文献速递泌尿生殖腹部USMR

多囊肾病患者三维超声图像的肾脏总体积自动测量及其与MR测量的比较

Automated measurement of total kidney volume from 3D ultrasound images of patients affected by polycystic kidney disease and comparison to MR measurements.
PubMed 文献 · Abdom Radiol (NY) · 2022-04-27

研究纳入22例常染色体显性多囊肾病(ADPKD)患者,每例双肾各扫描3次共132次三维超声,训练卷积神经网络自动分割全肾并测量肾脏总体积(TKV),并与人工勾画及MRI测量比较。AI分割平均Dice系数0.80,AI与参考标准体积测量R²=0.93、偏倚-4.12%;MRI与US体积测量R²=0.84、偏倚7.47%。作者认为该方法在自动分割和TKV测量方面表现有前景,接近人工勾画和MRI测量。

要点

  • ADPKD患者三维超声自动分割全肾平均Dice系数0.80,AI与参考标准TKV测量R²=0.93、偏倚-4.12%。
  • MRI与US测量的肾脏体积高度相关,R²=0.84,Bland-Altman偏倚7.47%。
  • 多囊肝病例中US测量因肝腎分界困难而高估体积,可致ADPKD分级偏移。

核心结论

  • 这是首项将深度学习应用于ADPKD患者三维超声的研究,方法在自动分割肾脏以测量TKV方面表现有前景,接近人工勾画和MRI测量。
  • 作者认为该影像与分析方法可能适用于儿科影像、临床研究和患者疾病进展的纵向追踪等多种场景。

研究设计与样本

  • 单中心研究,纳入22例ADPKD患者,每例患者双肾各扫描3次,共132次三维超声扫描并人工分割。
  • 使用Philips EPIQ 7系统C5-1凸阵探头(1–5 MHz)及电磁定位系统采集轴向三维超声图像,2D B模式,图像增益54%–68%。
  • 训练集:验证集:测试集按患者层面为15:2:5,分别对应90:12:30次扫描;采用迁移学习的2D U-Net模型分割全肾并测量TKV。
  • 全部22例患者均行MRI检查(冠状位T2加权脂肪抑制,层厚3–4 mm),以MRI测量的肾脏体积为参考标准。

关键影像表现/征象

  • 三维超声图像存在强度、形状和大小变异,部分大肾脏超出探头视野,左右肾需分别扫描。
  • 测试集30次扫描中AI分割平均Dice系数0.80、Jaccard指数0.67、体积相似度0.89、MCC 0.83、HD-95% 20.65、AUC 0.91。
  • 验证集Dice系数0.86;肾脏起始和结束帧的Dice评分低于中心帧,主要因类别不平衡更明显。
  • 两名阅片者间Dice系数0.77,读者间一致性R²=0.81、偏倚-4.42%,一致性界限-72.04%至62.20%。

诊断标准与关键数值

  • AI自动分割与参考标准比较:R²=0.93,偏倚-4.12%,一致性界限-54.88%至46.64%。
  • 人工勾画与参考标准比较:R²=0.81,偏倚-4.42%。
  • MRI与US测量肾脏体积比较:R²=0.84,偏倚7.47%,一致性界限-70.29%至55.35%。
  • ADPKD Mayo分类工具基于患者年龄、TKV和身高进行1A至1E分组;22例中MRI与US共同分类3例为1A组,US手动测量使1B和1C各多1例(分别来自1C和1D),另1例由1D移入1E。

临床应用与阅片要点

  • 三维超声自动分割可在无需专家手动勾画的情况下测量ADPKD患者TKV,AI预测与人工勾画及MRI测量相关性好。
  • 多囊肝病例中US测量因难以区分肝脏与肾脏而高估肾脏体积,手动勾画和AI预测均存在此问题。
  • 扫描间变异性约56 mL,可使处于ADPKD分级阈值边界的患者发生组别偏移,作者认为从US数据进行ADPKD分级时需考虑该变异带来的余量。
  • 作者认为在MRI具有挑战性而需频繁监测肾脏体积时,US成像可能可用于测量TKV。

