Automatisk semantisk segmentering av nyrecyster i MR-bilder av pasienter berørt av autosomal-dominant polycystisk nyresykdom

Kontakt: Audrey Hu Whatsapp/hp: 0086 13880143964 E-post:audrey.hu@wecistanche.com

Timothy L. Kline^1,2· Marie E. Edwards²· Jeffrey Fetzer¹· Adriana V. Gregory²· Deema Anaam¹· Andrew J. Metzger²· Bradley J. Erickson¹

Abstrakt

HensiktFor pasienter som er rammet av autosomal-dominant polycystisknyresykdom(ADPKD), vellykket differensiering av cyster er nyttig for automatisk klassifisering av pasientfenotyper, klinisk beslutningstaking og sykdomsprogresjon. Målet var å utvikle og evaluere en helautomatisk semantisk segmenteringsmetode for å differensiere og analysere nyrecyster hos pasienter med ADPKD.

Metoder En automatisert dyplæringstilnærming ved bruk av et konvolusjonelt nevralt nettverk ble trent, validert og testet på et sett med 60 MR T2-vektede bilder. En tre-delt kryssvalideringstilnærming ble brukt for å trene tre modeller på distinkte trenings- og valideringssett (n=40). En ensemblemodell ble deretter bygget og testet på hold-out-sakene (n=20), med hvert av tilfellene sammenlignet med manuelle segmenteringer utført av to lesere. Segmenteringsavtale mellom lesere og den automatiserte metoden ble vurdert.

ResultaterDen automatiserte tilnærmingen ble funnet å fungere på nivået av interobservatørvariabilitet. Den automatiserte tilnærmingen hadde en terningskoeffisient (gjennomsnitt ± standardavvik) på {{0}}.86 ± 0.10 vs Reader-1 og {{10}}.84 ± {{20}}.11 vs. Reader-2. Interobservatørterningene var 0.86 ± 0,08. Når det gjelder totalt cystevolum (TCV), hadde den automatiserte tilnærmingen en prosentforskjell på 3,9 ± 19,1 prosent vs Reader-1 og 8,0 ± 24,1 prosent vs Reader-2, mens interobservatørvariabiliteten var -2,0 ± 16,4 prosent .

Konklusjon Denne studien utviklet og validerte en helautomatisert tilnærming for å utføre semantisk segmentering avnyrecyster i MR-bilder av pasienter rammet av ADPKD. Denne tilnærmingen vil være nyttig for å utforske flere avbildningsbiomarkører for ADPKD og automatisk klassifisering av fenotyper.

NøkkelordAutosomal-dominant polycystisknyresykdom· Semantisk cystesegmentering · Dyplæring · Magnetisk resonansavbildning

Cistanche deserticola fordel: forhindrernyresykdom

Introduksjon

Autosomal-dominant polycystisknyresykdom(ADPKD) er den vanligste arvelige nyresykdommen, som rammer omtrent 12 millioner mennesker over hele verden, og er for tiden den fjerde ledende årsaken til nyresvikt [1, 2]. Dens patologi er slik at den kontinuerlige veksten av cyster forårsaker en progressiv økning totaltnyrevolum (TKV). En typisk ADPKD-pasient viser progressiv nedgang i nyrefunksjonen og omtrent 70 prosent utvikler seg til nyresykdom i sluttstadiet mellom 40 og 70 år [3, 4].

