Automatizované merania celkového objemu obličiek v predklinickom zobrazovaní magnetickou rezonanciou na získanie zdrojov zobrazovacích údajov, anotácií a zdrojového kódu

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

Extrakt z cistanche je dobrý pre funkciu obličiek

Marie E. Edwards1, Sigapriya Periyanan1, Deema Anaam2, Adriana V. Gregory1 a Timothy L. Kline1,21 Divízia nefrológie a hypertenzie, Mayo Clinic, Rochester, Minnesota, USA; a 2. Rádiologické oddelenie, Mayo Clinic, Rochester, Minnesota, USA

Cieľom tejto štúdie bolo overiť plne automatizovaný súčetobličkymetóda merania objemu pre predklinické pokusy na hlodavcoch, ktorá je rýchla, presná, reprodukovateľná a poskytuje tieto zdroje výskumnej komunite. Štúdie na hlodavcoch, ktoré zahŕňajú zobrazovanie, sú rozhodujúce pre monitorovanie účinnosti liečby pri chorobách, ako sú polycystické ochoreniaobličkychoroba. Predchádzajúce štúdie využívajú manuálnu alebo poloautomatickú segmentáciu, ktorá je časovo náročná a potenciálne neobjektívna. Na vývoj nášho automatizovaného systému bolo manuálne segmentovaných celkom 150 obrazov axiálnej magnetickej rezonancie (MRI) z rôznych modelov myší a použitých na trénovanie/validáciu automatizovaného algoritmu. Na testovanie pozdĺžnej aplikácie modelu boli štyri mutantné a štyri myši divokého typu zobrazené postupne počas troch až dvanástich týždňov pomocou MRI. Segmentácie obličiek (okrem obličkovej panvičky) boli generované automatizovanou metódou a dvoma rôznymi čítačkami, pričom jedna čítačka opakovala merania. Metriky podobnosti a longitudinálna analýza boli vypočítané na posúdenie výkonnosti automatizovaných v porovnaní s manuálnymi metódami. Automatizovaný prístup si okrem posledného kroku vizuálnej kontroly kvality nevyžadoval žiadny vstup používateľa. Metriky podobnosti automatizovanej metódy v porovnaní s manuálnou segmentáciou boli na rovnakej úrovni ako porovnávania medzi čitateľmi a medzi čitateľmi. Náš plne automatizovaný prístup opísaný v tomto dokumente možno teda bezpečne použiť v pozdĺžnych predklinických štúdiách, ktoré zahŕňajú segmentáciu obličiek hlodavcov v T2-vážených MRI.

Táto štúdia vyvinula plne automatizovanú metódu merania súčtuobličkyobjem na predklinické zobrazovanie v modeli mutantnej myši polycystickýchobličkychoroby, ako aj u myší divokého typu. Táto štúdia tiež stanovila variabilitu medzi čítačkami aj medzi čítačkami pri meraní celkového objemu obličiek na predklinické zobrazovanie. Podobné štúdie a algoritmické prístupy možno použiť na stanovenie metód pre klinické zobrazovacie údaje a sú potrebné na presnú prognózu ochorenia a klinické rozhodovanie. Zobrazovacie údaje, anotácie a zdrojový kód poskytujeme výskumnej komunite.

Ukázalo sa, že meranie objemu orgánu koreluje s klinickými prejavmi a morbiditou chorôb, ako je naprobličkyobjemu (TKV) u autozomálne dominantných polycystobličkychoroby (PKD)1,2 a používa sa na zisťovanie účinnosti liečebných zásahov.3 Výskum, klinické štúdie a čoraz viac klinická nefrológia využívajú tieto merania na sledovanie progresie ochorenia na zvieracích modeloch4 aj na pacientoch,5 hodnotia účinnosť terapií,6 a predpovedať výsledky.7

V súčasnosti prebiehajú predklinické štúdie bezprecedentnou rýchlosťou s cieľom hľadať nové spôsoby liečby na spomalenie progresie PKD. Kľúčovou výhodou zobrazovania magnetickou rezonanciou (MRI) na zvieracích modeloch PKD je možnosť použiť zobrazovanie in vivo, ktoré umožňuje pozdĺžne objemové štúdie s použitím rovnakého zvieraťa.8 Početné štúdie, ktoré zahŕňajú manuálne,4,9–12 poloautomatické, 13,14 a automatizované segmentácie15,16 založené na registrácii myšiobličkyboli vykonané predtým.

