Automatizirano mjerenje ukupnog volumena bubrega u pretkliničkoj magnetskoj rezonanciji za prikupljanje slikovnih podataka, komentara i izvornog koda

Kontakt:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791

Ekstrakt cistanke dobar je za rad bubrega

Marie E. Edwards1, Sigapriya Periyanan1, Deema Anaam2, Adriana V. Gregory1 i Timothy L. Kline1,21 Odjel za nefrologiju i hipertenziju, klinika Mayo, Rochester, Minnesota, SAD; i 2Odjel za radiologiju, Klinika Mayo, Rochester, Minnesota, SAD

Cilj ove studije bio je potvrditi potpuno automatizirani ukupni iznosbubregmetodu mjerenja volumena za pretklinička ispitivanja na glodavcima koja je brza, točna, ponovljiva i koja pruža te resurse istraživačkoj zajednici. Studije na glodavcima koje uključuju snimanje ključne su za praćenje učinkovitosti liječenja bolesti kao što je policističnabubregbolest. Prethodne studije koristile su ručnu ili poluautomatiziranu segmentaciju, koja je dugotrajna i potencijalno pristrana. Za razvoj našeg automatiziranog sustava, ukupno 150 slika aksijalne magnetske rezonancije (MRI) iz različitih modela miševa ručno je segmentirano i korišteno za obuku/potvrdu automatiziranog algoritma. Kako bi se testirala uzdužna primjena modela, četiri mutantna i četiri divlja miša snimljena su uzastopno tijekom tri do dvanaest tjedana putem MRI-a. Segmentacije bubrega (isključujući bubrežnu zdjelicu) generirane su automatiziranom metodom i dva različita čitača, pri čemu je jedan čitač ponavljao mjerenja. Izračunate su metrike sličnosti i longitudinalna analiza kako bi se procijenila izvedba automatiziranih u usporedbi s ručnim metodama. Automatizirani pristup nije zahtijevao korisnički unos, osim završnog koraka vizualne kontrole kvalitete. Mjerila sličnosti automatizirane metode u odnosu na ručne segmentacije bila su jednaka usporedbama između i unutar čitatelja. Stoga se naš potpuno automatizirani pristup koji je ovdje opisan može sigurno koristiti u longitudinalnim, pretkliničkim ispitivanjima koja uključuju segmentaciju bubrega glodavaca u T2-ponderiranim MRI.

Ova je studija razvila potpuno automatiziranu metodu za mjerenje ukupnog iznosabubregvolumen za pretkliničku sliku u modelu policističnih mutantnih miševabubregbolest kao i miševi divljeg tipa. Ova je studija također utvrdila varijabilnosti interreadera i intrareadera u mjerenju ukupnog volumena bubrega za pretkliničko oslikavanje. Slične studije i algoritamski pristupi mogu se koristiti za uspostavljanje metoda za kliničke slikovne podatke i potrebni su za točnu prognozu bolesti i donošenje kliničkih odluka. Mi pružamo slikovne podatke, komentare i izvorni kod istraživačkoj zajednici.

Pokazalo se da je mjerenje volumena organa u korelaciji s kliničkim manifestacijama i morbiditetom bolesti kao što su totalnabubregvolumen (TKV) kod autosomno dominantne policističnebubregbolesti (PKD)1,2 i koristi se za utvrđivanje učinkovitosti intervencija liječenja.3 Istraživanja, klinička ispitivanja i sve više klinička nefrologija koriste ta mjerenja za praćenje progresije bolesti i na životinjskim modelima4 i na pacijentima,5 procjenjuju učinkovitost terapija,6 te predvidjeti ishode.7

Trenutno se neviđenom brzinom provode pretkliničke studije u potrazi za novim tretmanima za usporavanje napredovanja PKD-a. Ključna prednost magnetske rezonancije (MRI) u životinjskim modelima PKD-a je mogućnost korištenja in vivo snimanja, što omogućuje longitudinalne volumetrijske studije koje koriste istu životinju.8 Brojne studije koje uključuju ručne, 4,9-12 poluautomatizirane, 13,14, i automatizirane segmentacije15,16 miša temeljene na registracijibubregaizvedeni su ranije.