局限性

  • AI模型性能虽好,但测试数据集小,扩大数据集后可能进一步提升。
  • 部分超声图像因强度和对比度问题严重影响肾脏勾画。
  • 两名阅片者间Dice系数0.77,主要因图像质量导致肾脏边界检测困难。
  • 多囊肝病例中US手动勾画和AI预测均测量出更高的肾脏体积。
  • 扫描间变异约56 mL可使边界患者ADPKD分组发生偏移。
全文中译14 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Abdom Radiol (NY). 2022 Apr 27;47(7):2408–19. doi: 10.1007/s00261-022-03521-5

引言

多囊肾病(PKD)是一种遗传性疾病,囊肿在肾脏内形成,导致肾脏增大并随时间推移丧失功能[1]。每十名PKD患者中有九名为常染色体显性遗传型(ADPKD)[2, 3]。在ADPKD中,囊肿主要在肾脏中形成,但也可能出现在其他器官中,如肝脏。目前,美国约有140,000人被诊断为ADPKD[4]。随着时间的推移,肾脏和肝脏体积稳步增大,导致肾功能下降[5, 6]。特别是,肾脏弹性与肾功能相关[7]。PKD无法治愈,但透析、肾移植、降压药物和手术切除囊肿是可选的治疗方案。如果在早期阶段被诊断和监测,则可能有更好的治疗选择。

测量肾脏和肝脏体积是量化ADPKD严重程度的一些最重要的生物标志物,并用于临床决策[8–10]。此外,许多研究发现,TKV连同年龄、身高和估算肾小球滤过率(eGFR)是预测肾功能下降的有用预后生物标志物[11–13]。Bae等人[14]报道了通过手动分割肾脏体积中的切片来进行基于MRI的ADPKD肾脏体积测量。然而,为体积测量标注每个切片是费力的,为克服这一问题,许多研究人员最近利用人工智能进行自动肾脏分割[15–19]。Keshwani等人[20]使用3D卷积神经网络(CNN)在CT扫描中进行自动肾脏分割。Sharma等人[16]使用具有视觉几何组(VGG)类结构的CNN从ADPKD的CT数据集进行自动肾脏分割。在MR图像中,Mu等人使用3D V-Net模型在ADPKD数据进行自动肾脏分割[21]。van Gastel等人[22]使用语义分割在ADPKD患者的MR图像中自动测量肾脏和肝脏体积。Kline及其团队使用实例分割[23]和语义分割[24]在ADPKD患者的T2加权MR图像中进行肾囊肿分割以计算总囊肿体积。

除MRI和CT成像外,超声(US)成像也广受欢迎,并被广泛用于诊断急性和慢性肾脏疾病[25, 26]。Kuo等人[27]使用二维US图像,利用ResNet对肾脏图像进行自动分类,以确定慢性疾病状态,但未使用分割。Mahmud等人[28]使用矢量图形检测图像分析从二维图像中检测肾脏和囊肿边界,并结合各种纹理分析、滤波和图像块,从有限数据中检测肾脏边界。然而,未发现该研究在大型数据上有进一步更新,也未报道任何其他团队的发展。使用深度CNN从US数据计算的成像特征改善了先天性肾脏和尿路异常儿童与对照者的分类[29]。然而,这些解剖学指标的计算通常涉及US图像中肾脏的手动或半自动分割,需要多名人工标注者,增加了操作者间变异性,降低了可靠性,并限制了其在临床医学中的实用性。使用AI在US图像中进行自动肾脏分割近期没有进展。US图像具有不规则的扫描平面采集和低图像对比度,使得准确分割肾脏变得困难。图像质量、图像大小和放大倍数、增益、不均匀的强度和对比度,以及移动US探头时的人为变异性,都导致了US图像分割面临的挑战[30]。拥有广泛的数据集有助于克服单张图像的伪影,并实现更好的模型训练。对于小数据集,数据增强是一种用于在训练数据中引入变异性的技术,有助于模型训练[31]。