Mnohé z metód, ktoré sa považujú za automatizované, stále vyžadujú vstup používateľa. Väčšina týchto predklinických štúdií používa manuálne segmentácie, ktoré sú časovo náročné a nákladné a zároveň zavádzajú zaujatosť pozorovateľa. Preto naše laboratórium vyhodnotilo variabilitu v meraní TKV a vyvinulo automatizovaný analytický program na meranie TKV v magnetických rezonančných skenoch myších modelov choroby.

VÝSLEDKY

Intra- a interobserverová variabilita manuálnej obličky

segmentácie

Obrázok 1 ukazuje výsledky Bland-Altmanovej analýzy TKV, ako boli merané manuálne 2 snímačmi (interobserver variance) a opakované merania snímačom 2 (intraobserver variance). Pri porovnaní čitateľa 1 s čitateľom 2 bol priemerný percentuálny rozdiel 7,7 percenta a 95 percentný interval spoľahlivosti 4,5 percenta. Keď čitateľ 2 vykonal opakované merania toho istého obrázku, bol priemerný percentuálny rozdiel 0,5 percenta a 95 percentný interval spoľahlivosti 3,9 percenta. Regresná analýza ukázala, že medzi všetkými metódami existuje vysoká zhoda v TKV s hodnotou R2 $0,99.

Validácia algoritmu automatizovanej segmentácie

Automatizovaná metóda porovnávaná s každým snímačom vo vzťahu k percentuálnemu rozdielu TKV bola podobná ako pri rozptyle medzi pozorovateľmi a medzi pozorovateľmi, ako naznačujú Bland-Altmanove grafy na obrázku 1. Keď sa snímač 1 porovnával s automatizovanou metódou, priemerný percentuálny rozdiel 5,2 percenta a 95 percentný interval spoľahlivosti 5,8 percenta. Keď bol čitateľ 2 porovnaný s automatizovanou metódou, bol priemerný percentuálny rozdiel 2,5 percenta a 95 percentný interval spoľahlivosti 6,5 percenta.

Rozdiel medzi divokým typom a mutantnými myšami

Priemer a SD TKV boli vynesené do grafu v každom časovom bode pre každú metódu a oddelené podľa genotypu (mutant vs. divoký typ). Ako je vidieť na obrázku 2, priemerná TKV je vždy menšia u myší divokého typu v každom časovom bode ako u mutantných myší. Všetky 3 metódy (automatizovaná, čítačka 1 a čítačka 2) demonštrujú významné oddelenie typu myši vo veku 9 a 12 týždňov.

DISKUSIA

Analýzaobličkyobjem v PKD je jednou z najdôležitejších metrík, ktoré sa v súčasnosti používajú na charakterizáciu stavu ochorenia. Pred našou prácou neexistovala žiadna alternatíva k manuálnemu trasovaniuobličkyv modelových systémoch PKD. Z dôvodu času potrebného na sledovanie týchto štruktúr, ako aj času potrebného na zaškolenie osoby na vykonávanie týchto meraní a potenciálu variability medzi operátormi sme v tejto štúdii vyvinuli a overili plne automatizovanú metódu segmentácie pre TKV. Automatizované segmentácie sa počítajú v priebehu niekoľkých minút (v závislosti od výpočtového výkonu), zatiaľ čo manuálne segmentácie trvajú 20 až 40 minút. Na rozdiel od manuálnych alebo dokonca poloautomatických metód segmentácie táto automatizovaná metóda prinesie rovnaké výsledky zakaždým, keď sa použije na rovnaký obrázok.

