자기공명영상을 이용한 신장 기능 평가 프레임워크

추상적인 목적: 신장 전문의경험적으로 예측했다신장 기능~에서신장 형태. 경과불명의 신기능장애를 진단하는 경우에는 혈액검사와 자기공명영상(MRI) 등의 영상검사를 통해 급성신장손상, 만성신장질환을 진단하고 검사·치료방침을 결정합니다. Dixon 방법을 사용하여 얻은 물 영상으로부터 신장 기능을 추정하기 위한 프레임워크를 제안하여 임상의가 정확한 추정을 통해 진단에 도달하는 데 도움이 되는 정보를 제공합니다.신장 기능신장 MRI를 기반으로합니다.

CISTANCHE EXTRACT WITH 25% ECHINACOSIDE AND 9% ACTEOSIDE FOR KIDNEY FUNCTION

신장 기능을 위한 25% 에키나코사이드와 9% 액테오사이드가 함유된 천연 유기농 시스탄체 추출물을 얻으려면 여기를 클릭하세요

접근하다:제안된 프레임워크는 4단계로 구성됩니다. 먼저, 딥러닝을 통해 U-net을 이용한 Dixon 방식을 사용하여 MRI로 신장 부위를 추출합니다. 둘째, 추출된 신장 영역을 타겟 마스크에 등록한다. 셋째, 전문가가 생성한 타겟 마스크 분류 정보를 기반으로 신장 특징을 계산한다. 넷째, 추정사구체 여과율(eGFR)을 대표하는신장 기능계산된 특징으로부터 회귀 지원 벡터 머신을 사용하여 추정됩니다.

결과:정확도 평가를 위해 우리는eGFRMRI를 시행했을 때와eGFR기울기는 eGFR의 연간 감소율입니다. 165명의 피험자를 대상으로 정확도를 평가한 결과, eGFR의 RMSE(제곱평균제곱근)는 11.99, 상관계수는 0.83으로 추정되었습니다. 또한 eGFR 기울기의 RMSE는 4.8, 상관계수는 0.5로 추정되었습니다.

결론:따라서 제안하는 방법은 Dixon 방법으로 얻은 수분 영상을 기반으로 신장 기능의 예후를 예측할 수 있는 가능성을 보여준다.

키워드:정량적 추정사구체 여과율; 자기 공명 영상;신장.

1. 소개

만성 신장 질환(CKD)는 추정치의 지속적인 감소로 정의됩니다.사구체 여과율(eGFR) ~<60 mL∕ min per 1.73 m2, the presence of abnormalities suggestive of renal injuries, such as proteinuria, or both.1,2 When CKD progresses, renal replacement therapy is required. Moreover, CKD is also important as an underlying condition related to동맥 경화증그리고면역결핍, 그래서CKD여러 가지 주요 사망 원인과 관련이 있다고 볼 수 있습니다.1,2CKD이는 전 세계 인구의 8%~16%에 영향을 미치는 세계적인 의학적 문제입니다.3 CKD의 원인은 다양하기 때문에 특별한 치료적 개입은 없으며 질병을 조기에 발견하고 위험 요인을 통제하는 것이 필요합니다. 신장 손상.

CISTANCHE EXTRACT WITH 25% ECHINACOSIDE AND 9% ACTEOSIDE FOR KIDNEY FUNCTION

신장 전문의가 환자를 치료할 때신장 기능 장애임상 경과를 알 수 없는 경우 신장 전문의는 실험실 데이터 및 병력 외에 신장에 대한 영상 소견을 참조하는 경우가 많습니다. 이를 위해서는 신장 초음파촬영, 복부골반 X선 컴퓨터 단층촬영, 신장 자기공명영상(MRI)이 유용합니다. 신장 전문의는 형태학에 의해 암시되는 잠재적 신장 기능을 예측하고 치료 계획에 이러한 잠재력을 반영합니다. MRI는 연조직 대비 측면에서 특히 좋은 해상도를 가지며, 적절한 영상 방법을 사용하면 피질수질 경계와 같은 신장 내부 구조에 대한 자세한 정보를 얻을 수 있습니다.4 또한 MRI는 또한 신장의 생리학적 측면에 대한 데이터를 제공합니다. 혈액 산소화의 T2* 값레벨 의존적(굵은 글씨) 방법은 CKD의 진행을 유발할 수 있는 허혈/저산소증 지수로, CKD의 악화 속도와 유의한 상관관계가 있습니다.5,6 확산 강조 영상의 겉보기 확산 계수 값은 지수입니다. 이는 신장 섬유화와 관련이 있으며 신장 생검의 병리학적 소견과 유의미한 상관관계가 있다.7 위에서 설명한 바와 같이 MRI는 비침습적이고 다면적인 신장 평가 방법으로 기대가 높으나, MRI는 한 가지 단점이 있어 포괄적인 정량화가 가능한 방법이 없다. 이미지.