Mnoge metode koje se smatraju automatiziranim i dalje zahtijevaju korisnički unos. Većina tih pretkliničkih studija koristi ručne segmentacije, koje oduzimaju mnogo vremena i skupe su te unose pristranost promatrača. Stoga je naš laboratorij procijenio varijabilnost u mjerenju TKV i razvio automatizirani program analize za mjerenje TKV u skeniranju magnetskom rezonancijom mišjih modela bolesti.

REZULTATI

Intra- i interobserver varijabilnost ručnog bubrega

segmentacije

Slika 1 prikazuje rezultate Bland-Altmanove analize TKV-a mjerene ručno pomoću 2 čitača (varijanca između promatrača) i ponovljenih mjerenja pomoću čitača 2 (varijanca unutar promatrača). Kada je čitač 1 uspoređen s čitačem 2, postojala je srednja postotna razlika od 7,7 posto i 95-postotni interval pouzdanosti od 4,5 posto. Kada je čitač 2 izvršio ponovljena mjerenja iste slike, postojala je srednja postotna razlika od 0,5 posto i 95 postotni interval pouzdanosti od 3,9 posto. Regresijska analiza pokazala je da postoji visoko slaganje u TKV među svim metodama, s vrijednošću R2 od $0,99.

Validacija algoritma automatizirane segmentacije

Automatizirana metoda uspoređena sa svakim čitačem u odnosu na postotnu razliku TKV-a bila je slična onoj varijance među promatračima i unutar promatrača kao što je sugerirano Bland-Altmanovim grafikonima na slici 1. Kada je čitač 1 uspoređen s automatiziranom metodom, bilo je srednja postotna razlika od 5,2 posto i 95 postotni interval pouzdanosti od 5,8 posto. Kada je čitač 2 uspoređen s automatiziranom metodom, postojala je srednja postotna razlika od 2,5 posto i 95 postotni interval pouzdanosti od 6,5 posto.

Razlika između miševa divljeg tipa i mutiranih miševa

Prosječna vrijednost i SD TKV su iscrtani u svakoj vremenskoj točki za svaku metodu i odvojeni prema genotipu (mutant naspram divljeg tipa). Kao što se vidi na slici 2, srednji TKV je uvijek manji u miševa divljeg tipa u svakoj vremenskoj točki nego u miševa mutiranih. Sve 3 metode (automatizirane, čitač 1 i čitač 2) pokazuju značajno odvajanje tipova miševa u dobi od 9 i 12 tjedana.

RASPRAVA

Analizabubregvolumen u PKD je jedna od najvažnijih metrika koja se trenutno koristi za karakterizaciju statusa bolesti. Prije našeg rada nije bilo alternative ručnom praćenjububregau modelnim sustavima PKD. Zbog vremena potrebnog za praćenje ovih struktura, kao i vremena potrebnog za osposobljavanje osobe za izvođenje ovih mjerenja, te mogućnosti varijabilnosti među operaterima, u ovoj smo studiji razvili i potvrdili potpuno automatiziranu metodu segmentacije za TKV. Automatske segmentacije izračunavaju se za nekoliko minuta (ovisno o snazi ​​računala), dok ručne segmentacije traju od 20 do 40 minuta. Za razliku od ručnih ili čak poluautomatiziranih metoda segmentacije, ova automatizirana metoda će dati iste rezultate svaki put kada se primijeni na istu sliku.