从US图像中进行自动且可靠的肾脏分割,将在许多临床情况中提高精确性和效率,包括先天性肾脏疾病、肾脏肿块检测和肾结石。很少有研究报道使用深度学习进行US肾脏分割。Wu等人[32]报道了用于二维US图像自动肾脏分割的级联全卷积DenseNet。在68例患者的461张图像上,级联FC-DenseNet使FC-DenseNet的平均交并比略有提高。Yin等人[33]使用预训练的VGG16模型和权重(即基于迁移学习的方法)对二维US图像进行自动肾脏分割,随后使用Deeplab网络进行边界距离回归(Bnet)和逐像素分类。该算法在289张图像上进行了训练,但该研究仅限于整个肾脏最大的二维矢状面图像。由于单张二维图像不能产生肾脏体积的准确测量,特别是在类似ADPKD的疾病中,囊肿常产生非常不规则的形状,因此三维US扫描对于获得准确的TKV测量至关重要。这种变异性严重降低了AI模型在肾脏形状、成像方案变异性、仪器分辨率和成像视野方面的性能。最近,Breysem等人使用三维US作为MRI的替代方法,测量ADPKD患儿的肾脏体积,发现二维US测量的肾脏体积显著低于三维US,而三维US测量的TKV接近MRI测量值[34]。因此,需要进一步开发基于US的肾脏成像和分割,以理解问题并提高AI模型在分割中的性能。

在本研究中,为缓解上述二维图像的部分问题,我们使用附着在超声探头上的电磁追踪器采集三维超声图像。该追踪器可追踪探头在空间中的位置和角度,从而生成一组对齐二维图像的三维堆叠。总肾脏体积(TKV)由肾脏三维图像计算得出。我们训练了一个U-Net模型,利用三维超声图像分割肾脏,从而能够自动测量TKV。本研究所有参与者均同时接受了磁共振成像(MRI)检查,以MRI测量的肾脏体积作为参考标准。使用人工智能赋能的三维超声测量TKV,可能成为MRI在诊断和监测常染色体显性多囊肾病(ADPKD)患者存在困难时的一种替代方法。

方法与材料

美国罗切斯特梅奥诊所机构审查委员会批准了本研究方案,并获得每位参与者的知情同意。患者数据在使用前已进行匿名化处理。表1显示了22例患者的人口学信息和计算的体重指数(BMI)。研究中有14名参与者为女性(64%),8名为男性(36%)。研究队列的平均年龄和中位年龄分别为51岁(最小值=28,最大值=70)和48岁。患者平均身高和中位身高分别为1.71和1.68。5例患者BMI正常(即BMI在18.5至24.9 kg/m2之间),11例患者超重(即BMI在25至29.9 kg/m2之间),6例患者肥胖(即BMI为30 kg/m2或更高)。

表1 ADPKD研究队列的人口学特征 查看原表 ↗

超声成像

我们使用了22例ADPKD患者的轴向采集三维超声肾脏图像。每例患者的双肾均成像三次,共产生132组图像集(22例患者×(左肾3次扫描+右肾3次扫描))。图像使用Philips EPIQ 7系统采集,采用C5-1凸阵探头,宽带频率范围为1–5 MHz,并配备电磁探头定位系统。本研究选择二维B模式成像。调整分辨率/速度设置以提高图像分辨率。时间增益补偿和图像增益根据每例患者进行优化,图像增益范围为54%至68%。使用附着在探头上的电磁追踪器记录探头方向的自由手扫查,将肾脏二维横断面图像基于探头方向对齐,构建三维体数据堆叠。图像大小为256×256或512×512;帧数(Z维度)从300到700不等。轴向采集的DICOM格式超声图像使用SimpleITK和Python转换为NIfTI格式。使用为超声图像定制的半自动内部开发软件对每一帧的肾脏进行标注[35]。两名经验丰富的阅片者在三维超声图像上手动描迹进行肾脏分割。阅片者1(A.V.G.)对所有数据进行标注,而阅片者2(H.L.H.)对54次扫描的子集(9例患者×6次扫描)进行标注,以测量阅片者间一致性。

