost.Le concept d'extrême gradient boosting (XGBoost) a été introduit par Chen et Guestrin [36] pour faciliter l'apprentissage d'un ensemble d'arbres de classification et de régression (CART). Contrairement aux forêts aléatoires classiques, l'algorithme d'apprentissage formalise le mécanisme de régularisation et l'utilisation de fonctions de perte objectives polyvalentes. Grâce à ces avantages, il s'est récemment révélé efficace dans de nombreux problèmes d'apprentissage automatique impliquant de grands ensembles de données de grande dimension.

La construction d'un ensemble XGBoost repose sur la stratégie d'entraînement dit additif. A chaque étape t, un nouvel arbre est ajouté au modèle qui minimise la fonction de perte globale

où t ü 1) est l'étiquette de classe prédite par l'ensemble construit jusqu'ici, l mesure l'erreur entre l'étiquette prédite et la vraie étiquette Yi, tandis que ft correspond à une structure arborescente de T feuilles, qui attribue à chacune avec un vecteur de données un score wq (xi), avec q étant une fonction qui alloue le point de données xi à une feuille d'arbre donnée. T et les poids wj définissent le terme de régularisation

où et les paramètres λ contrôlent l'impact de la taille de l'arbre et laissent des scores sur la valeur de la pénalité. Dans la configuration utilisée dans notre étude, et λ ont été fixés à {{0}}.1 et 0.9, respectivement. De plus, le nombre d'arbres dans l'ensemble était égal à 10, et la profondeur maximale autorisée d'un arbre était de 4. Finalement, nous avons utilisé la fonction soft-max comme critère objectif l.

2.5. Modélisation pharmacocinétique

En plus d'évaluer les résultats de la segmentation directement avec l'utilisation du coefficient IoU, nous avons également comparé les valeurs GFR dérivées de l'image aux mesures basées sur l'iohexol de vérité au sol. Aux fins de la détermination du DFG, nous avons utilisé leun rein-modèle de filtration spécifique à deux compartiments (2CFM) [5]. Ce modèle PK a décomposé le tissu rénal en espaces intravasculaires (IV) et extravasculaires extracellulaires (EEV) et n'a supposé aucun écoulement tubulaire pendant la période de modélisation. Bien que le modèle puisse être utilisé pour estimer la perfusion rénale soit dans le cortex, soit dans le parenchyme rénal entier, seule la région précédente devait être prise en compte lors du calcul du DFG.

Indépendamment de la région rénale considérée, afin d'adapter le modèle à un signal mesuré S(t), une intensité d'image moyenne respective au cours du temps doit être convertie en la forme d'onde de concentration Ctissu(t). Nous l'avons accompli en utilisant la transformation décrite dans [37] ajustée à la séquence d'écho de gradient. D'autre part, le tissu C(t) décrit par le modèle 2CFM est régi par l'équation

où C désigne la fonction d'entrée artérielle, VP — fraction volumique plasmatique et C — concentration de CA dans le plasma sanguin. Le premier terme de (9) représente la concentration de CA dans l'espace EEV, tandis que le second terme couvre la concentration dans l'espace IV obtenue en convoluant la fonction d'entrée artérielle avec la fonction de réponse impulsionnelle vasculaire (VIRF), définie comme

En tant que tel, VIRF modélise le retard et la dispersion de l'AIF par rapport au flux CA à travers le lit capillaire. Les variables Tg - la constante de temps de dispersion et X - l'intervalle de retard, ainsi que la fraction volumique VP et la constante de transfert Ktrans forment l'ensemble complet des paramètres du modèle 2CFM. Leur estimation est généralement effectuée selon la procédure d'ajustement de courbe des moindres carrés non linéaires (NLLS). La méthode Trust Region-Reflective [38], employée dans cette étude, est l'un des optimiseurs possibles utilisés pour résoudre numériquement le problème NLLS. Contrairement aux méthodes down-simplex, elle permet de fixer des contraintes sur les valeurs des paramètres et ainsi de s'assurer que les estimations finales se situent dans la plage physiologique. Les contraintes présumées dans notre étude sont listées dans le tableau 1.