Pretklinička ispitivanja često obuhvaćaju i kontrolnu skupinu i skupinu(e) za liječenje; stoga automatizirana metoda mora biti dovoljno osjetljiva da na odgovarajući način otkrije razlike u volumenu između skupina.17 Slika 2 pokazuje da i ručna segmentacija i automatizirana segmentacija pokazuju značajno odvajanje u skupinama divljeg tipa i mutantnih skupina u dobi od 9 tjedana. Iako je sveukupno slaganje bilo izvrsno, vizualne usporedbe ukazale su na manja neslaganja o tome treba li uključiti ili isključiti bubrežnu zdjelicu u malom podskupu rezova. Iako je uobičajena praksa isključiti

Slika 1|Bland-Altmanova i regresijska analiza (a,e) interobserverskog i (b,f) intraobserverskog ukupnog volumena bubrega (TKV)

mjerenja (mjerena u mililitrima) uz automatiziranu (Auto) metodu u usporedbi s (c,g) čitačem 1 i (d,h) čitačem 2.

Bland-Altmanovi grafikoni pokazuju srednju razliku (puna linija) i 95 postotni interval pouzdanosti (isprekidane linije). Regresijska analiza pokazuje korelaciju između uspoređivanih metoda.

Slika 2|Ukupni volumen bubrega divljeg tipa i mutiranih miševa prikazan je tijekom vremena (3-12 tjedana starosti) za automatizirani (automatski)

metoda (lijevo), čitač 1 (u sredini) i čitač 2 (desno). Sve 3 metode pokazuju značajno odvajanje tipova miševa u dobi od 9 tjedana.

Trake pogrešaka označavaju SD. *P <>

bubrežne zdjelice, varijabilnost bi se mogla smanjiti ako se čitatelje uputi da uvijek uključuju ovu strukturu.

Automatizirana metoda predstavljena u ovoj studiji još nije primijenjena na vanjske slike. Važno je napomenuti da se intenzitet signala razlikuje ovisno o mjestu, skeneru i MRI snimanju. Vjerojatno bi veći skup podataka za obuku s više različitih slučajeva iz različitih MRI strojeva mogao postići robusniji model zbog prirode algoritama dubokog učenja. Automatizirane algoritme poput ovih često treba ponovno uvježbati na vanjskim skupovima podataka zbog varijacija u MRI signalima. Stoga istraživačkoj zajednici pružamo slikovne podatke, bilješke i izvorni kod kako bi druge skupine mogle koristiti isti model ili razviti vlastiti.

METODE

Podaci o obuci/validaciji

Model je treniran na 100 slučajeva i validiran na 50 slučajeva. Tih 150 slučajeva sastojalo se od miševa s različitom težinom bolesti i u rasponu dobi. Skup za testiranje potpuno je zadržan i to smo procijenili u ovom članku.

Ispitna studijska kohorta

Ovu studiju pregledao je i odobrio Odbor za institucionalnu skrb i korištenje životinja Klinike Mayo. Kohorta se sastojala od divljeg tipa C57Bl6 129s6Svev/Tac (n=4; 2 ženke/2 mužjaka) i C57Bl6 129s6Svev/Tac (n=4; 2 ženke/2 mužjaka) mutanta Pkd1RC /RC model miševa. Mutirani miševi odražavaju ljudsku manifestaciju PKD1 i genetski i fenotipski.18 Jedan od mutantnih miševa je umro usred eksperimenta i zamijenjen je drugim mutantnim mišem iste dobi u 9. tjednu.

Akvizicije slika

Snimanje je provedeno korištenjem spektrometra Avance DRX 700WB (Bruker BioSpin, Billerica, MA). Potpuna pokrivenostbubregadobiveno je aksijalnim TurboRARE T{{0}}ponderiranim prikupljanjem rekonstruiranim s ravninskom rezolucijom od 0,1 mm i 1-mm debljinom presjeka (veličina matrice, 256 256 Z, sa Z odabranim velikim dovoljno da pokrije puni opsegbubrega). Ukupno vrijeme skeniranja bilo je od 5 do 10 minuta. U kohorti studije testiranja, svaki miš je snimljen u 4-vremenskim točkama (3, 6, 9 i 12 tjedana starosti). Vremenske točke za svakog miša izvedene su u razmaku od 2 dana kako bi se osigurali dosljedni parametri snimanja i ograničile varijacije u okolišu.