전통적으로 의료 영상은 관심 영역(ROI) 방식으로 측정되었습니다. ROI 방식에서는 직사각형이나 원형의 영역을 선택하고 해당 영역의 신호세기의 평균값을 대표값으로 사용한다. 이 방법의 문제점은 관찰자가 임의로 결정을 내릴 경우 위치 정보를 포함하기 어려울 수 있다는 점, 영상의 일부만 측정할 수 있다는 점 등이 있습니다. Pruijm 등5은 신장 영역을 12개 층으로 나누어 신장 영역을 분석하는 12-층 동심 객체(TLCO) 방법을 제안했습니다. TLCO법은 신장 부위의 내부와 외부를 지정하고 12개 층을 기준으로 전체 부위를 분석하는 방법이다. 신장의 외부(피질) 영역과 내부(수질) 영역은 구조와 기능이 서로 다르며, TLCO 방법은 신장의 독특한 구조를 고려합니다. 또한 TLCO 방법은 단순히 외부 영역과 내부 영역을 특정하여 전체 신장 영역을 층화하여 분석하기 때문에 ROI 방법보다 더 안정적인 것으로 보고되었습니다.8 그러나 임상적으로 얻은 영상은 다음과 같은 경우 위축되거나 변형될 수 있습니다. 신장이 손상되어 개인차가 나타나거나 낭종이 있을 수 있습니다. 이처럼 신장을 여러 층으로 고르게 나누는 것이 항상 가능하지 않아 결과가 불안정합니다. 따라서, 완전 자동화되고 안정적인 신장 분석 방법이 요구되고 있다.

신장 영상에 대한 종합적인 정량화 방법으로 Kuo 등9은 딥러닝과 초음파 영상을 활용하여 검사 시 eGFR을 추정하는 방법을 제안했습니다. 대조적으로,컴퓨터 보조 진단(CAD) 신장 MRI에 대한 연구와 이식된 신장에 대한 연구가 보고되었습니다. Khalifa 등10은 시계열 동적 조영증강 자기공명영상(DCE-MRI) 방법을 사용하여 이식된 신장의 거부반응을 추정하는 프레임워크를 제안했습니다. 이 방법에서는 시계열 DCE-MRI로 얻은 영상을 정렬하고 level-set 방법을 사용하여 신장 영역을 추출합니다. 그런 다음 정렬을 수정하고 추출된 신장 영역의 밝기를 기반으로 피질을 계산하고 분석합니다. Shehata 등11은 딥러닝을 활용하여 이식된 신장의 거부반응을 추정하는 방법을 제안했습니다. DCE-MRI 방법은 조영제가 필요하므로 적용할 수 없습니다.만성콩팥병 사례. 또한, 손상된 신장에서는 밝기를 기준으로 피질을 추출하는 것이 어렵습니다.