Nous avons implémenté l'algorithme d'optimisation du modèle 2CFM dans le logiciel personnalisé écrit en Python, disponible en téléchargement sur [39]. L'algorithme a été lancé pour chaque patient en utilisant les régions du cortex soit obtenues automatiquement par le pipeline de segmentation décrit ci-dessus, soit annotées manuellement. Dans tous les cas, l'AIF a été déterminé automatiquement en utilisant notre méthode publiée précédemment dans [40].

2.6. Analyses statistiques

L'un des objectifs de l'automatisation du processus de segmentation des images DCE-MR est d'assurer des estimations de perfusion stables et reproductibles. Par conséquent, nous avons effectué le test t de Student pour les échantillons liés (répétés) afin de vérifier l'hypothèse nulle de moyennes GFR égales estimées sur deux événements d'examen. De plus, nous avons calculé le coefficient de répétabilité défini par [41]

où σdiff est l'écart type des différences entre les DFG réalisés sur le même sujet et ╱pool désigne la moyenne de toutes les mesures. La quantité ′2σdiff, également appelée écart type de mesure unique (σsm), est une estimation de l'écart type des différences entre des paires de mesures consécutives potentiellement nombreuses [42]. En plus de l'évaluation de la répétabilité, la reproductibilité de l'estimation du DFG basée sur l'image a été évaluée à l'aide de tracés de Bland-Altman. Finalement, les résultats d'analyse obtenus pour les segments rénaux trouvés automatiquement ont été comparés aux annotations manuelles.

Cistanche peut soulagerreinseffectivement

3. Résultats

La figure 5 montre des exemples de sorties du réseau de segmentation sémantique pour deux des sujets participants ainsi que les masques d'annotation de vérité au sol. Les processus de formation correspondants sont visualisés dans la figure 6, qui trace l'évolution des métriques de perte et d'évaluation pour les ensembles de formation et de validation. On peut observer qu'après quelques premières époques, les courbes IoU pour les ensembles d'apprentissage et de validation se sont rapprochées et que le réseau n'est pas entré dans l'état de surajustement. Simultanément, il y a eu une diminution monotone de la fonction de perte, ce qui a prouvé que le réseau a acquis la capacité de généralisation. Les coefficients IoU de similarité entre les annotations manuelles et les annotations trouvées automatiquementun reinrégions obtenues après ablation des îlots extrarénaux déconnectés des segments principaux, sont rassemblées dans le tableau 2. L'IoU moyenne pour tous les sujets et études=0.94 et elle est apparue latéralement indifférente.

Dans l'étape suivante, les voxels parenchymateux ont été classés dans des compartiments rénaux séparés. Une comparaison des trois classificateurs testés est présentée dans le tableau 3. Il évalue chaque méthode par rapport à trois métriques : exactitude équilibrée, rappel et précision. Ces deux derniers ont été déterminés pour chaque catégorie rénale séparément. La métrique de précision équilibrée a été obtenue comme la moyenne des taux de vrais positifs obtenus pour des classes particulières. Tous les scores présentés étaient des valeurs moyennes sur 20 sujets de test. Les trois classificateurs testés ont obtenu des performances similaires en termes de taux de vrais positifs (environ 95 %). Dans l'ensemble, cependant, c'est le SVM qui a présenté la précision la mieux équilibrée (96 %) et a également gagné en capacité par rapport aux autres méthodes pour éviter les détections de faux positifs. Il était particulièrement apparent

pour la région du bassin, où la précision=92 % contre 89 % offerte par la régression logistique et les classificateurs XGBoost.