TKV har i en rekke studier vist seg å være en nyttig prediktor for ADPKD-progresjon [5–7]. På samme måte bidrar evnen til å avgrense og måle cystisk belastning ytterligere til vår kunnskap om sykdomsprogresjon, struktur og genotypiske varianser. Det er godt forstått at utvikling og vekst av cyster er sterkt korrelert med nedsatt nyrefunksjon [6, 8]. I tillegg er det vist at det er en direkte sammenheng mellom TKV-vekst og cystevekst; hastigheten hvormed cystene vokser og nye cyster dannes er avhengig av hver enkelt [9]. Videre har longitudinelle studier funnet at pasienter med ADPKD over tid opplever en økning i TKV og cystevolum og en reduksjon i totalt parenkymvolum, noe som tyder på at den ikke-cystiskenyreveverstattes av flere cyster og kontinuerlig forstørrende cyster [10]. Interessant nok varierer cystevekst og cystisk indeks (forholdet mellom cystevolum og TKV) betydelig mellom PKD1- og PKD2-genotypene, ettersom pasienter i PKD1-populasjonen har en tendens til å utvikle cyster tidligere [11, 12]. Ytterligere analyse av cystisk belastning og vekst har potensial til å informere om sykdomstrender og terapeutiske strategier.

Etter hvert som nye avbildningsbiomarkører dukker opp, søker forskere raske og effektive metoder for å isolere cystiske og ikke-cystiskenyreregioner for en mer dyptgående, kvantitativ analyse av vevsegenskaper [13, 14]. Tidligere har cyste- og nyreregioner blitt segmentert manuelt, noe som er svært arbeidskrevende og subjektivt [15]. Ulike semi-automatiserte cystesegmenteringstilnærminger har blitt foreslått ved bruk av intensitetsbasert terskelverdi som en initialisering [16, 17] samt klassiske maskinlæringsteknikker som k-betyr clustering [18], konturmetoder [19] og form for forhåndssannsynlighet kart [20]. En helautomatisert dyplæringstilnærming ved bruk av nevrale nettverk har imidlertid potensialet til å kvitte bildeanalytikeren fra det kjedelige med manuell sporing og gi reproduserbare og robuste volumberegninger og segmenteringer. Dyplæring er unik for de ovennevnte segmenteringsmetodene ved at modellen er i stand til å "lære" viktige bildefunksjoner fra datainndataene som gjør at den kan utføre sin ultimate segmenteringsoppgave. Gjennom trening er modellen i stand til å oppdage mønstre, pikselintensiteter og forminformasjon som kanskje ikke er lett gjenkjennelig for det menneskelige øyet.

Konvolusjonelle nevrale nettverk (CNN) som begynner med å redusere romlig oppløsning etterfulgt av gjenoppretting av oppløsning, utmerker seg ved piksel/voxel-nivå medisinske bildesegmenteringsoppgaver på grunn av deres unike arkitektur. Kort sagt er den første sammentrekningsseksjonen en serie konvolusjons- og oppløsningsreduserende lag som brukes til å redusere kompleksiteten til bildet, og den andre ekspansjonsseksjonen er i hovedsak et speilbilde av den første banen som brukes til å kombinere funksjoner og romlig informasjon. U-Net-arkitekturen [21] er et slikt nettverk som har blitt betydelig utnyttet i medisinsk bildeanalyse for å løse segmenteringsoppgaver. En spesiell fordel med denne arkitekturen er at den ikke krever et stort treningssett sammenlignet med andre nettverk og gir svært nøyaktige segmenteringsutdata.

I denne studien bruker vi et datasett med MR-bilder av PKDnyrermed cystesporing av to lesere som fungerer som grunnsannhet. En automatisert tilnærming utvikles (en modifisert U-Net type arkitektur), og en ensemblemodell etableres og testes på et testdatasett. Den dype nevrale nettverksmodellen beskrevet i denne studien gir mulighet for semantisk segmentering avnyrecyster for bestemmelse av totalt cystevolum (TCV) og kan vise seg nyttig for videre evaluering av sykdomsfenotyper.

cistanche tubolosa fordeler

Materialer og metoder

MR-bildedata

Denne retrospektive studien fikk godkjenning fra den institusjonelle vurderingskomiteen på https://github.com/TLKline/ AutoKidneyCyst. MR-skanninger av 60 unike pasienter med ADPKD av varierende alvorlighetsgrad ble hentet fra vår PKD-bildedatabase. T2-vektet fett (N=42) og ikke-fettmettet (N=18) skanning ble brukt i denne analysen. MR-bildene var koronale enkeltskudd raskt spin-ekko (SSFSE) T2-sekvenser, innhentet med en GE-skanner, med matrisestørrelse 256 × 256xZ (med Z stor nok til å dekke hele omfanget av nyrene innenfor det avbildede volumet). Bildevoxelstørrelser var i størrelsesorden 1,5 mm i planet med typisk 3,0 mm skivetykkelser.