深度学习模型

每个图像集均经过零填充或裁剪至320×320×Z,以确保整个肾脏始终完全包含在体积内。在扫描序列中,序列开头和结尾的许多帧不包含任何数据,为避免数据不平衡问题,此类空白(零强度)帧被剔除。阈值的选取标准为帧内至少包含20%非零像素。在患者层面按15:2:5的比例分为训练集:验证集:测试集,分别得到90:12:30次扫描,其中每次扫描由300–700层切片组成。数据增强包括±15°旋转和随机弹性形变,使训练数据集规模增加三倍,旨在为训练数据引入变异性以提高模型泛化能力。我们观察到随机翻转会降低模型性能,而高斯噪声对模型性能影响极小或无影响(因此未用于最终训练实验)。

本研究采用迁移学习方法。使用我们先前报道的2D U-Net模型[19]的架构和权重在美国数据上训练用于肾脏分割(U-Net结构示意图见补充数据图S1)。训练了一个6层2D U-Net模型(滤波器数量从32到1024,卷积核尺寸从(7,7)到(5,5)再到底层的(3,3),并在解码器顶层逐渐恢复至(7,7))用于在美国图像中分割整个肾脏。模型输入数据形状为(3, 256, 256),使用中心切片上用户创建的掩膜。U-Net最后一层应用sigmoid激活函数。学习率为10–6,损失函数为Dice损失。每个模型训练200个epoch。模型在Keras中实现,后端为TensorFlow,在Nvidia V100(32 GB内存)上训练。

磁共振成像

所有22例接受超声成像的患者同时也接受了MRI检查,包括在冠状面获取的3–4 mm层厚的T2加权脂肪抑制序列[19]。未设立单独分组分别接受某一种成像技术。我们将先前描述的模型[19]应用于所有22例作为自动化MRI测量。这些分割的肾脏掩膜由专家图像分析员(A.V.G.)进一步进行质量检查。如需修正则对掩膜进行校正,以最终确定分割并测量肾脏体积。

ADPKD分类

Mayo ADPKD分类工具[36, 37]应用于MRI和超声图像的ADPKD分组分类。该工具使用患者年龄、TKV和患者身高的信息。

结果

数据处理

超声肾脏图像具有可变的强度、形状和大小,如图1a–d所示。与MRI和CT不同,超声成像由于探头视野的限制需逐个肾脏扫描。在某些情况下,视野可能不足以对大肾脏进行成像(图1a)。每位受试者左右肾脏测量值的变异性如图1e所示。均值和标准差取自每个 individual 肾脏的三次扫描。

图1 肾脏超声图像。这些图像展示了常见挑战,包括a大肾脏尺寸、b小视野、c对比度变化和d居中肾脏。e显示左右肾脏超声体积测量值(每位受试者的均值和偏差 查看原图 ↗

U-Net模型训练与测试数据评估

使用预训练权重(来自MRI模型)的U-Net模型在90次扫描(15名患者×2个肾脏×3次扫描)上训练,并用12次扫描(2名患者×2个肾脏×3次扫描)进行验证,如图2所示。通过迁移学习从预训练权重训练的U-Net模型在验证数据上获得的Dice相似系数(DSC)为0.86(图2a)。训练好的U-Net模型用于在留出测试数据集上预测肾脏分割以进行进一步分析。在30次扫描(5名患者×6次扫描)的测试数据集上,模型的DSC为0.80、Jaccard指数为0.67、体积相似度(VS)为0.89、Matthews相关系数(MCC)为0.83、平均Hausdorff距离及95百分位最大距离(HD-95%)为20.65、AUC为0.91。表2将这些参数以30次扫描的均值±标准差形式列出,并附有假阴性(FN)以及模型预测与Reader1和Reader2的比较。最后一行比较了Reader1和Reader2的指标参数。