Des taux élevés de précision de classification se sont traduits par des résultats de segmentation tout aussi bons (tableau 2), qui ont de nouveau été évalués à l'aide du coefficient de Jaccard. Cette fois, cependant, il a été calculé comme la somme des IoU déterminés pour chaque région séparément, puis pondérés par son support, c'est-à-dire le nombre de voxels de vérité terrain représentant une classe donnée. Afin de permettre la comparaison avec les autres travaux, nous avons recalculé les taux de Jaccard obtenus en coefficients de Dice (F1-score) avec la formule.

En utilisant notre algorithme, nous avons obtenu le coefficient de Jaccard moyen pour la classe de cortex dans la partie gaucheun reinégal à 93,2 pour cent. Dans le cas des autres régions, l'IoU équivalait à environ 91 %, à l'exception de la classe du bassin dans la partie gaucheun rein où il est tombé à 90,1 pour cent. La qualité de la segmentation fine peut être confirmée visuellement en analysant des exemples deun rein décomposition en régions illustrée à la figure 7. Afin de permettre l'évaluation dans un contexte plus large, nous avons également effectué une segmentation avec deux méthodes alternatives proposées dans la littérature. La première consiste à extraire les caractéristiques du signal DCE en utilisant la transformée en ondelettes discrète (DWT) avec l'ondelette de Daubechies-4, comme postulé par exemple dans [12]. Ensuite, nous avons classé les vecteurs de coefficient DWT à l'aide de l'algorithme SVM. Dans la deuxième méthode comparée, les vecteurs de caractéristiques PCA ont été regroupés à l'aide d'un algorithme k-means (avec k=3), comme décrit dans [14]. Cette deuxième approche n'a pas réussi à distinguer correctement le cortex et la moelle. La majorité des voxels représentant les deux régions ont été embrassés dans un groupe commun et seul le bassin a été reconnu comme une partie autonome du parenchyme sur la plupart des coupes transversales. Contrairement aux résultats obtenus par clustering, les régions produites de manière supervisée à l'aide de la description de voxels basée sur DWT sont plus précises. Cependant, le nombre de fausses reconnaissances est apparemment plus élevé que dans le cas des vecteurs de caractéristiques PCA. Le score de précision équilibré obtenu pour le classificateur SVM n'était que de 78 % dans ce cas. Voir les deux dernières lignes du tableau 3 pour la comparaison quantitative de ces schémas de partitionnement alternatifs avec Xgboost, la régression linéaire et le meilleur algorithme SVM/PCA de notre étude.

Les résultats de l'étape de segmentation ont été utilisés pour déterminer les signaux moyens dans le cortex rénal. Ce signal a ensuite été adapté au modèle pharmacocinétique 2CFM. La figure 8 montre commentun reintaux de filtration glomérulaire(SK-GFR) ainsi obtenus correspondent aux scores pertinents issus des annotations manuelles. Les valeurs moyennes de SK-GFR pour tous les sujets et les études obtenues après segmentation automatique et manuelle sont similaires (56 contre 55 mL/min/1,73 m2) et la différence observée est statistiquement non significative (statistique T=0.75, valeur p=0.46). De plus, l'ajustement linéaire entre les deux types de mesures prouve leur bonne correspondance avec r2=0.13 et 0.49 pour les sessions d'examen RM 1 et 2, respectivement.