Manuelle segmenteringer

Nyre- og cystesporingen ble utført manuelt av to bildeanalytikere (https://github.com/TLKline/AutoK idneyCyst) med mange års erfaring med å utføre disse sporingene. Trenings-/valideringssettet ble sporet av én leser, og testsettet ble sporet av begge for å vurdere variabilitet mellom observatører. Bildeanalyseprotokollen utelukker nyrebekkenet og vaskulære strukturer. Fra sporingene ble TKV og TCV beregnet som antall voksler multiplisert med voxelvolumet. Hver analytiker ble blindet for den andres spor. Disse sporingene ble eksportert som NIfTI-filer.

Datastratifisering

Fra TKV-segmenteringene som ble generert for hver skanning, ble skanningene sortert i 40 trenings-/valideringstilfeller og 20 tilfeller for hold-out-testsettet. Trenings-/valideringsdatasettet hadde 28 fettmettede tilfeller og 12 ikke-fettmettede tilfeller (70 prosent fettmettet). Hold-out-testsettet hadde 14 fettmettede tilfeller og 6 ikke-fettmettede tilfeller (70 prosent fettmettet).

Forbehandling

Modellen ble trent som en to-kanals tilnærming med MR-bildesnittet som en kanal, og nyresegmenteringen som den andre. Merk at med denne to-kanals tilnærmingen lærer det nevrale nettverket å bare identifisere cyster i nyrene. Bildene ble omskalert til 256 × 256 matrisestørrelse ved bruk av interkubisk interpolasjon for MR-bildene, og nærmeste-nabo-interpolasjon for nyre- og cystesegmenteringsmaskene. Intensiteten til hver MR-skanning ble først normalisert til at alle hadde samme 95. persentilnivå, og deretter ble standard skalarnormalisering brukt (null gjennomsnitt, enhetsstandardavvik).

Semantisk segmenteringsmodell

Nettverksarkitekturen var lik våre tidligere arbeider [22, 23]. Konvolusjonsblokkene består av 2D-foldinger, etterfulgt av frafall (frafall=0.1), batchnormalisering, 2D-foldinger og maks pooling (poolstørrelse=2 ×2). Lagene med høyere oppløsning har større kjerner (som går fra 7 × 7 til 5 × 5 til 3 × 3 i blokker nedover koderbanen, og omvendt oppover dekoderbanen) for å lære større og mer komplekse filtertyper. Skipsforbindelsene er implementert som additive lag (Resnet-lignende [24]). Optimalisatoren er Adam [25] med en innledende læringsrate på 1e-3 og forfall på 1e-5. Tapsberegningen er terninglikhetsberegningen. Modellen er trent i 200 epoker med en batchstørrelse=8 og modellen med det beste valideringsmålet lagres under treningsprosessen. Modellen ble implementert i Keras med TensorFlow som backend. Modellen ble trent på en Nvidia Tesla P40 GPU (24 GB minne). Inngangen til modellen er en to-kanals matrise (256 × 256 × 2). Den første kanalen er en MR-bildeskive og den andre er den tilsvarende nyremasken. Utgangen er prediksjonen for cystesegmenteringen. Totalt ble tre modeller trent på de tre forskjellige trenings-/valideringsfoldene, og en ensemblemodell med flertallstemme ble deretter laget og brukt på holdout-testsettet. Koden er gjort tilgjengelig på:

Evaluering

Som beskrevet i modelldelen, ble trenings-/valideringssettet delt opp i tre deler for å trene på ulike delmengder av dataene. For hver fold ble det generert trenings- og valideringskurver under læringsprosessen og den beste modellen fra hver fold ble lagret. En majoritetsensemblemodell ble deretter generert og brukt på hold-out-testdatasettet. Sammenligning av cystevolum og cysteindeks ble utført ved lineær regresjon, og den cystiske indeksen ble også vurdert ved Bland-Altman-analyse for å vurdere skjevhet og presisjon av målingene. I tillegg ble det laget visuelle overlegg for å kvalitativt vurdere den automatiserte metoden, og likhetsmålinger ble generert for kvantitativ vurdering. I hvert tilfelle ble de to lesersegmenteringene sammenlignet for å vurdere interobservatørvariabilitet, og den automatiserte tilnærmingen ble sammenlignet individuelt med hver leser.

ørken cistanche fordeler: forbedre nyrefunksjonen

Resultater

Det var ingen signifikant forskjell mellom trenings-, validerings- og testdatasettene når det gjelder sykdommens alvorlighetsgrad (dvs. TKV). Vist i fig. 1 er volumfordelingene visualisert som kjernetetthetsplott. Disse vises for de tre foldene, samt den samlede fordelingen mellom trening/validering, og testsettet. Denne totale fordelingen er representativ for den store graden av variasjon sett i ADPKD-pasientpopulasjonen.

Den automatiserte metoden hadde lignende ytelsestrening på de tre forskjellige foldene. Figur 2 viser læringskurvene for de tre forskjellige foldene, inkludert både trening og validering av terningverdier under modelltrening. Modellvektene oppdateres på treningssettet og evalueres ved slutten av hver epoke på det separate valideringssettet. Modellen med best valideringsytelse lagres under treningsprosessen og brukes til å utvikle den endelige ensemblemodellen.

Den automatiserte tilnærmingen var utmerket til å segmentere cystene nøyaktig. Vist i fig. 3 og 4 er de lineære regresjonssammenlikningene for interobservatørvariabilitet, den automatiserte metoden vs. Reader-1, og den automatiserte metoden vs. Reader-2 for cystevolum (fig. 3), samt cysteindeks (Fig. 4). I tillegg presterte den automatiserte metoden på samme nivå som menneskelige lesere. Vist i fig. 5 er Bland-Altman-sammenlikningene for cystisk indeks. Merk at pasientene omfatter et bredt spekter av sykdommers alvorlighetsgrad, fra tilfeller med svært få cyster, til tilfeller som nesten vil fullføre erstatning av nyreparenkym med cyster. Den cystiske indeksen varierte fra ~ 0 til > 90 prosent .

Visuelt var det en eksepsjonell samsvar mellom den automatiserte segmenteringstilnærmingen og de manuelle leserne. Figur 6 viser de visuelle sammenligningene for ett av de bedre tilfellene (øverste rad, terning=0.98), verste tilfelle (midtrad, terning=0.50) og et gjennomsnittlig tilfelle (nederste rad , Terning=0.86).

Generelt var den automatiserte tilnærmingen umulig å skille fra variasjonen som ble sett av to forskjellige lesere som utførte sporingen. Vist i tabell 1 er likhetsstatistikken som sammenligner interobservatørvariabiliteten med den oppnådd mellom den automatiske tilnærmingen og Reader-1, samt den automatiserte tilnærmingen og Reader-2.

cistanche tubolosa ekstrakt: akteosid

Diskusjon

Dyplæring innen AI har gitt forskere utallige verktøy for å evaluere data effektivt og grundig, spesielt innen medisinsk bildeanalyse. Algoritmen utviklet i denne studien segmenterte nyrecyster nøyaktig fra nyrevev uten brukerintervensjon. Før denne modellen implementerte tilnærminger for å avgrense cystiske strukturer fra organvev semi-automatiserte intensitetsbaserte terskelteknikker [16, 17, 20]. En begrensning av intensitetsbaserte tilnærminger er at, i motsetning til CT, kan MR-pikselverdier variere drastisk mellom anskaffelser, og til og med mellom stykker innenfor en anskaffelse, noe som krever omfattende forbehandlingsteknikker for å normalisere dataene på riktig måte [26]. Videre vil denne teknikken med intensitetsbasert terskel fullstendig savne komplekse cyster som har lavere signalintensitet [16].