Predklinické štúdie často zahŕňajú kontrolnú skupinu aj liečebnú skupinu (skupiny); preto musí byť automatizovaná metóda dostatočne citlivá, aby primerane detekovala objemové rozdiely medzi skupinami.17 Obrázok 2 ukazuje, že manuálna segmentácia aj automatická segmentácia vykazujú významné oddelenie v skupinách divokého typu a mutantných skupinách vo veku 9 týždňov. Hoci celková zhoda bola vynikajúca, vizuálne porovnania naznačovali menšiu nezhodu o tom, či zahrnúť alebo vylúčiť obličkovú panvu v malej podskupine rezov. Hoci je bežnou praxou vylúčiť

Obrázok 1|Bland-Altman a regresná analýza (a,e) interobservera a (b,f) intraobserver celkového objemu obličiek (TKV)

merania (merané v mililitroch) navyše k automatizovanej (Auto) metóde v porovnaní s (c,g) čítačkou 1 a (d,h) čítačkou 2.

Bland-Altmanove grafy ukazujú priemerný rozdiel (plná čiara) a 95-percentný interval spoľahlivosti (bodkované čiary). Regresná analýza ukazuje koreláciu medzi porovnávanými metódami.

Obrázok 2|Celkový objem obličiek myší divokého typu a mutantných myší bol vynesený do grafu v priebehu času (vo veku 3 až 12 týždňov) pre automatizované (Auto)

metóda (vľavo), čítačka 1 (v strede) a čítačka 2 (vpravo). Všetky 3 metódy demonštrujú významné oddelenie typu myši vo veku 9 týždňov.

Chybové pruhy označujú SD. *P <>

obličkovej panvičky, variabilita sa môže znížiť, ak budú čitatelia poučení, aby vždy zahrnuli túto štruktúru.

Automatizovaná metóda prezentovaná v tejto štúdii ešte nebola aplikovaná na externé obrázky. Je dôležité poznamenať, že intenzity signálu sa líšia na rôznych miestach, skeneroch a získavaní MRI. Je pravdepodobné, že väčší súbor tréningových údajov s rôznorodejšími prípadmi z rôznych strojov MRI by mohol dosiahnuť robustnejší model kvôli povahe algoritmov hlbokého učenia. Automatizované algoritmy, ako sú tieto, je často potrebné preškoliť na externých súboroch údajov kvôli zmenám v signáloch MRI. Zobrazovacie údaje, anotácie a zdrojový kód preto poskytujeme výskumnej komunite pre ostatné skupiny, aby mohli použiť rovnaký model alebo vytvoriť svoj vlastný.

METÓDY

Údaje o školení/validácii

Model bol trénovaný na 100 prípadoch a validovaný na 50 prípadoch. Týchto 150 prípadov pozostávalo z myší s rôznou závažnosťou ochorenia a v rôznom veku. Testovacia súprava je úplne zdržaná a je to, čo sme hodnotili v tomto článku.

Testovacia študijná kohorta

Táto štúdia bola preskúmaná a schválená Inštitucionálnym výborom pre starostlivosť o zvieratá a použitie na klinike Mayo. Kohortu tvorili divoký typ C57Bl6 129s6Svev/Tac (n ¼ 4; 2 ženy/2 muži) a C57Bl6 129s6Svev/Tac (n ¼ 4; 2 ženy/2 muži) mutant Pkd1RC /RC model myši. Mutantné myši odzrkadľujú ľudský prejav PKD1 geneticky aj fenotypovo.18 Jedna z mutantných myší zomrela uprostred experimentu a v 9. týždni bola nahradená inou mutantnou myšou rovnakého veku.

Akvizície obrázkov

Zobrazovanie sa uskutočnilo pomocou spektrometra Avance DRX 700WB (Bruker BioSpin, Billerica, MA). Kompletné pokrytieobličkybola získaná axiálnou váženou akvizíciou TurboRARE T{{0}} rekonštruovanou s rozlíšením 0,1 mm v rovine a hrúbkou rezu 1- mm (veľkosť matrice, 256 256 Z, pričom Z bola zvolená veľká dostatočne na pokrytie celého rozsahuobličky). Celková doba skenovania sa pohybovala od 5 do 10 minút. V kohorte testovacej štúdie bola každá myš zobrazená v 4-časových bodoch (vo veku 3, 6, 9 a 12 týždňov). Časové body pre každú myš sa uskutočňovali v rámci 2 dní od seba, aby sa zabezpečili konzistentné parametre zobrazovania a aby sa obmedzili odchýlky prostredia.