CISTANCHE EXTRACT WITH 25% ECHINACOSIDE AND 9% ACTEOSIDE FOR KIDNEY FUNCTION

본 연구에서는 위와 같은 문제점을 해결하고 임상시험에 적용할 수 있는 신장 MRI의 종합적인 평가 방법을 개발하고자 하였다. 신장 형태와 신장 기능의 밀접한 관계를 이용하여 신장의 내부 구조를 평가하는 Dixon 방법에서 사용하는 수분 이미지를 이용하여 표적 평가를 하였으며, 정확한 라벨은 신장의 지표인 eGFR이었습니다. 기능. Dixon 기술은 지방과 물 사이의 공명 주파수 차이에 의존하므로 지방만, 물만, 동위상 및 역위상 이미지를 획득합니다.12 물이 풍부한 신장에서는 장기 실질은 지방으로 둘러싸여 있으며 Dixon 또는 유사한 지방 억제 이미지는 신장 실질을 주변 구조와 명확하게 구별합니다. 우리는 U-net을 이용하여 자기공명영상에서 신장영역을 추출하고, 추출된 신장영역을 타겟마스크에서 비강체로 변환한 후, 이 영역을 기반으로 분석하는 방법을 제안한다.(주)엘코대상 마스크의

CISTANCHE EXTRACT WITH 25% ECHINACOSIDE AND 9% ACTEOSIDE FOR KIDNEY FUNCTION

그림 1. Dixon 방법을 이용한 MRI로부터 사구체 여과율 기울기를 추정하기 위해 제안된 CAD 시스템.

2 재료 및 방법

제안된 자동화 프레임워크는 그림 1과 같다. 제안된 프레임워크는 Dixon 방법의 MRI를 처리하기 위해 다음 네 단계를 사용한다.

1. U-net을 이용하여 주변 복부 구조로부터 신장 부위를 분할합니다.

2. 3차원(3D) 라벨링을 통한 소음 제거. 3. 신장 부위와 타겟 마스크를 단단하지 않게 등록합니다. 4. TLCO 계산. 5. 회귀 지원 벡터 머신(SVM)에 의한 신장 기능(eGFR) 추정.

본 논문에서 제안하는 방법은 기존에 보고된 TLCO 방법의 단점을 보완하고 측정 과정을 자동화하는 자동 TLCO(A-TLCO) 방법이다. 제안하는 방법과 기존의 수동 TLCO 방법을 구별하기 위해 구체적인 방법을 설명하면 다음과 같다.

2.1 신장 부위

U-net에 의해 주변 복부 구조로부터 분할됩니다. 본 연구에서 사용된 Dixon 방법의 수중 이미지에서는 신장 영역이 명확합니다. 또한 이 섹션에서는 신장 영역의 대략적인 추출에 대해 설명합니다. 따라서 의료 영상의 영역 추출에 좋은 결과를 제공하는 것으로 알려진 U-net을 사용하기로 결정했습니다.13 Dixon 수중 영상의 Coronal 단면을 사용했습니다. 피사체당 슬라이스된 이미지는 3~6개이며, 이미지 크기는 320×320이다. 174건의 1201개 이미지를 사용하였다. 모든 이미지는 전문가가 신장 분할 이미지로 제작했습니다. 그림 2는 신장 영역 추출에 사용된 U-net을 보여줍니다. 네트워크는 신장, 신장 경계 및 기타 조직의 세 가지 클래스를 구별합니다. 그러나 다른 조직 클래스와 비교하여 신장 경계 클래스에는 샘플 분포가 불균형합니다. 우리는 네트워크를 훈련할 때 이러한 불균형을 보상하고 보다 정확한 학습을 달성하기 위해 가중 교차 엔트로피 손실을 사용했습니다. 우리는 네트워크 출력과 실제 레이블 비교를 위해 가중 교차 엔트로피 손실이 있는 소프트맥스를 사용했습니다.

CISTANCHE EXTRACT WITH 25% ECHINACOSIDE AND 9% ACTEOSIDE FOR KIDNEY FUNCTION

그림 2 본 연구에서 신장 영역 추출에 사용된 U-net 아키텍처.

CISTANCHE EXTRACT WITH 25% ECHINACOSIDE AND 9% ACTEOSIDE FOR KIDNEY FUNCTION

그림 3. U-net을 이용한 신장 영역 추출 결과: (a) 원본, (b) 마스크, (c) 결과.

