Manažment ochorenia obličiek: Identifikácia a klasifikácia Glomerulus obličiek

Ďalšie informácie:{0}}

Časť Ⅱ: Neurónová sieť na klasifikáciu glomerulov na základe histologických snímok biopsie obličiek

Giacomo Donato Cascaranol, Francesco Saverio Debitontol a kol.

Abstraktné

Pozadie: Systémy počítačovej diagnostiky (CAD) založené na lekárskych snímkach by mohli podporiť lekárov v rozhodovacom procese. Počas posledných desaťročí výskumníci navrhli CAD systémy v niekoľkých medicínskych oblastiach, ktoré dosiahli sľubné výsledky.

CAD systémy hrajú dôležitú úlohu v digitálnej patológii, ktorá podporuje patológov pri analýze bioptických preparátov pomocou štandardizovaných a objektívnych pracovných postupov. V navrhovanej práci sme navrhli a otestovali nový modul CAD systému založený na technikách spracovania obrazu a strojovom učení, ktorého cieľom bolo klasifikovať stav postihujúci obličkové telieska (glomeruly) medzi sklerotickými a nesklerotickými. Takáto diskriminácia je užitočná pri hodnotení bioptických preparátov, ktoré vykonávajú patológovia.

Výsledky: Zozbierali sme 26 digitálnych diapozitívov získaných zobličky19 darcov s periodickou kyselinou-Schiffovým farbením, odborní patológovia vykonali prípravu preparátov, digitálnu akvizíciu a anotácie glomerulov. Pred nastavením klasifikátorov sme vyhodnotili niekoľko techník extrakcie funkcií z anotovaných oblastí. Potom postup redukcie funkcií, po ktorom nasledovala plytká umelá neurónová sieť, umožnil rozlišovanie medzi triedami glomerulov. Vyhodnotili sme pracovný tok s ohľadom na nezávislý súbor údajov (tj spracovanie obrázkov, ktoré sa nepoužívajú v tréningovom postupe). Desať nezávislých spustení cvičného algoritmu a vyhodnotenie umožnilo dosiahnuť MCC a presnosť 0,95 (±0.01) a 0,99 (štandardná odchýlka<0.00), respectively.="" we="" also="" obtained="" good="" precision="" (0.9844±0.0111)="" and="" recall="">

Závery: Výsledky testovacieho súboru potvrdzujú, že navrhovaný pracovný postup je konzistentný a spoľahlivý pre skúmanú oblasť a môže podporiť klinickú prax rozlišovania dvoch tried glomerulov. Analýzy nesprávnej klasifikácie ukazujú, že príslušné obrázky sú zvyčajne ovplyvnené zafarbením artefaktov alebo prítomnými čiastočnými rezmi

Kliknite na dávkovanie Cistanche tubulosa pri ochorení obličiek

Diskusia

Pri vyhodnotení navrhovaného prístupu na nezávislom testovacom postupe dosiahol pracovný postup klasifikácie priemernú hodnotu MKC a presnosť {{0}},95 a 0,99, v uvedenom poradí, a nízku variabilitu počas 10 nezávislých iterácií (MCC std{{5} }.01 a Presnosť std<0.00). good="" precision="" and="" recall="" were="" also="" obtained(precision:="" 0.9844±0.011l,="" recall:0.9310±0.0153).="" the="" proposed="" approach="" thus="" leads="" to="" an="" improvement="" of="" the="" classification="" performance="" if="" compared="" to="" the="" reported="" literature="">

Pri implementácii a vyhodnocovaní ohláseného pracovného toku sme čelili a testovali bežný problém nevyváženosti údajov, ktorý bol vyriešený použitím MCC ako koeficientu porovnávania výkonu a ROCcurve na výber optimálneho prahu klasifikácie. Uvedené výsledky naznačujú, že navrhované nastavenie pracovného toku je spoľahlivé pre skúmanú doménu, čo podporuje klinickú prax rozlišovania dvoch tried glomerulov.