Analiza slike

Regije od interesa praćene su na svakom skeniranju pomoću softverskog paketa za snimanje (Analyze, verzija 12.0, Biomedical Imaging Resource, Mayo Clinic, Rochester, MN). Svaki čitatelj dobio je upute da isključi bubrežnu zdjelicu kada bubrežna zdjelica nije okruženabubregkapsula unutar presjeka slike. Ručne segmentacije trajale su od 20 do 40 minuta, ovisno o slučaju. Televizije su izračunate tako da se prvo zbroji broj voksela sadržanih unutar segmentacije na svakom odsječku, a zatim se broj voksela pomnoži s volumenom voksela dobivenim iz zaglavlja slike. Za podatke testiranja, dva dvostruko slijepa čitača (1 i 2), oba s iskustvom u ručnoj MRI segmentaciji, izvršila sububregsegmentations on all scans. For intrareader analysis, reader 2 repeated the measurements at 2-time points (>u razmaku od 3 mjeseca).

Automatizirana metoda

Model neuronske mreže prilagođen je našem prethodnom modelu za mjerenje TKV iz koronarnih T2-ponderiranih slika magnetske rezonancije iz kliničkih skeniranja.19 Izvorni kod, slike i bilješke javno su dostupni na: https:// github.com/ TLKline/AutoTKV_MRI miša.

Statistička analiza

Slike aksijalne T2-vagane magnetske rezonancije dobivene po mišu (n=8) u svakoj vremenskoj točki (3, 6, 9 i 12 tjedana) korištene su za statističku analizu. Ukupno 32 slike omogućile su usporedbu različitih slika u širokom rasponu dobi i razlika u fenotipovima. Za provjeru valjanosti potpuno automatizirane metode korištena je usporedna statistika za procjenu sposobnosti svake metode za odvajanje divljeg tipa i mutantnih skupina. To je postignuto iscrtavanjem TKV-a prema vremenskoj točki i odvajanjem prema vrsti miša. TKV mjerenja i stope rasta za svaku metodu također su procijenjene pomoću Bland-Altmanovih i linearnih regresijskih dijagrama.

RAZOTKRIVANJE

Svi autori izjavili su da nema suprotstavljenih interesa.

ZAHVALA

Ovaj rad poduprli su Klinika Mayo Robert M. i Billie Kelley Pirnie Translational PolycysticBubregDisease Center i Nacionalni institut za dijabetes i probavni sustavBubregBolesti (brojevi odobrenja P30DK090728 i K01DK110136). Autori zahvaljuju Lynnae M. Henry na njezinoj administrativnoj podršci u pripremi i oblikovanju ovog rukopisa.

REFERENCE

1. Grantham JJ, Torres VE, Chapman AB, et al. Progresija volumena kod policistične bolesti bubrega.N Engl Med.2006;354:2122-2130.

2. Torres VE, Chapman AB, Devuyst O, et al. Tolvaptan u bolesnika s autosomno dominantnom policističnom bolešću bubrega. N Engl J Med.2012;367:2407-2418.

3. Caroli A, Perico N, Perna A, et al. Učinak dugodjelujućeg analoga somatostatina na rast bubrega i ciste u autosomno dominantnoj policističnoj bubrežnoj bolesti (ALADIN): randomizirano, placebom kontrolirano, multicentrično ispitivanje. Lancet.2013;382:1485-1495.

4. Wallace DP, Hou YP, Huang ZL et al. Praćenje volumena bubrega u miševa 14. Almajdub M, Magnier L, Juillard L, et al.Bubregkvantifikacija volumena kod policistične bubrežne bolesti magnetskom rezonancijom. Kidney Int.2008;73:778-781.

5. Grantham J, Torres VE, Važnost ukupnog volumena bubrega u procjeni progresije policistične bolesti bubrega. Nat Rev Nephrol. 2016;12:667-677.