此外,逐层计算DSC以观察肾脏形状和大小在类别不平衡中的贡献以及对AI模型性能的影响。将包含整个肾脏的切片编号分为10个节段。对肾脏的每个节段计算DSC,如表3所示,分别为Reader1 vs. Reader2和Reader1 vs AI预测。手动标注和基于AI的肾脏区域自动可视化如图3所示。粗体数值表示AI在肾脏最大面积切片上的表现与人工描画相似或更好。

我们还将模型性能与其他最先进的U-Net模型进行了比较,这些模型分别以VGG16、EfficientNet-B0、DensNet101和ResNet50为骨干网络,如补充数据表S1所示。我们选择这些可训练参数接近我们提出的模型(约18 M)的基础模型。具有各种骨干网络的基线U-Net在相同的训练数据和验证数据上进行训练以进行比较。训练中使用了来自‘imagenet’的预训练权重。

图2. 使用预训练权重训练的2D U-Net模型 a 训练曲线和 b 损失曲线 查看原图 ↗
表2 模型预测及与Reader1和Reader2的比较 查看原表 ↗
表3 肾脏不同切片的Dice评分 查看原表 ↗
图3 基于AI模型的全肾预测与真实标注全肾比较的典型示例 查看原图 ↗

读者间和扫描内变异性

两名医学影像分析专家在三维超声(US)图像上标注肾脏,用于计算每位读者在肾脏分割中的一致性。图4展示了读者间相关性以及某位读者与AI预测肾脏体积的比较,采用Bland–Altman相关方法。Bland–Altman图以百分比((方法1 − 方法2)/均值%)在同一尺度上显示测量值之间的差异,由于数据中肾脏体积存在变异范围,因此该图很有用。第一行显示了Reader1和Reader2对54次扫描的读者间观察结果,线性回归R2为0.81(图4a),而Bland–Altman显示偏倚(平均差异)为− 4.42%。该偏倚具有显著性,因为等值线不在95%置信区间内。一致性界限为− 72.04%至62.20%(图4d)。测试数据集中使用的24次扫描子集且有两位读者均进行描迹,在第二行中作为Reader1 vs. Reader2进行比较,由于小数据集中一次扫描的体积显著不同,线性回归系数降至R2 = 0.75(图4b),其中偏倚为2.85%。一致性界限为− 46.88%至52.59%(图4e)。第三行比较了Reader1 vs AI模型对30次扫描测试数据的相关性(图4c、f),其中线性回归R2 = 0.93,偏倚 = − 4.12%,Bland–Altman分析中的一致性界限为− 54.88%至46.64%。

扫描间变异性通过从三次扫描的均值中减去肾脏体积,然后取绝对差的平均值来计算,结果约为56 mL(扫描间变异性图见补充数据,图S2)。

图4 读者间变异性及读者标注肾脏体积之间以及与AI模型预测肾脏体积之间的Bland–Altman相关性 查看原图 ↗

MRI与US相关性

将MRI图像中经人工校正的肾脏体积(左肾和右肾分别)与三维US图像中人工标注的肾脏体积(左、右肾体积分别)在患者层面进行比较。图5显示MRI与US测量的肾脏体积比较得出线性回归系数R2 = 0.84,偏倚为7.47%,Bland–Altman分析的一致性界限为− 70.29%至55.35%。