Analýzou nesprávne klasifikovaných glomerulov sme tiež zistili, že vstupné obrázky zodpovedajúce nesprávne klasifikovaným vzorkám vykazovali farbiace artefakty alebo čiastočné časti (väčšinou na okrajoch); bežné príklady sú uvedené na obr. 1. V klinickej praxi však patológovia vyraďujú také snímky, ktoré by tiež mohli byť vylúčené z navrhovaného pracovného postupu, a to navrhnutím stratégií na predbežnú detekciu snímok ovplyvnených takýmito problémami.

Obr. 1 Falošný zápor nesprávne klasifikovaný najlepším modelom

Závery

V predloženej práci sme navrhli celý pracovný postup na klasifikáciu sklerotických a nesklerotických glomerulov. Bolo preskúmaných a vyhodnotených niekoľko algoritmov extrakcie funkcií, pričom boli vybraté dve typológie funkcií: morfologické a textúrne vlastnosti. Zhromaždili sme 150 prvkov: 2 morfologické prvky a 148 textúr, ktoré boli vypočítané pomocou algoritmov mrcLBP a Haralick. Počet funkcií sa potom znížil na 95 pomocou PCA. Bola trénovaná krížovo overená umelá neurónová sieť a čelili sa problémom s nevyváženým súborom údajov a ladením siete. Získané výsledky zlepšili stav techniky pri vykonávaní takýchto klasifikačných úloh.

V budúcnosti budeme skúmať, ako minimalizovať počet empirických predpokladov v procese extrakcie vlastností a začleniť váženú klasifikáciu medzi záhyby; okrem toho sa vykoná analýza funkcií s cieľom identifikovať tie najlepšie.

Okrem toho by sa mohli preskúmať nové techniky na riešenie problému nevyváženosti súboru údajov a založené na metódach nadmerného vzorkovania [20]. Bolo by tiež zaujímavé zhodnotiť prístupy hlbokého učenia [21-24] a vykonať priame porovnanie s metodológiou navrhovanou v tomto dokumente. Predbežná štúdia týkajúca sa rôznych techník sémantickej segmentácie hlbokého učenia aplikovaných na WSI už bola vykonaná [25]. Nakoniec bude prezentovaný pracovný postup integrovaný do kompletného CAD nástroja preobličkyanalýza biopsií.

Metódy

V tejto štúdii predstavujeme rámec CAD, ktorý umožňuje klasifikáciuglomerulusstav pomocou prístupu založeného na funkciách. Navrhované riešenie, ktoré je založené na technikách spracovania obrazu a strojového učenia, bolo navrhnuté tak, aby sa každý automaticky označovalglomerulusako sklerotické alebo nesklerotické. Podrobná reprezentácia úplného pracovného postupu pre klasifikáciu glomerulov je znázornená na obr. 2. Proces spracovania možno usporiadať do troch hlavných krokov: (i) extrakcia funkcie; (i) redukcia funkcie; (i) klasifikácia.

Obr. 2 Pracovný postup extrakcie a klasifikácie všetkých funkcií

Popis údajov

Celé snímky zozbierali v období od júla 2011 do februára 2015 lekári z oddelenia urgentných príjmov a transplantácií orgánov Univerzitnej nemocnice v Bari (Taliansko). Všetkoobličkybiopsie s farbením PAS boli skenované pomocou Aperio ScanScope CS pri 20× s rozlíšením 0,50 μm/pixel. WSI, ktoré sa zvažovali v rámci tejto štúdie, boli zhromaždené z celkového počtu 26obličkydigitálne biopsie 19 darcov a uložené v plnom rozlíšení vo formáte súboru SVS (formát Aperio fle pozostávajúci z pyramídových dlaždicových TIFF s neštandardnými metadátami a kompresiou).

Každá WSI obsahuje iný počet bioptických sekcií (od jednej do siedmich). Celý použitý súbor údajov počíta v priemere so štyrmi rezmi biopsie na WSI a celkovým počtom 105 rezov. Zozbierané obrázky použitého súboru údajov sa vyznačujú veľkými rozdielmi, pokiaľ ide o farbu a sýtosť, aj keď všetky boli ošetrené farbením PAS. Príklady rozdielov v nasýtení sú uvedené na obr.