Les diagrammes de Bland – Altman illustrés à la figure 9 nous permettent d'évaluer la concordance des DFG totaux avec les taux basés sur l'iohexol de la vérité terrain. Avant l'application de la méthode de Bland-Altman, la distribution normale des mesures a été confirmée à l'aide du test de Shapiro-Wilk. Les valeurs de p obtenues sont données dans les légendes des graphiques correspondants. La différence moyenne pour l'examen IRM session 1 en termes de valeurs absolues était plus faible pour les segmentations manuelles ( ü0.8 contre ü7.4 mL/min/1.73 m2). Dans le cas de la session 2, les valeurs de ╱d étaient cohérentes entre les méthodes de segmentation, même si l'accord avec la méthode de référence était plus faible. L'algorithme proposé semble toutefois légèrement plus performant ( ü 12,9 contre ü 14,1 mL/min/1,73 m2). Sur la base des résultats obtenus, il n'a pas été possible de décider quelle approche de segmentation garantissait des limites d'accord plus étroites. Dans le cas de la session 1, la comparaison a favorisé la segmentation manuelle (π=31.3 versus 35,5 mL/min/1,73 m2). Cependant, les limites d'accord et les intervalles de confiance les plus étroits pour toutes les expériences ont été obtenus pour la session 2 et l'étiquetage automatique (π=25.1 mL/min/1.73 m2). Les deux approches de segmentation ont conduit à des résultats reproductibles (voir tableau 4) avec un coefficient de variation égal à 30,2 % dans le pire des cas (segmentation manuelle, gaucheun rein). Apparemment, la segmentation automatique assurait une meilleure stabilité avec des coefficients de variation deux fois plus faibles que dans le cas des contreparties manuelles. Les valeurs p obtenues dans les tests t de Student pour les échantillons associés étaient toutes supérieures au niveau de confiance a=0.05, ce qui montre des preuves insuffisantes contre l'hypothèse nulle selon laquelle il n'y a pas de différence significative entre les moyennes observées des mesures SK-GFR. Cependant, la valeur p calculée pour le rein gauche et la segmentation manuelle était relativement faible. Une enquête plus approfondie, impliquant potentiellement un échantillon plus important, est nécessaire pour confirmer ou infirmer la répétabilité des mesures dans ce cas.

4. Discussion

L'objectif principal de cette étude était de concevoir une méthode efficace pourun reinsegmentation dans les images DCE-MR. Nous avons combiné les concepts partiellement proposés dans des travaux précédemment publiés dans un cadre de calcul uniforme. Il englobe la segmentation sémantique grossière du parenchyme rénal, la transformation PCA des évolutions temporelles du signal MR pour créer une représentation numérique des voxels, puis permettre leur classification pour produire une segmentation fine du tissu rénal en cortex, médullaire et bassin. L'approche proposée conduit à des résultats précis, permettant une reconnaissance rénale au taux de 94% en termes de coefficient de Jaccard. La segmentation de compartiments rénaux particuliers peut être obtenue avec une IoU comprise entre 90 % et 93 % (96 à 95 % du coefficient de Dice), selon le type de tissu.

En se référant à d'autres résultats publiés, les ratios obtenus sont soit en bon accord, soit légèrement inférieurs. Dans [14], le score de Dice pour les personnes en bonne santéun reinla segmentation a été signalée au niveau de 99 % (cortex), 98 % (médullaire) et 96 % (pelvis). Cependant, il a également été montré pour les données simulées que le bruit de l'image peut dégrader considérablement la précision à 82–85 %. Étant donné que les protocoles d'imagerie utilisés ici et dans notre étude différaient à la fois en ce qui concerne la résolution spatiale et temporelle, les écarts observés de l'ordre de 1 à 2 % peuvent être attribués à divers niveaux de bruit dans nos études. Des conditions de balayage comparables ont été utilisées dans un groupe de patients pédiatriques dans [15]. Le score F1-moyen observé ici était égal à 93 % pour l'ensembleun rein, et 86 % pour le cortex rénal. Dans [12], la segmentation basée sur le clustering a été évaluée à l'aide de scores de précision. Les résultats moyens obtenus étaient : 88 % - cortex, 91 % - médulle et 98 % - bassin. Ces valeurs peuvent être appelées collectivement le score de précision équilibré qui tient compte de la taille d'un segment donné. Ainsi, notre modèle SVM semble surpasser l'approche basée sur le clustering offrant une précision de classification, ainsi que des taux de rappel au niveau de 96% même pour la plus grande région du cortex.

Enfin, le réseau CNN voué à la reconnaissance de l'ensembleun reindécrit dans [26] a montré des performances inférieures à celles de notre conception U-Net, obtenant un score F1-= 91.4 % pour les sujets de test normaux.