Analýza obrazu

Oblasti záujmu boli sledované pri každom skenovaní pomocou zobrazovacieho softvérového balíka (Analyze, verzia 12.0, Biomedical Imaging Resource, Mayo Clinic, Rochester, MN). Každý čitateľ bol poučený, aby vylúčil obličkovú panvičku, keď obličková panvička nie je uzavretáobličkykapsule v rámci obrazového rezu. Manuálne segmentácie trvali 20 až 40 minút v závislosti od prípadu. TV sa vypočítali tak, že sa najprv sčítal počet voxelov obsiahnutých v segmentácii na každom reze a potom sa počet voxelov vynásobil objemom voxelov získaným z hlavičky obrázka. Pre testovacie údaje vykonali 2 dvojito zaslepené čítačky (1 a 2), obe skúsené v manuálnej segmentácii MRIobličkysegmentations on all scans. For intrareader analysis, reader 2 repeated the measurements at 2-time points (>s odstupom 3 mesiacov).

Automatizovaná metóda

Model neurónovej siete bol upravený z nášho predchádzajúceho modelu na meranie TKV z koronálnych T2-vážených obrazov magnetickej rezonancie z klinických skenov.19 Zdrojový kód, obrázky a anotácie sú verejne dostupné na: https:// github.com/ TLKline/AutoTKV_MouseMRI.

Štatistická analýza

Na štatistickú analýzu sa použili axiálne T{0}}vážené obrazy magnetickej rezonancie získané na myš (n ¼ 8) v každom časovom bode (3, 6, 9 a 12 týždňov). Celkom 32 obrázkov umožnilo porovnanie rôznych obrázkov v širokom rozsahu veku a rozdielov vo fenotypoch. Na overenie plne automatizovanej metódy sa použili porovnávacie štatistiky na vyhodnotenie schopnosti každej metódy oddeliť skupiny divokého typu a skupiny mutantov. To sa dosiahlo vynesením TKV podľa časového bodu a oddelením podľa typu myši. Merania TKV a rýchlosti rastu pre každú metódu boli tiež hodnotené pomocou Bland-Altmanových a lineárnych regresných grafov.

DISCLOSURE

Všetci autori nedeklarovali žiadne konkurenčné záujmy.

POĎAKOVANIE

Túto prácu podporila klinika Mayo Robert M. a Billie Kelley Pirnie Translational PolycysticObličkyCentrum pre choroby a Národný ústav pre diabetes a trávenie aObličkyChoroby (čísla grantu P30DK090728 a K01DK110136). Autori ďakujú Lynnae M. Henry za jej administratívnu podporu pri príprave a formátovaní tohto rukopisu.

LITERATÚRA

1. Grantham JJ, Torres VE, Chapman AB, a kol. Objemová progresia pri polycystickej chorobe obličiek.N Engl Med.2006;354:2122-2130.

2. Torres VE, Chapman AB, Devuyst O, et al. Tolvaptan u pacientov s autozomálne dominantným polycystickým ochorením obličiek.N Engl J Med.2012;367:2407-2418.

3. Caroli A, Perico N, Perna A, et al. Vplyv dlhodobo pôsobiaceho analógu somatostatínu na rast obličiek a cýst pri autozomálne dominantnej polycystickej chorobe obličiek (ALADIN): randomizovaná, placebom kontrolovaná, multicentrická štúdia. Lancet.2013;382:1485-1495.

4. Wallace DP, Hou YP, Huang ZL et al. Sledovanie objemu obličiek u myší 14. Almajdub M, Magnier L, Juillard L, et al.Obličkykvantifikácia objemu s polycystickou chorobou obličiek zobrazovaním magnetickou rezonanciou. Kidney Int.2008;73:778-781.

5. Grantham J, Torres VE, Význam celkového objemu obličiek pri hodnotení progresie polycystickej choroby obličiek. Nat Rev Nephrol. 2016; 12:667-677.