Obr. 3 Príklady glomerulov s rôznymi úrovňami saturácie v biopsii obličiek farbením PAS

Vytvorenie množiny údajov

Všetky glomeruly boli manuálne identifikované a označené dvoma doktorandmi. Potom jeden odborník na obličkový patológ potvrdil konečné anotácie. Postup pozostával z načrtnutia reálnej oblasti glomerulov a každého označeniaglomerulusako sklerotické alebo nesklerotické pomocou nástroja Aperio ImageScope.

Kvôli variabilite zavedenej manuálnou anotáciou bola každá označená oblasť obklopená pravouhlým ohraničujúcim rámčekom s nadhodnoteným faktorom 1,1 pre každý rozmer. Potom boli všetky detekované a označené oblasti glomerulov extrahované a použité na vytvorenie súboru údajov.

Získaný počiatočný súbor údajov pozostával zo 428 sklerotických glomerulov a 2344 nesklerotických glomerulov s pomerom medzi týmito dvoma triedami 1/5,5. Podrobne bolo označených celkom 2772 glomerulov a v priemere každá biopsia a každá časť obsahovala 106 a 26 glomerulov.

Súbor údajov bol následne rozdelený na vlakové a testovacie súbory. Najmä 20 percent pôvodného súboru údajov sa použilo ako testovací súbor a informácie o cieli testovacieho súboru sa použili len na posúdenie konečných výkonov. Výber bol vykonaný náhodne s obmedzením, že ak aglomerulussa v testovacej sade, všetky ostatné glomeruly patriace do tej istej biopsie musia objaviť v testovacej sade, čo znamená, že rozdelenie vlaku/testu bolo vykonané na úrovni biopsie. Najnovšia konfigurácia súboru údajov je uvedená v tabuľke 1.

Extrakcia funkcií

Extrakcia funkcií je prvým krokom pracovného postupu, ktorý umožňuje definovať súbor charakteristík používaných na rozlíšenie medzi dvoma rôznymi typmi glomerulov. Na základe ľudského uvažovania, ktoré používajú lekári schopní riešiť problém, najlepšie funkcie na riešenie problému sú tie, ktoré súvisia s dvoma hlavnými technikami spracovania obrazu: morfologické vlastnosti a vlastnosti založené na textúre.

Ako navrhol patológ zapojený do štúdie, hlavné rozdiely medzi sklerotickými a nesklerotickými glomerulami sú v tvare Bowmanovej kapsuly, rozmeroch a textúre v dôsledku krvných ciev. Nesklerotické glomeruly sú zvyčajne charakterizované eliptickým tvarom a prítomnosťou Bowmanovho puzdra, ktoré je oddelené od kapilárneho chumáča s mezangiom Bowmanovým priestorom. Súbor jadier buniek (modré body na obr. 4), lúmen kapilár (biele oblasti na obr. 4) a mezangiálna matrica (oblasti s podobnou tonalitou a rôznymi úrovňami saturácie na obr. Sklerotické glomeruly sú namiesto toho charakterizované zväčšením extracelulárnej matrice, ktorá obliteruje lúmen kapilár, a zmenšeným alebo chýbajúcim Bowmanovým priestorom v dôsledku kolagénového materiálu.

Obrázky 4 a 5 uvádzajú príklad nesklerotických a sklerotickýchglomerulus, resp. Stojí za zmienku, že jemné ladenie algoritmov spracovania obrazu, vrátane hodnôt parametrov a konfigurácie algoritmov, bolo vykonané iba na vlakovej súprave.

Morfologické znaky

Čo sa týka morfologických znakov, uvažovali sme o dvoch znakoch, ktoré súvisia s Bowmanovou kapsulou a Bowmanovým priestorom. Prvý znak sa vypočíta ako súčet plôch súvisiacich s Bowmanovou kapsulou, oblasťami krvných ciev a medzikapilárnymi priestormi, ktoré sú charakterizované bielym sfarbením v dôsledku farbenia PAS. Detekcia masky popisujúcej oblasť je založená na troch paralelných postupoch spracovania obrazu, ktoré brali do úvahy kanály troch rôznych farebných priestorov: RGB, CMYK a Lab. Podrobne:

· zelený kanál farebného priestoru RGB, pretože je najreprezentatívnejšíglomerulusštruktúra; · komplementárna purpurová z farebného modelu CMYK bola zvolená z dôvodu detekovateľného empirického významu tejto farebnej zložky (obr. 3, 4 a 5);

· zložky aab farebného priestoru Lab vďaka prepojeniu s ľudským farebným videním.