50 에포크의 비용 최소화는 학습률 0.0001의 적응형 모멘트 추정 최적화 프로그램을 사용하여 수행되었습니다. 이 네트워크의 훈련 시간은 NVIDIA TITAN RTX GPU × 2가 설치된 워크스테이션에서 약 1시간이었습니다. 총 1201개의 이미지를 600개와 601개의 이미지로 나누고 분류를 수행하여 신장 영역을 추출했습니다. 그런 다음 모든 피험자를 대상으로 신장 기능 평가 실험을 수행했습니다. 그림 3은 U-net을 통해 얻은 추출 결과를 보여준다. 그림 3(a)는 입력 영상이고, 그림 3(b)는 교사 영상이다. 그림 3(c)는 추출 결과를 보여준다. 위양성(false positives)이 거의 없고, 신장 부위에 가까운 부위를 추출할 수 있음을 확인할 수 있다.

2.2 허위 탐지

3D 라벨링을 통한 제거 U-net으로 검출한 신장 부위는 정확도가 높았으나 오검출이 발생했습니다. 그림 4(b)와 같이 신장 이외의 장기에 대해서는 위양성이 추출된다. 이는 U-net을 64×64 패치로 학습시키면 패치 크기보다 큰 공간 정보가 손실되기 때문일 수 있습니다. 이러한 문제를 개선하기 위해 Faster R-CNN14나 YOLOv3,15와 같은 객체 검출을 통해 신장의 위치를 검출하고 좁은 영역에 의미론적 분할을 적용하는 등의 방법이 고려되고 있다. 하지만 이번 연구에서는 U-net을 통해 신장의 경계가 잘 구분되어 있고, 다른 장기에 대한 위양성이 거의 없어 과정을 복잡하게 할 필요가 거의 없다. 따라서 주제별로 3D 라벨링을 실시하고 면적이 큰 부분 이외의 부분은 제외하기로 결정했습니다. 처리된 결과는 그림 4와 같다. 그림 4(a)~4(c)는 U-net에 의한 추출 결과를 보여준다. 신장 부위 이외의 부위에서도 위양성이 발생하는 것을 확인할 수 있습니다. 그림 4(d)~4(f)는 3D 라벨링 결과와 2500픽셀 이하의 3D 영역을 제외한 영역을 보여줍니다. 이 과정을 전체 1201 영상에 적용하였고, 신장 부위가 우발적으로 발생한 사례는 없음을 확인하였다.

CISTANCHE EXTRACT WITH 25% ECHINACOSIDE AND 9% ACTEOSIDE FOR KIDNEY FUNCTION

그림 4 U-net으로 얻은 신장 영역: (a) 슬라이스 1, (b) 슬라이스 2, (c) 슬라이스 3. 3D 라벨링을 통한 노이즈 영역 제거 결과: (d) 슬라이스 1, (e) 슬라이스 2, (f) 슬라이스 3.

2.3 신장 부위 및 표적 마스크의 비강성 등록

신장 기능을 평가하는 효과적인 방법은 신장을 해부학적으로 고려하면서 신장의 구조를 분석하는 것이다.5,16 그러나 전문가가 수동으로 신장 부위를 추출하려면 시간과 노력이 필요하다. 또한, 수동으로 측정하면 전문가에 따라 다른 결과가 나올 수 있습니다. 따라서 우리는 U-net에서 추출한 모든 신장 영역을 하나의 타겟 마스크에 등록하여 모든 영상의 피질과 수질의 위치를 자동으로 식별하는 방법을 제안합니다. 등록 방법은 MATLAB 함수를 사용하여 두 단계로 수행됩니다. 첫 번째 단계는 밝기 기반 아핀 변환입니다. 밝기 기반 등록 방법은 두 이미지 간의 유사도를 계산하고 유사도가 높도록 아핀 변환을 반복한 후 유사도가 가장 높은 기하학적 변환(이동/회전/스케일링/전단)을 추정합니다. 처리 결과는 그림 5에 표시됩니다. 그림 5(a)는 원본 이미지입니다. 그림 5(b)는 U-net으로 신장 영역을 추출한 결과를 보여준다. 그림 5(c)는 타겟 마스크이다. 그림 5(c)는 전문의가 추출한 정상 신장 영상의 신장 부위이다. 일반적인 환자의 신장은 2개입니다. 본 연구에서는 신장을 더 넓은 면적으로 분석합니다. 그림 5(b)에서는 왼쪽 신장이 더 크다. 이로써 왼쪽 신장이 추출되어 타겟 마스크에 등록됩니다. 그림 5(d)는 대상 마스크의 유사색상 이미지와 추출된 신장의 초기 위치를 보여줍니다. 유사 색상 이미지는 대상 마스크를 녹색으로, 추출된 신장을 자홍색으로, 두 부분의 겹치는 픽셀을 흰색으로 표시합니다. 아핀 변환의 결과는 그림 5(e)에 나와 있습니다. 다음으로 밝기 기반 변위장을 이용한 정합을 통해 형상을 미세하게 수정한다.9,10 본 논문에서는 Thirion's Demons 알고리즘을 기반으로 변위장을 이용하여 정합을 수행한다.1,2 변위장을 이용한 그림 5(e)는 그림 5(f)와 같다. 미세한 형상이 대상 마스크에 접근하도록 수정되었습니다. 그림 5(g)는 이미지의 최종 정합을 보여줍니다.