图5 MR与US方法的总肾脏体积比较的线性回归和Bland-Altman相关性 查看原图 ↗

ADPKD组分类

Mayo Clinic的ADPKD分类工具[36]被应用于所有22名患者,以比较US和MRI的表现,如表4所示。此外,ADPKD分类还通过仅考虑测试数据集单独进行,并比较US和MRI方法的分类。1A至1E组表示ADPKD分类中病例严重程度递增。在US方法中,将两个肾脏体积相加得到总肾脏体积,然后在三次观察中取平均值,以考虑每位患者的总肾脏体积。在22名患者中,MRI和US均将三名患者共同分类为1A组,而根据US手动测量,分别有一名额外患者从1C和1D加入1B和1C组。相反,一名患者通过US测量的肾脏体积更高,从1D组转移到1E组。在测试数据集(5名患者)上,ADPKD分类工具在4名患者中显示US手动测量与AI预测之间良好一致。然而,当将US测量与MRI测量进行比较时,AI预测的表现略好,且比US组手动标注的肾脏体积更接近MRI测量。在基于US的肾脏体积测量中,手动描迹和AI预测两组在多囊肝病(PLD)病例中均测量出更高的体积,原因是难以将肝脏与肾脏区分开来。

表4 ADPKD组分类及MRI与US分类之间的比较 查看原表 ↗

讨论

二维US难以用于肾脏体积测量,因为操作者移动和握持探头的方式存在变异性,导致图像间距和方向不一致。然而,最近开发的三维US设备可用于测量肾脏体积,并具有以高时间分辨率采集图像的优点,这可限制运动和其他伪影。尽管如此,由于视野限制,一次只能对一个肾脏成像。此类图像还存在探头灵敏度、强度变化、亮度和时间增益补偿伪影,必须加以处理。例如,图1e展示了三次扫描的平均肾脏体积,其中PKD_021和PKD_024显示右肾显著大于左肾。MRI也证实了PKD_024左右肾体积的类似差异。ADPKD患者的囊肿发展和肾脏肿胀通常导致肾脏体积增加。然而,在PKD_021中,两位US阅片者均将右肾描迹得大于左肾,这与MRI测量相反。某些US图像中强度和对比度的图像质量严重影响了肾脏描迹。该问题可通过更好地处理图像采集方案、根据患者人口学信息修改探头设置参数来解决。

所提出的模型使用预训练权重进行训练,这些权重在验证数据上的表现优于随机初始化模型。在最先进的U-Net模型中,ResNet达到了与我们提出的模型相似的表现,但需要多1.7倍的参数和更多时间来训练模型。由于预训练权重来自我们之前发表的模型,该模型基于大型MRI图像数据集,包含2000多名患者的肾脏分割,我们选择报告迁移学习模型并在测试数据集上进行预测。尽管AI模型是基于从Reader1获得的标注进行训练的,但其表现与Reader2的标注同样可比(表2)。表3显示,与肾脏中间帧相比,肾脏起始帧和结束帧的Dice评分有所降低。DSC降低主要是由于模型表现不佳,肾脏起始帧和结束帧的类别不平衡更为严重。此外,过拟合的影响(如3B中箭头所示,假阳性)导致体积增加约2%,这显著小于观察者间标注约23%的DSC损失。通过DSC测量的Reader1和Reader2之间的观察者间评分为0.77。读者之间分歧的主要原因是图像质量,这使得肾脏边界检测变得困难。尽管AI模型的表现看起来令人印象深刻,但我们注意到这是一个小型测试数据集,随着数据集增大可能会进一步改善。

Yin等[33]报告了在2D US图像上更优的DSC表现,也是用于分割矢状面视图中包含最大肾脏横截面的单个切片。此外,Breysem等[34]发现2D US体积测量容易低估,而3D US测量的肾脏体积更准确,接近MRI技术。我们相信我们的研究是首个将深度学习应用于ADPKD的3D US的研究。此外,AI模型的结果与人工标注和作为参考标准的MRI进行了比较。