Les différences observées dans les résultats de segmentation doivent également être considérées à la lumière de la configuration apprentissage-rappel de l'algorithme. Contrairement à certaines approches alternatives [11,14], notre stratégie est indépendante du patient. Une fois les modèles de segmentation et de classification sémantiques construits, ils sont appliqués à de nouvelles études, non rencontrées dans l'ensemble d'apprentissage. Par conséquent, les caractéristiques spécifiques au patient ne peuvent pas guider le mécanisme de reconnaissance et peuvent ne pas correspondre au modèle formé, ce qui diminue le taux de précision global. De plus, comme indiqué ci-dessus, en raison de l'effet de volume partiel persistant aux frontières entre le cortex, la moelle et le bassin, il reste une certaine dose d'incertitude concernant les segmentations manuelles de référence qui doivent être prises en compte lors de l'analyse des métriques rapportées. Bien que le classificateur SVM ait été formé sur des signaux de vérité au sol soigneusement sélectionnés et distincts des tissus, les données de validation, qui doivent englober tous les voxels rénaux, peuvent encore souffrir du subjectivisme des annotations de l'observateur.

Outre la puissance observée pour produire des résultats de segmentation précis, notre stratégie possède une caractéristique avantageuse. Étant donné que nous utilisons un classificateur supervisé pour attribuer des voxels d'image à desun reinrégions, il n'est pas nécessaire d'effectuer une étape d'étiquetage distincte. Dans le cas du clustering, il est nécessaire de fournir une heuristique pour interpréter la catégorie réelle de chaque cluster, si l'automatisation de l'ensemble de la procédure doit être assurée.

Comme l'illustre la figure 10, il existe principalement deux sources d'écart entre les annotations automatiques et manuelles. Premièrement, la frontière entre le cortex et les pyramides médullaires est ambiguë et les voxels correspondants sont partiellement remplis des deux types

du tissu rénal. Alors que la méthode automatique tend à inclure ces voxels dans la classe du cortex, ils ont souvent été désignés comme medulla par l'expert. D'autre part, même la segmentation manuelle n'est pas cohérente à cet égard ce qui prouve la difficulté de décider arbitrairement de la classe de voxels où l'effet de volume partiel est dominant. Deuxièmement, de fausses détections peuvent être observées par exemple sur les bords corticaux externes. Ces effets peuvent être attribués au mauvais repérage des images dans le domaine temporel. La méthode d'enregistrement b-spline appliquée n'a pas été optimisée pour les besoins de cette étude et reste le sujet de notre future enquête.

Les expériences menées ont également montré que l'algorithme de segmentation proposé améliore la répétabilité de l'estimation SK-GFR basée sur l'image. Les coefficients de variation calculés s'élevaient à 14,5 % et 17,5 % pour la gauche et la droite.reins, respectivement. Dans le cas des annotations manuelles, nous avons obtenu CoV=30.2 % et 29,4 % . Ces résultats doivent être évalués par rapport à la variation naturelle du DFG causée par des facteurs indépendants, tels que le régime alimentaire et l'heure de la journée. On s'attend à ce que le taux de créatinine sérique, qui est bien corrélé au DFG, puisse atteindre un degré de variation allant jusqu'à 10 % [43]. Par conséquent, un CoV d'env. 15 % indique une bonne répétabilité de la procédure qui utilise desun reinsegmentation. De plus, les métriques de répétabilité obtenues se situent dans la plage de valeurs présentée ailleurs, par exemple, dans [44] CoV=32 % et 27 %, alors que dans [13], CoV=17, 5 % et 15,4 % pour la gauche et la droitereins, respectivement. Dans cette dernière étude, cependant, le CoV a été calculé uniquement à partir du rapport de σsm et de la moyenne de toutes les mesures, sans le facteur supplémentaire de ′2. Si ce facteur de correction est pris en compte, leurs CoV déclarés deviennent 24,7 % et 21,8 %, ce qui est assez proche de nos résultats.