6. Higashihara E, Torres VE, Chapman AB, et al. Tolvaptan u autosomnom 16. Gleason SS, Sari-Sarraf H, Abidi MA, et al. Nova deformabilna dominantna policistična bolest bubrega: trogodišnje iskustvo. Cin J Am Soc Nephrol. 20116:2499-2507.

7. Irazabal MV, Rangel L, Berastralh EJ, et al, Slikovna klasifikacija autosomno dominantne policistične bolesti bubrega: jednostavan model za odabir pacijenata za klinička ispitivanja. JAm Soc Nephrol.2015;26:160-172.

8. Olazabal MV, Mishra PK, Torres VE, et al. Korištenje MRI ultra visokog polja u modelima policističnih bolesti kod malih glodavacabubregbolesti za Vivo fenotipizaciju i praćenje lijekova. J Vis Exp.2015;100:e52757.

9. Erokwu BO, Anderson CE, Flask CA, et al. Kvantitativna magnetska rezonancija procjena napredovanja autosomno recesivne policistične bolesti bubrega i odgovora na terapiju u životinjskom modelu. Pediatr Res.2018;83:1067-1074.

10. Doctor RB, Serkova NU, Hasebroock KM, et al. Različiti obrasci rasta ciste bubrega i jetre u pkd2(WS25/-) miševa. Nephrol dijal transplantacija. 2010;25:3496-3504.

11. Franke M, Baessler B, VechtelJ, et al. T2 mapiranje magnetskom rezonancijom i difuzijski ponderirana slika za rano otkrivanje cistogeneze i odgovora na terapiju u mišjem modelu policistične bolesti bubrega. Kidney Int. 2017:92:1544-1554.

12. Zhou X, Bao H, Takakura A, et al. Evaluacija policistične bolesti bubrega magnetskom rezonancijom u modelu miša s PKD1 nokautiranim ishemijom-reperfuzijom: usporedba T2-ponderiranog FSE i pravog FISP. Invest Radiol.2010;45:24-28.

13. Fei B, Flask C, Wang H, et al. Segmentacija slike, registracija i vizualizacija serijskih MR slika za terapijsku procjenu policističnihbubregbolesti kod transgenih miševa. Conf Proc IEEE Eng Med Biol Soc. 2005;1:467-469.

14. Almaidub M, Maanier L, Juillard L, et al,Bubregkvantifikacija volumena korištenjem in vivo rendgenskog mikro-CT-a pojačanog kontrastom u miševa. Contrast Media Mol Imaging.2008;3:1 20-126.

15. Hadjidemetriou S, Reichardt W, Hennig J, et al. Volumetrijska analiza MRI podataka praćenja liječenja policističnihbubregbolesti u mišjem modelu. MAGMA.2011;24:109-119.model za analizu rendgenskih CT slika u pretkliničkim studijama miševa na policističnu bubrežnu bolest.IEEE Trans Med Imaging. 2002;21:1302-1309.

16. Gleason SS, Sari-Sarraf H, Abidi MA, et al. Novi deformabilni model za analizu rendgenskih CT slika u pretkliničkim studijama miševa na policističnu bolest bubrega. IEEE Trans Med Imaging.2002;21:1302-1309.

17. Reichardt W, Romaker D, Becker A, et al. Praćenje volumena bubrega i bubrežnih cista primjenom MR pristupa na mišjem modelu ADPKD-a tretiranom rapamicinom. MAGMA.2009;22:143-149.

18. Hopp K, Ward C, Hommerding C, et al. Funkcionalna doza policistina-1 upravlja autosomno dominantnim policističnim bolestimabubregozbiljnost bolesti. J Cin Invest. 2012:122:4257-4273.

19. Kine TLKorfatis P, Edwards ME, et al, Performance of an artificial multi-observer deep neural network for fully automated segmentation of policističnibubrega.JDigit Imaging.2017;30:442-448.