Príklad aplikácie procesov na nesklerotické a sklerotické glomeruly je uvedený na obr. 6 a 7, v tomto poradí.

Extrakcia masiek pre zelený kanál z farebného priestoru RGB a pre purpurový kanál z farebného modelu CMYK prebieha podľa rovnakých krokov spracovania obrazu:

1. Binarizácia: zachovanie vzťahu pixelov k bielej

pre regióny bola prahová hodnota empiricky nastavená na 190 [16];

2. Morfologické operátory: na čistenie získaného obrazu

z predchádzajúceho kroku bola použitá erózia, dilatácia a stredná filtrácia s kotúčom s polomerom v rozsahu od 1 do 3 ako štruktúrujúcim prvkom;

3. Aktívny obrys: na vyčistenie tvaru získanej masky bol použitý aktívny algoritmus obrysu [26] s 200 iteráciami (zvolený počet iterácií zabráni extrémnemu vyhladeniuglomerulustvar).

Tretia maska ​​bola vypočítaná zo zložiek a a b farebného priestoru Lab. Matica ab bola použitá ako vstup do algoritmu zhlukovania k-means [27]. Konkrétne bol počet klastrov empiricky nastavený na 5 a počet opakovaní procesu klastrovania bol nastavený na 3, aby sa nastavili rôzne počiatočné polohy ťažiska klastra, aby sa predišlo lokálnym minimám. Maska bola následne vypočítaná zachovaním iba tých pixelov patriacich do klastra s najväčšou strednou hodnotou intenzity šedej stupnice. Potom sa použili kroky 2 a 3 procesu zeleno-purpurovej segmentácie.

Nakoniec sa tri masky použili na výpočet konečnej masky pomocou väčšinového kritéria: ponechali sa iba pixely patriace aspoň dvom maskám. Boli použité získané algoritmy analýzy textúry: Local Binary Pattern (LBP) a Haralickove vlastnosti.

Ako už bolo navrhnuté v [13], multi-radiálna farba LBP (mrcLBP) je vhodnou variáciou klasického LBP na riešenie problému identifikácie. Podrobne sa zaoberá aplikáciou algoritmu LBP na tri farebné kanály RGB s rôznymi hodnotami polomeru (1, 3, 9 a 27) as invariantnosťou voči rotácii. Takáto konfigurácia bola aplikovaná na surový RGBglomerulussnímky. Získaných vlastností bolo desať pre každý polomer, čím sa získal celkový počet 120 prvkov (10 prvkov na polomer, 4 polomer, tri kanály).

Druhá sada funkcií založených na textúre bola založená na vlastnostiach Haralick. Vypočítali sa štyri matice spoločného výskytu na úrovni šedej, jedna pre každý smer; potom sa vypočítalo 14 Haralickových indexov, čo viedlo k 56 prvkom. Na zníženie tohto čísla sa potom vypočítal priemer a rozsah medzi štyrmi smermi. Konečný počet prvkov bol teda 28 (14 priemerov a 14 rozsahov, jeden pre každý Haralickov prvok). Výsledkom extrakcie prvkov textúry bolo vypočítaných celkom 148 prvkov.

Funkcie predbežného spracovania

Ako je opísané vyššie, proces extrakcie funkcií vygeneroval 150 znakov, ktoré zohľadňovali morfologické aj textúrne vlastnosti glomerulov. Analýza hlavných komponentov (PCA) sa použila ako algoritmus redukcie vlastností na zníženie korelácie medzi rôznymi vlastnosťami, ktoré sa použijú ako vstupy pre krok klasifikácie. Pred PCA bola každá funkcia normalizovaná Z-skóre.