On peut relever trois limites à notre étude. Premièrement, le partitionnement supposé en patchs d'images peut incliner le réseau de segmentation sémantique à apprendreun reinemplacements uniquement à proximité de l'un des bords du patch. Par conséquent, dans le développement ultérieur de nos modèles, nous étudierons comment l'algorithme fonctionne si le champ de vision d'acquisition est configuré différemment. Deuxièmement, l'algorithme de segmentation a été conçu en utilisant uniquement des sujets sains. Elle peut avoir des conséquences particulièrement importantes en cas de segmentation fine du parenchyme rénal. Ajuster le modèle de classification aux reins malades peut nécessiter d'étendre le nombre de classes à plus de trois catégories (cortex, moelle et bassin) afin de refléter diverses caractéristiques temporelles des lésions du tissu rénal. Troisièmement, afin de calculer le GFR, nous avons ajusté le modèle 2CFM au signal DCE moyen estimé dans le cortex segmenté. En raison de l'effet de volume partiel, la segmentation manuelle et automatique peut classer certains voxels comme médullaires, bien qu'ils contiennent des glomérules rénaux. Ignorer ces voxels peut être l'une des raisons des écarts observés entre les mesures de GFR dérivées d'images et basées sur l'iohexol. Afin de surmonter ce problème, certains auteurs [5] proposent d'utiliser la ROI du rein entier pour s'assurer que tous les voxels contribuant à la filtration rénale sont inclus dans le processus d'ajustement du modèle PK. Nous avons cependant constaté que cette approche conduit à une surestimation remarquable du DFG pour les ensembles de données disponibles dans notre étude. Par conséquent, à l'avenir, nous prévoyons d'appliquer des techniques de super-résolution basées sur l'apprentissage en profondeur et d'essayer d'obtenir des annotations plus précises des voxels corticaux.

De plus, une approche entièrement 3D de la segmentation sémantique devrait être exploitée. On peut s'attendre à ce qu'un réseau de neurones capable de traiter des volumes MR entiers produise desun reinannotations grâce à des informations de profondeur supplémentaires. Cependant, le problème dans cette étude a dû être réduit à deux dimensions en raison du nombre relativement faible d'études disponibles pour la formation. La décomposition des images volumétriques en coupes 2D a permis d'augmenter considérablement l'ensemble de données d'apprentissage.

Finalement, comme décrit précédemment, l'approche proposée a été validée à la manière d'un sujet exclu. 10 modèles de réseaux de neurones et de classificateurs efficaces et indépendants ont été créés. Une question légitime est de savoir comment ces modèles pourraient être appliqués à de nouveaux sujets extérieurs à l'échantillon disponible dans cette étude. Une option serait de créer un ensemble et d'introduire un mécanisme de vote. Alternativement, un nouveau schéma de segmentation pourrait être formé (englobant à la fois des étapes grossières et fines) basé sur l'ensemble de l'échantillon de 10-sujets. Ses performances vis-à-vis des nouveaux jeux de données devraient être comparables aux résultats présentés ci-dessus.

cistanche peut soulagerun reindouleur, cliquez ici pour en savoir plus

5. Conclusions

Pour conclure, dans cet article, nous avons démontré un cadre de calcul pour soutenir l'évaluation quantitative deun reinperfusion en fournissant un moyen automatisé de segmentation des compartiments rénaux. Les résultats de précision obtenus prouvent le fonctionnement fiable de la méthode conçue. De plus, dans nos expériences, des approches alternatives pour discriminer les segments du cortex, de la moelle et du bassin, basées sur des transformées en ondelettes et des algorithmes de clustering, fonctionnent moins efficacement. La répétabilité de la mesure SK-GFR basée sur des segments trouvés automatiquement s'améliore par rapport aux résultats du traitement manuel et reste également en bon accord avec d'autres résultats publiés. La méthode de segmentation conçue permet un objectivisme accru des paramètres de perfusion dérivés de l'image et également un diagnostic potentiellement plus rapide des insuffisances rénales. Ces découvertes rapprochent l'application clinique de l'imagerie DCE-MR comme méthode de routine dansun reinDiagnostique. Enfin, afin de faciliter ce passage de la recherche au domaine applicatif, nous mettons à disposition notre framework logiciel de modélisation pharmacocinétique sur [39]. Le référentiel comprend également les scripts pour l'extraction et la classification des caractéristiques basées sur les signaux DCE.