Modellen presentert i denne studien oppnådde en gjennomsnittlig terning-score på 85 prosent for cystesegmentering, dette resultatet er sammenlignbart med de andre toppmoderne teknikkene implementert for organsegmentering. I ADPKD har alle automatiserte tilnærminger ved bruk av dyp læring rapportert i litteraturen fokusert på organsegmenteringsoppgaven, mest for nyresegmentering. Noen av disse tilnærmingene inkluderer et tilpasset VGG-16-nettverk implementert av Sharma et. al [27] for å segmentere nyrer i CT-bilder. Gjennomsnittlig terningspoeng fra denne studien var 86 prosent . Keshwani et. al, [28] på samme måte brukte CT-skanninger for å forutsi nyresegmenteringer, ble et multi-task 3D konvolusjonelt nevralt nettverk implementert som oppnådde en gjennomsnittlig terning-score på 95 prosent. Mu et al. [29] brukte derimot MR-bilder for automatisk å generere nyresegmentering ved å bruke en V-Net-modell, og den rapporterte Dice-skåren var 95 prosent.

Den automatiserte tilnærmingen sammenlignet svært tett med manuelle sporinger i alle beregninger. Når det gjelder lineære regresjoner, sammenlignet den automatiserte tilnærmingen veldig tett med begge leserne. I tillegg hadde den cystiske indeksen en lignende skjevhet og presisjon som menneskelige lesere. Jo bedre presisjon skyldes sannsynligvis det faktum at den automatiserte tilnærmingen vil være mer konsistent enn en menneskelig leser. Det ble funnet at den største forskjellen ble sett i Hausdorf-avstanden, som kan være et resultat av noen mindre falske positiver som sannsynligvis kan håndteres ved enkel etterbehandling (f.eks. multiplisere produksjonen av modellens cystesegmenteringsmaske med nyremasken ). I tillegg var den visuelle enigheten utrolig sterk. Det verste tilfellet, når det gjelder likhetsmålinger, var for en veldig mild presentasjon av sykdommen. I dette tilfellet kan en menneskelig leser raskt gi en kvalitetsvurdering for å fullføre cystesegmenteringen. Generelt segmenterer tilnærmingen nøyaktig cyster i et bredt spekter av størrelser. I denne studien ble cyster målt ned til ~ 3-5 mm. Dette er begrenset av den rekonstruerte bildeoppløsningen, som i planet er i størrelsesorden ~ 1,5 mm. I tillegg hadde den største cysten en diameter på 118 mm.

Å ha muligheten til automatisk å vurdere cystisk byrde åpner opp døren for retrospektive studier som bruker teknikken som presenteres her. Tidligere studier har brukt mer grunnleggende tilnærminger for å vurdere cystisk byrde og har vist den lovende informative verdien av disse bildeavledede parametrene. Tidligere korttidsstudier har vist at tolvaptan reduserte cystevolum hos behandlede ADPKD-pasienter når cystevolum ble målt på en liten kohort [30]. Ytterligere analyse bør fullføres for å vurdere om disse effektene fortsetter gjennom langtidsadministrasjonen av legemidlet. Den automatiserte metoden presentert i denne studien vil gi rask og enkel analyse av et større datasett. Sporing av cystevekst kan også informere om spesifikke genotyper. En studie fant at pasienter med PKD1 har et større antall cyster enn pasienter med PKD2. Mer spesifikt utvikler pasienter med PKD1 seg raskere fordi flere cyster utvikler seg tidlig, ikke fordi de vokser raskere [11].