Ako už bolo uvedené, dolaďovanie spracovania obrazu a klasifikačných algoritmov sa uskutočnilo iba na vlakovej súprave. Algoritmus redukcie funkcií namiesto toho nepotreboval alebo nepoužíval informácie o štítku. Z tohto dôvodu by aplikácia PCA mohla byť vykonaná na celom súbore údajov alebo iba na súbore údajov školenia s rôznymi výhodami a nevýhodami. Obidve riešenia boli aplikované na súbor údajov a vzhľadom na zložitosť problému klasifikácie sa ako prahová hodnota zvolilo 99,9 percent rozptylu. Nakoniec sa získalo 95 a 93 vlastností, keď sa PCA použilo na celý súbor údajov a iba na vlakovú súpravu. Keďže tieto dva prístupy viedli k podobnému počtu znakov, rozhodli sme sa vziať do úvahy všetky informácie v súbore údajov, takže počet znakov zvažovaných pre fázu klasifikácie bol 95.

Klasifikácia Glomeruli

Kroky klasifikácie glomerulov sú založené na ANN a konkrétne na plytkej architektúre ANN. Návrh architektúry ANN a ladenie jej parametrov boli brané s ohľadom len na vlakovú súpravu, pričom všetky uvádzané výsledky a diskusie o výkone sa vzťahujú na testovaciu súpravu (pozri Výsledky a diskusia). K-násobok (k bol nastavený na 10) sa použil ako technika krížovej validácie na zovšeobecnenie, vyhnutie sa preplneniu a získanie klasifikátora nezávislého od konkrétneho súboru vstupných údajov. Na získanie nezávislosti od konkrétnej inicializácie siete a na výpočet celkového označenia triedy prehybov sa použilo niekoľko inicializácií siete pre každý sklad a tvrdé hlasovanie medzi skladmi.

Pevné tréningové parametre boli nasledovné: jedna skrytá vrstva, tranzit a softmax ako aktivačné funkcie pre skrytú a výstupnú vrstvu, v tomto poradí; krížová entropia ako strata; škálovaný konjugovaný gradient ako algoritmus spätného šírenia. Na podporu zovšeobecňovania a na zabránenie nadmernému prispôsobeniu sa zaviedlo kritérium predčasného ukončenia školenia, založené na súbore validácie; kritérium zastavenia nastane, ak sa výkon na overovacej sade neznížil v rámci posuvného okna 6 epoch.

Počet neurónov skrytej vrstvy bol vybraný nasledovne. Porovnával sa výkon 95 sietí. Podrobne bolo natrénovaných niekoľko sietí s veľkosťou skrytej vrstvy v rozsahu od 1 do 95 (treba si uvedomiť, že 95 je počet vstupných funkcií). Spomedzi 95 hodnotených topológií bola vybraná topológia s veľkosťou skrytej vrstvy rovnajúcou sa 27 na základe najlepšej hodnoty MCC vypočítanej ako priemerný MCC záhybov. Grafické znázornenie trendu MCC a indexov presnosti je znázornené na obr. konečná konfigurácia umelej neurónovej siete je zhrnutá v tabuľke 6.

Problém s nevyváženým súborom údajov

Ako bolo uvedené vyššie, tréningový súbor bol ovplyvnený ťažkou nevyváženou distribúciou medzi sklerotickými a nesklerotickými glomerulami (5,5 nesklerotických glomerulov na každý sklerotickýglomerulus). Aby sa predišlo preplneniu vo fáze trénovania, rozšírenie údajov sa nepovažovalo za vhodné riešenie, pretože vybrané funkcie sú invariantné k hlavným transformáciám obrazu. Preto sme zvážili nasledujúci prístup.