考虑到US图像中的伪影影响AI模型表现,对54个肾脏体积测量进行手动分割比较有助于理解观察者间变异性。Reader1和Reader2的线性回归图(图4a)显示观察者间相关性为R2 = 0.81,可能反映了US与MRI相比观察到的较低组织对比度[19]。在小测试数据集上比较Reader1和Reader2时,R2系数也较低(图4b),主要是因为少数观测值显著偏离。图4c显示了有助于理解读者与AI预测相关的线性回归图。此外,当使用小数据集时,R2可能不是表征表现的良好参数。图4的第二列显示了Bland–Altman检验,在测试数据集上应用时均值和偏差较小(图4e)。

US方法(左右肾脏体积取三次扫描的平均值)和MRI方法获得的肾脏体积也高度相关,R2 = 0.84。Bland–Altman偏差为−7.47%也证实了US和MRI测量之间的差异较小,表明在MRI具有挑战性而需要频繁监测肾脏体积时,US成像可能可用于测量总肾脏体积。

ADPKD组分类工具[37]根据年龄、身高以及通过MRI、US和AI预测的总肾体积测量的患者总肾体积,将患者分为ADPKD组。当对22例患者的整个数据集比较MRI测量与US手动描迹测量时,一名患者(图1e中的PKD_015)基于US被分类为更高风险组,从1D变为1E。对该病例进行审查后发现,该病例难以分割,其中一位读者添加了肝脏某些部分的体积(该患者还患有多囊肝病)。基于五个患者测试数据集,在MRI与AI-US之间,ADPKD组分类在三名患者上不理想,包括一例PLD病例。扫描间变异性(补充数据,图S2),即同一肾脏三次扫描之间的差异,计算约为56 mL。该体积导致两名肾脏体积位于ADPKD组分类阈值边界的患者发生ADPKD组别偏移。因此,从US数据进行ADPKD组分类时需要考虑扫描间变异性的裕度获益。

此外,对于一名PLD患者(PKD_015)的右肾,AI预测的体积比读者1描迹的体积小4倍。有趣的是,AI预测的这一较低体积与MRI测量相似,这表明如果使用足够的PLD患者数据进行训练,AI可以帮助正确描迹肾脏并避免纳入肝脏。

未来,将多囊肝病数据添加到训练数据中并对双肾和肝脏进行分割可能是有意义的。一般来说,在受TKV和/或TLV影响的患者中,肝脏体积经常被计算。我们认为3D US也可以应用于获取肝脏体积,尽管这超出了本研究的范围。TKV是ADPKD未来肾功能不全的强生物标志物[38]。各种成像技术(MRI、CT和US)和后处理方法(体视学和基于椭球体的测量)被用于确定TKV [38, 39]。体视学分析耗时,而椭球体方法易于进行体积估计。由于肾脏器官位于身体深处,US技术容易因体内空气/液体/组织分布而在图像中显示伪影。2D US图像的分辨率通常低于MRI。因此,与US和CT相比,MRI是准确测量肾体积的首选方法。然而,3D US的最新发展可能有助于改善US成像的结果。借助大型数据集,模型性能将得到改善,3D US成像可能被纳入PKD监测的临床实践。US方法的另一个潜力可能在于儿科患者,因为在该人群中避免MRI或CT成像是可取的。

结论

据我们所知,这是第一项使用深度学习从3D US图像测量总肾体积的研究。我们的方法在肾脏自动分割和计算总肾体积方面显示出有前景的分割性能,接近人工描迹和测量。我们还将其性能与MRI进行了比较,取得了良好的性能,表明它可能在MRI更具挑战性的人群(如儿童)中有用。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 273 kb)

引用

  1. Jagtap JM, Gregory AV, Homes HL, et al. Automated measurement of total kidney volume from 3D ultrasound images of patients affected by polycystic kidney disease and comparison to MR measurements. Abdom Radiol (NY). 2022. PMID: 35476147. doi:10.1007/s00261-022-03521-5
  2. 全文:PMC9226108(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9226108/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。