En begrensning ved denne studien er at den evaluerte en relativt liten kohort (n=60). Generering av gullstandard cystesegmenteringer tok imidlertid opptil 8 timer avhengig av sykdommens alvorlighetsgrad. På grunn av denne begrensningen utviklet vi denne spesielle kohorten for å spenne over hele omfanget av sykdomsfenotypiske presentasjoner, fra nyrer som består av få cyster (cystisk indeks=0,5 prosent ) opp til nyrer med nyreparenkym nesten utelukkende erstattet av cyster (cystisk indeks=90 prosent ). Å ha etablert en metode for å vurdere cystisk belastning over hele omfanget av sykdomsfenotyper vil gjøre denne tilnærmingen sterkt generaliserbar. En annen begrensning er at vi ikke oppdager mikroskopiske cyster under bildeoppløsningen. Imidlertid bidrar disse mikrocystene med en relativt liten mengde til det totale cystevolumet [31]

Fremtidige studier kan evaluere større kohorter, og automatiserte metoder kan utforskes for å segmentere og differensiere individuelle cyster. Dette vil lette automatisk telling av antall cyster og evaluering av cystestørrelsesfordelinger. Dette kan også tillate automatisk klassifisering av typiske fra atypiske pasienter, som informerer om risikoen for progresjon og sannsynlighet for å dra nytte av medikamentell behandling. De fleste av kriteriene som skiller de atypiske fra de typiske tilfellene er avhengig av cysteindeks, antall og størrelse. For eksempel anses en pasient som atypisk hvis Mindre enn eller lik 5 cyster står for Større enn eller lik 50 prosent TKV og det er mild erstatning av nyrevev fra cyster [32]. Et verktøy som beregner dette automatisk vil tillate ekstremt raske og objektive klassifiseringer under den kritiske studieregistreringsfasen.

Cystestruktur og sammensetning blir også sett på som svært informativ ved vurdering av ADPKD. Når de cystiske områdene er avgrenset fra nyreparenkymet, kan ytterligere intensitets- og/eller teksturbasert analyse utføres for å bestemme prosentandelen eller fordelingen av komplekse cyster. Vanligvis er disse komplekse cystene preget av "mørkere" intensiteter i T2-vektet MR-avbildning. Tilsynelatende kan sunt parenkymvev analyseres på lignende måte etter å ha blitt isolert fra større cyster. En annen tilnærming vil være å inkludere flere bildeanskaffelser (f.eks. kombinere T1- og T2-vektet MR-bilder) for ikke bare å hjelpe til med segmentering av cyster, men også for å klassifisere dem også. Utvidelse til andre avbildningsmodaliteter (f.eks. CT) og organer (f.eks. lever) vil også være viktig for å gi en omfattende karakterisering av PKD-fenotypen og utføre store studier der blandede bildedata (f.eks. ultralyd, datatomografi og/ eller magnetisk resonansavbildning) er tilgjengelig for forskjellige pasienter, og ekstrarenale manifestasjoner (f.eks. PLD) er tilstede.

Konklusjoner

Vi har utviklet en helautomatisk metode for semantisk segmentering av nyrecyster fra MR-bilder av pasienter rammet av ADPKD. Metoden presterer på nivå med menneskelige lesere og vil være nyttig i fremtidige retrospektive og prospektive studier for å evaluere pasientfenotyper og generell cystisk belastning.

Referanser

1. PA Gabow, "Autosomal dominant polycystisk nyresykdom," N Engl J Med, vol. 329, nr. 5, s. 332-42, 29. juli 1993,

2. PC Harris og VE Torres, "Polycystisk nyresykdom," Annu Rev Med, vol. 60, s. 321-37, 2009

3. AB Chapman et al., "Autosomal-dominant polycystisk nyresykdom (ADPKD): executive summary from a Kidney Disease: Improving Global Outcomes (KDIGO) Controversies Conference," Kidney Int, vol. 88, nei.