Po prvé, zvážili sme použitie MKC ako všeobecné porovnanie výkonnosti medzi skladmi. Ako je uvedené v rov. 4, MCC berie do úvahy falošne negatívne a falošne pozitívne výsledky a vypočítava korelačný koeficient medzi predpokladanými a cieľovými triedami. Tento koeficient sa môže pohybovať v intervale [-1;1], kde 1 označuje dokonalú predpoveď,-1 úplný nesúhlas a 0 je ekvivalentom náhodného prediktora. Ako je uvedené v [28], medzi zvyčajnými výkonnostnými skóre je MCC jediným, ktorý berie do úvahy pomer veľkosti matice zmätku, a ukázalo sa, že je lepším indexom výkonnosti ako presnosť alebo skóre F1 na nevyvážených súboroch údajov.

Čo sa týka výberu správnej prahovej hodnoty klasifikácie, bola použitá krivka Receiving Operating Characteristic (ROC). Analyzovali sa dva prístupy. Prvý z nich (prístup A) predpokladá optimálnu hodnotu ako prvý priesečník medzi krivkou ROC a čiarou so sklonom rovným pomeru medzi celkovým počtom negatívnych a pozitívnych vzoriek a posunutím z ľavého horného rohu ROC graf((FPR, TPR)=(0,1)). Zatiaľ čo druhý prístup (prístup B)[29] hodnotí bod minimálnej vzdialenosti (pozri rovnicu 5) od bodu (0,1) ROCplotu.

Porovnanie dvoch metód (prístupu A a prístupu B) z hľadiska rôznych výkonnostných indexov (Rov. 1, 2, 3 a 4) je uvedené v tabuľke 7. Keďže v lekárskej oblasti je správna predpoveď pozitívnych výsledkov choroba je dôležitejšia ako predikcia negatív, uprednostňuje sa vyššia miera vybavovania, preto bol zvolený prístup B.

Referencie

1. Neuen BL, Chadban SJ, Demaio AR, Johnson DW, Perkovic V.Chronické ochorenie obličieka globálna agenda neprenosných chorôb.BMJ Global Health.2017.

2. Wang H, Naghavi M, Allen C, Barber RM, Carter A, Casey DC a kol. Globálna, regionálna a národná očakávaná dĺžka života, úmrtnosť zo všetkých príčin a úmrtnosť špecifická pre 249 príčin smrti, 1980-2015:asystematická analýza pre štúdiu Global Burden of Disease 2015. The Lancet. 2016;6:66.

3. Wolfe RA, AshbyVB, Milford EL, Ojo AO, Ettenger RE, Agodoa LYC a kol. Porovnanie mortality u všetkých dialyzovaných pacientov, dialyzovaných pacientov čakajúcich na transplantáciu a príjemcov prvej kadaveróznej transplantácie. N Engl J Med.2002;6:66.

4. Port FK, Wolfe RA, Mauger EA, Berling DP, Jiang K. Porovnanie pravdepodobnosti prežitia dialyzovaných pacientov vs. príjemcovia s kadaveróznym transplantátom obličiek. J Am Med Assoc. 1993;6:66.

5. Liyanage, NinomiyaTJha V, Neal B, Patrice HM, Okpechil a kol. Slovo-5.[široký prístup k liečbe prekonečné štádium ochorenia obličiek: systematický prehľad. The Lancet.2015;666.

6. Cecka JM. Vedecký register transplantácií obličiek UNOS-desať rokovobličkytransplantácie. Clin Transpl. 19976:66.

7. United Network for Organ Sharing. Výročná správa za rok 2004

8. Perico N, Ruggenenti P, Scalamogna M, Remuzzi G. Riešenie nedostatku darcovobličky: ako využiť to najlepšie, čo máme.Am J Nephrol. 2003;6:66.

9. Moore PS, Farney AC, Sundberg AK, Rohr MS, Hartmann EL, Iskandar SS a kol.Dvojitá transplantácia obličky: porovnanie prípadu a kontroly sjediná transplantácia obličkyod darcov podľa štandardných a rozšírených kritérií.Transplantácia. 2007;6:66.

10. RemuzziG, GrinyoJ, Ruggenenti P. Bertini M, Cole EH, Milford EL a kol. Skoré skúsenosti sdvojitá transplantácia obličkyu dospelých s použitím rozšírených kritérií darcovstva.DvojitéTransplantácia obličiekSkupina (DKG.JAm Soc Nephrol. 1999; 6:66.