CISTANCHE EXTRACT WITH 25% ECHINACOSIDE AND 9% ACTEOSIDE FOR KIDNEY FUNCTION

그림 5 강성 변환 결과: (a) 원본 이미지, (b) U-net 결과, (c) 대상 마스크, (d) 초기 위치, (e) 아핀 변환, (f) 변위 필드 및 (g) ) 등록 결과입니다.

CISTANCHE EXTRACT WITH 25% ECHINACOSIDE AND 9% ACTEOSIDE FOR KIDNEY FUNCTION

2.4 TLCO 계산

본 연구에서는 신장 기능 분석을 위해 TLCO 방법을 사용합니다. TLCO 방법은 신장 실질의 내부(수질측) 및 외부(피질측) 경계를 지정하고 신장 영역을 외부에서 내부까지 12개 층으로 나눕니다. TLCO 논문에는 레이어링 방법이 설명되어 있지 않다.8 따라서 본 연구에서는 측지 거리 변환을 이용하여 TLCO를 계산하였다.17 측지 거리 변환을 통해 신장 영역의 이진 영상과 시드 영상을 입력하면 거리 변환 영상은 다음과 같다. 시드 이미지를 기반으로 생성됩니다. 그림 6(a)는 전문가가 추출한 신장 영역의 이진 이미지를 보여줍니다. 그림 6(b)는 전문가가 만든 시드 이미지를 보여줍니다. 그림 6(c)는 측지선 거리 변환의 유사 색상 이미지를 보여줍니다. 그러나 그림 6(c)에 표시된 이미지는 신장 영역을 12개 층으로 나누어 얻은 이미지가 아닙니다. 따라서 측지거리 변환 결과는 12개의 레이어로 정규화되었다. 구체적으로, 레이어 수를 최대값으로 나누고 12를 곱하였다. 정규화된 측지선 거리 변환 유사색상 영상은 그림 6(d)에 도시되어 있다. 타겟 마스크는 TLCO 방법의 계산에 직접적인 영향을 미치기 때문에 매우 중요합니다. 본 연구에서는 전문의가 선택한 정상 신장 영상과 영역이 가장 넓은 신장 영상의 두 가지 영상을 사용하기로 결정했다. TLCO법은 신장을 12층으로 나누기 때문에 위축된 신장이 작아 계산이 어렵다. 따라서 면적이 작은 신장 영상은 타겟 마스크로 사용할 수 없습니다. 그림 7은 환자의 MRI 영상에 TLCO 방법을 적용한 결과를 보여준다. 그림 7(a)는 전문가가 선택한 일반 영상이다. 그림 7(b)는 그림 7(a)에서 전문가가 신장 영역을 추출한 결과를 보여줍니다. 그림 7(c)는 TLCO 방식으로 12개 레이어로 구분된 유사색상 이미지이다. 그림 7(d)는 면적이 가장 넓은 신장의 이미지이다. 그림 7(e)는 전문가가 그림 7(d)에서 신장 부위를 추출한 결과를 보여준다. 그림 7(d)는 TLCO 방식으로 12개 레이어로 구분된 유사색상 이미지이다.