Les contributions de l'auteur:Conceptualisation, AK ; méthodologie, AK et EE ; logiciel, AK ; validation, AK ; analyse formelle, AK ; enquête, AK ; ressources, EE et AL ; conservation des données, EE ; rédaction—préparation du brouillon original, AK ; rédaction—révision et édition, AL et EE; visualisation, AK ; supervision, AL ; administration du projet, AK Tous les auteurs ont lu et accepté la version publiée du manuscrit.

Financement:Cette recherche n'a reçu aucun financement externe.

Déclaration du comité d'examen institutionnel :L'étude a été menée conformément à la Déclaration d'Helsinki et le protocole a été approuvé par les Comités régionaux d'éthique de la recherche médicale - Norvège occidentale (REC West 2012/1869).

Déclaration de consentement éclairé :Tous les sujets ont donné leur consentement éclairé à l'inclusion avant de participer à l'étude.

Déclaration de disponibilité des données :Les images DCE-MR utilisées dans cette étude ne peuvent pas être mises à disposition car le consentement écrit signé par les participants ne couvre pas l'accord de diffusion publique des données acquises.

Les conflits d'intérêts:Les auteurs ne déclarent aucun conflit d'intérêt.

Références

1. Zabell, JR ; Larson, G.; Koffel, J.; Couvercle.; Anderson, JK; Poids, CJ Utilisation de l'équation de modification du régime alimentaire dans l'insuffisance rénale pour l'estimation Taux de filtration glomérulairedans la littérature urologique. J.Endourol. 2016, 30, 930–933.

2. Delaney, P. ; Ebert, N.; Melsom, T.; Gaspari, F.; Mariat, C.; Cavalier, E.; Bjork, J.; Christensson, A.; Nyman, U. ; Porrini, E.; et coll. Clairance plasmatique de l'iohexol pour la mesureTaux de filtration glomérulairedans la pratique clinique et la recherche : une revue. Partie 1 : Comment mesurertaux de filtration glomérulaireavec de l'iohexal ? Clin.Un reinJ. 2016, 9, 682–699.

3. Annet, L. ; Hermoye, L.; Peeters, F.; Jamar, F.; Dehoux, JP; Van Beers, BE Débit de filtration glomérulaire : évaluation avec IRM dynamique à contraste amélioré et un modèle de compartiment cortical chez le lapinun rein. J. Magn. Réson. Imagerie 2004, 20, 843–849.

4. Sourbron, SP ; Michaely, HJ; Reiser, MF; Schoenberg, SO Mesure par IRM de la perfusion et de la filtration glomérulaire chez l'hommeun reinavec un modèle à compartiment séparable. Investig. Radiol. 2008, 43, 40–48.

5. Tofts, P. ; Cutajar, M.; Mendichovszky, I.; Peters, A.; Gordon, I. Mesure précise de la filtration rénale et des paramètres vasculaires à l'aide d'un modèle à deux compartiments pour l'IRM dynamique à contraste amélioré duun reindonne des valeurs normales réalistes. EUR. Radiol. 2012, 22, 1320-1330.

6. Chen, B. ; Zhang, Y.; Chanson, X. ; Wang, X.; Zhang, J.; Fang, J. Estimation quantitative de la fonction rénale avec IRM dynamique à contraste amélioré à l'aide d'un modèle modifié à deux compartiments. PLoS ONE 2014, 9, e105087.

7. Cutajar, M. ; Mendichovszky, I.; Tofts, P.; Gordon, I. L'importance de la sélection AIF ROI dans la renographie DCE-MRI : reproductibilité et variabilité de la perfusion et de la filtration rénales. EUR. J. Radiol. 2010, 74, e154–e160.