6. Higashihara E, Torres VE, Chapman AB, a kol. Tolvaptan v autozomálnej 16. Gleason SS, Sari-Sarraf H, Abidi MA, et al. Nová deformovateľná dominantná polycystická choroba obličiek: tri roky skúseností. Cin J Am Soc Nephrol. 20116:2499-2507.

7. Irazabal MV, Rangel L, Berastralh EJ a kol., Zobrazovacia klasifikácia autozomálne dominantnej polycystické choroby obličiek: jednoduchý model na výber pacientov pre klinické štúdie. JAm Soc Nephrol.2015;26:160-172.

8. Olazabal MV, Mishra PK, Torres VE, et al. Použitie MRI s ultravysokým poľom v modeloch polycystických malých hlodavcovobličkychoroby na Vivo fenotypizáciu a monitorovanie liečiv. J Vis Exp.2015;100:e52757.

9. Erokwu BO, Anderson CE, Flask CA, a kol. Kvantitatívne hodnotenie zobrazovania magnetickou rezonanciou progresie autozomálne recesívneho polycystického ochorenia obličiek a odpovede na terapiu na zvieracom modeli. Pediatr Res.2018;83:1067-1074.

10. Doktor RB, Serkova NU, Hasebroock KM, et al. Odlišné vzorce rastu cysty obličiek a pečene u myší pkd2 (WS25/-). Transplantácia nefrolového číselníka. 2010; 25:3496-3504.

11. Franke M, Baessler B, VechtelJ a kol. Magnetické rezonančné T2 mapovanie a difúzne vážené zobrazovanie na včasnú detekciu cystogenézy a odpovede na terapiu v myšom modeli polycystickej choroby obličiek. Kidney Int. 2017:92:1544-1554.

12. Zhou X, Bao H, Takakura A, a kol. Hodnotenie polycystického ochorenia obličiek pomocou zobrazovania magnetickou rezonanciou v modeli knockout myší PKD1 s poranenou ischémiou-reperfúziou: porovnanie T2-váženej FSE a true-FISP. Invest Radiol.2010;45:24-28.

13. Fei B, Flask C, Wang H, et al. Segmentácia obrazu, registrácia a vizualizácia sériových MR obrazov na terapeutické posúdenie polycystickýchobličkyochorenie u transgénnych myší. Conf Proc IEEE Eng Med Biol Soc. 2005;1:467-469.

14. Almaidub M., Maanier L., Juillard L. a kol.Obličkykvantifikácia objemu s použitím in vivo RTG mikro-CT so zvýšeným kontrastom u myší. Contrast Media Mol Imaging.2008;3:1 20-126.

15. Hadjidemetriou S, Reichardt W, Hennig J, et al. Objemová analýza údajov MRI monitorujúcich liečbu polycystickýchobličkyochorenie na myšom modeli. MAGMA.2011;24:109-119.model na analýzu röntgenových CT snímok v predklinických štúdiách na myšiach pre polycystickú chorobu obličiek.IEEE Trans Med Imaging. 2002;21:1302-1309.

16. Gleason SS, Sari-Sarraf H, Abidi MA a kol. Nový deformovateľný model na analýzu röntgenových CT obrazov v predklinických štúdiách na myšiach pre polycystické ochorenie obličiek. IEEE Trans Med Imaging.2002;21:1302-1309.

17. Reichardt W, Romaker D, Becker A, a kol. Monitorovanie objemov obličiek a obličkových cýst pomocou MR prístupov na myšom modeli ADPKD liečenom rapamycínom. MAGMA.2009;22:143-149.

18. Hopp K., Ward C., Hommerding C. a kol. Dávkovanie funkčného polycystínu-1 upravuje autozomálne dominantné polycystickéobličkyzávažnosť ochorenia. J Cin Invest. 2012:122:4257-4273.

19. Kine TLKorfatis P, Edwards ME a kol., Výkon umelej hlbokej neurónovej siete s viacerými pozorovateľmi pre plne automatizovanú segmentáciu polycystickýchobličky.JDigit Imaging.2017;30:442-448.