4. EM Spithoven et al., "Nyrerstatningsterapi for autosomal dominant polycystisk nyresykdom (ADPKD) i Europa: prevalens og overlevelse--en analyse av data fra ERA-EDTA Registry," Nephrol Dial Transplant, vol. 29 Suppl 4, s. iv15-25, sep 2014,

5. RD Perrone et al., "Totalt nyrevolum er en prognostisk biomarkør for nedsatt nyrefunksjon og progresjon til sluttstadium nyresykdom hos pasienter med autosomal dominant polycystisk nyresykdom," Kidney Int Rep, vol. 2, nei. 3, s. 442-450, mai 2017, DOI:

6. AB Chapman et al., "Nyrevolum og funksjonelle utfall ved autosomal dominant polycystisk nyresykdom," Clin J Am Soc Nephrol, vol. 7, nei. 3, s. 479-86, mars 2012

7. JJ Grantham, AB Chapman og VE Torres, "Volumprogresjon i autosomal dominant polycystisk nyresykdom: den viktigste faktoren som bestemmer kliniske utfall," Clin J Am

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2. og 1505-11, august 2000. [Online]. Tilgjengelig: https://www.ncbi.nlm.

11. PC Harris et al., "Cysteantall, men ikke hastigheten på cystisk vekst er assosiert med det muterte genet ved autosomal dominant polycystisk nyresykdom," J Am Soc Nephrol, vol. 17, nei. 11, s. 3013-9, nov 2006, https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Mechanisms of progress in autosomal dominant polycystic kidney disease," Kidney Int Suppl, vol. 63, s. S93-7, desember 1997. [Online]. Tilgjengelig: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. TL Kline et al., "Bildeteksturfunksjoner forutsier nedsatt nyrefunksjon hos pasienter med autosomal dominant polycystisk nyresykdom," Kidney Int, vol. 92, nei. 5, s. 1206-1216, nov 2017, https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline et al., "Quantitative MRI of kidneys in renal disease," Abdom Radiol (NY), vol. 43, nei. 3, s. 629-638, mars 2018

15. KT Bae, PK Kommentar og J. Lee, "Volumetrisk måling av nyrecyster og parenkym ved bruk av MR: fantomer og pasienter med polycystisk nyresykdom," J Comput Assist Tomogr, vol. 24, nei. 4, s. 614-9, juli-aug 2000

16. KT Bae et al., "Ny metodikk for å evaluere nyrecyster ved polycystisk nyresykdom," Am J Nephrol, vol. 39, nei. 3, s. 210- 7, 2014

17. AB Chapman et al., "Nyrestruktur i tidlig autosomal-dominant polycystisk nyresykdom (ADPKD): The Consortium for Radiologic Imaging Studies of Polycystic Kidney Disease (CRISP) cohort," Kidney Int, vol. 64, nei. 3, s. 1035-45, september 2003,

18. K. Bae et al., "Segmentering av individuelle nyrecyster fra MR-bilder hos pasienter med autosomal dominant polycystisk nyresykdom," Clin J Am Soc Nephrol, vol. 8, nei. 7, s. 1089-97, juli 2013, DOI: https://doi.org/10.2215/CJN.10561012.

19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres og BJ Erickson, "Semiautomated Segmentation of Polycystic Kidneys in T2-Weighted MR Images," AJR Am J Roentgenol, vol. 207, nr. 3, s. 605-13, september 2016, https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim et al., "Automatisk segmentering av lever- og levercyster fra avgrensede abdominale MR-bilder hos pasienter med autosomal dominant polycystisk nyresykdom," Phys Med Biol, vol. 61, nei. 22, s. 7864-7880, nov 21 2016, DOI:

cistanche helsemessige fordeler: forbedre nyrefunksjonen