8. Lee, VS ; Rusinek, H.; Bokacheva, L.; Huang, AJ; Oesingmann, N.; Chen, Q.; Kaur, M.; Prince, K.; Chanson, T. ; Kramer, EL; et coll. Mesures de la fonction rénale à partir de la rénographie IRM et d'un modèle multicompartimental simplifié. Un m. J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559.

9. Patlak, CS ; Blasberg, RG Évaluation graphique des constantes de transfert sang-cerveau à partir de données d'absorption à plusieurs reprises. Généralisations. J. Cereb. Flux sanguin Metab. 1985, 5, 584–590.

10. Hackstein, N. ; Heckrodt, J.; Rau, WS Mesure de mono-un reintaux de filtration glomérulaire à l'aide d'une séquence d'écho de gradient dynamique à contraste amélioré et de la technique de tracé de Rutland-Patlak. J. Magn. Réson. Imagerie 2003, 18, 714–725.

11. Zöllner, F. ; Sance, R.; Rogelj, P.; Ledesma-Carbayo, M.; Rørvik, J.; Santos, A.; Lundervold, A. Évaluation du DCE-IRM 3D dureinsen utilisant l'enregistrement d'image non rigide et la segmentation des cours de temps de voxel. Calcul. Méd. Graphique d'imagerie. 2009, 33, 171-181.

12. Li, S. ; Zöllner, F.; Merrem, A.; Peng, Y.; Roervik, J.; Lundervold, A.; Schad, L. Segmentation basée sur les ondelettes des compartiments rénaux dans le DCE-IRM de l'hommeun rein: Premiers résultats chez les patients et volontaires sains. Calcul. Méd. Graphique d'imagerie. 2012, 36, 108–118.

13. Eikefjord, E. ; Andersen, E.; Hodneland, E.; Hanson, E.; Sourbron, S.; Svarstad, E.; Lundervold, A.; Rørvik, J. Mesure IRM dynamique à contraste amélioré de la fonction rénale chez des participants en bonne santé. Acta Radiol. 2017, 58, 748–757.

14. Yang, X. ; Le Minh, H.; Cheng, KTT ; Chanté, KH ; Liu, W. Segmentation du compartiment rénal dans les images DCE-MRI. Méd. Image anale. 2016, 32, 269-280.

15. Yoruk, U. ; Hargreaves, BA; Vasanawala, SS Segmentation rénale automatique pour l'urographie IRM à l'aide de 3D-GrabCut et de forêts aléatoires. Magn. Réson. Méd. 2018, 79, 1696-1707.

16. Lundervold, AS ; Lundervold, A. Un aperçu de l'apprentissage approfondi en imagerie médicale axé sur l'IRM. Z. Für Med. Phys. 2019, 29, 102–127.

17. Khan, Z. ; Yahya, N.; Alsaih, K.; Ali, ASS ; Meriaudeau, F. Évaluation des réseaux de neurones profonds pour la segmentation sémantique de la prostate en IRM T2W. Capteurs 2020, 20, 3183.

18. Shelhamer, E.; Long, J. ; Darrell, T. Réseaux entièrement convolutifs pour la segmentation sémantique. IEEE Trans. Modèle Anal. Mach. Renseignement. 2017, 39, 640–651.

19. Badrinarayanan, V. ; Kendall, A.; Cipolla, R. SegNet : une architecture d'encodeur-décodeur à convolution profonde pour la segmentation d'images. IEEE Trans. Modèle Anal. Mach. Renseignement. 2017, 39, 2481–2495.

20. Ronneberger, O.; Fischer, P.; Brox, T. U-Net : Réseaux convolutifs pour la segmentation d'images biomédicales. Dans Actes de la 18e Conférence internationale sur l'imagerie médicale et l'intervention assistée par ordinateur, Munich, Allemagne, 5-9 octobre 2015 ; p. 234–241.