Samodejna semantična segmentacija ledvičnih cist na slikah MR bolnikov, ki jih je prizadela avtosomno dominantna policistična ledvična bolezen

Kontakt: Audrey Hu Whatsapp/hp: 0086 13880143964 E-pošta: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

Povzetek

NamenZa bolnike z avtosomno dominantno policistično boleznijoledvicabolezen(ADPKD) je uspešna diferenciacija cist uporabna za samodejno razvrščanje fenotipov bolnikov, klinično odločanje in napredovanje bolezni. Cilj je bil razviti in ovrednotiti popolnoma avtomatizirano metodo semantične segmentacije za razlikovanje in analizo ledvičnih cist pri bolnikih z ADPKD.

Metode Pristop avtomatiziranega globokega učenja z uporabo konvolucijske nevronske mreže je bil usposobljen, potrjen in preizkušen na nizu 60 MR T2-uteženih slik. Pristop trikratne navzkrižne validacije je bil uporabljen za usposabljanje treh modelov na različnih nizih za usposabljanje in validacijo (n=40). Nato je bil zgrajen in preizkušen model ansambla na zadržanih primerih (n=20), pri čemer je bil vsak od primerov primerjan z ročnimi segmentacijami, ki sta jih opravila dva bralnika. Ocenjeno je bilo ujemanje segmentacije med bralci in avtomatizirano metodo.

RezultatiUgotovljeno je bilo, da avtomatiziran pristop deluje na ravni variabilnosti med opazovalci. Avtomatski pristop je imel koeficient Dice (srednja vrednost ± standardna deviacija) {{0}}.86 ± 0.10 proti Readerju-1 in {{10}}.84 ± {{20}}.11 proti Readerju-2. Interobserver Dice je bil 0.86 ± 0,08. Kar zadeva skupni volumen ciste (TCV), je imel avtomatiziran pristop odstotek razlike 3,9 ± 19,1 odstotka v primerjavi z Readerjem-1 in 8,0 ± 24,1 odstotka v primerjavi z Readerjem-2, medtem ko je bila variabilnost med opazovalci −2,0 ± 16,4 odstotkov.

Zaključek Ta študija je razvila in potrdila popolnoma avtomatiziran pristop za izvajanje semantične segmentacijeledvicaciste na MR slikah bolnikov z ADPKD. Ta pristop bo uporaben za raziskovanje dodatnih slikovnih biomarkerjev ADPKD in samodejno razvrščanje fenotipov.

Ključne besedeAvtosomno dominantna policističnaledvicabolezen· Semantična segmentacija ciste · Globoko učenje · Slikanje z magnetno resonanco

Cistanche deserticola koristi: preprečujeledvicabolezen

Uvod

Avtosomno dominantna policističnaledvicabolezen(ADPKD) je najpogostejša dedna ledvična bolezen, ki prizadene približno 12 milijonov ljudi po vsem svetu in je trenutno četrti vodilni vzrok za odpoved ledvic [1, 2]. Njegova patologija je takšna, da stalna rast cist povzroči progresivno povečanje celotnega številaledvicaobseg (TKV). Tipičen bolnik z ADPKD kaže progresivno upadanje ledvične funkcije in približno 70-odstotno napredovanje do končne ledvične odpovedi med 40. in 70. letom [3, 4].

Številne študije so pokazale, da je TKV koristen napovedovalec napredovanja ADPKB [5–7]. Podobno zmožnost razmejitve in merjenja cistične obremenitve dodatno prispeva k našemu poznavanju napredovanja bolezni, strukture in genotipskih variant. Dobro je znano, da sta razvoj in rast cist močno povezana z upadom delovanja ledvic [6, 8]. Poleg tega se je pokazalo, da obstaja neposredna povezava med rastjo TKV in rastjo ciste; vendar je hitrost, s katero ciste rastejo in nastajajo nove ciste, odvisna od vsakega posameznika [9]. Poleg tega so longitudinalne študije pokazale, da se sčasoma pri bolnikih z ADPKD poveča TKV in volumen ciste ter zmanjša skupni volumen parenhima, kar kaže na necističneledvicatkivose nadomesti z več cistami in cistami, ki se nenehno povečujejo [10]. Zanimivo je, da se rast ciste in cistični indeks (razmerje med volumnom ciste in TKV) močno razlikujeta med genotipoma PKD1 in PKD2, saj se pri bolnikih v populaciji PKD1 ciste ponavadi razvijejo prej [11, 12]. Dodatna analiza cistične obremenitve in rasti ima potencial za obveščanje o trendih bolezni in terapevtskih strategijah.

Ko se pojavljajo novi slikovni biomarkerji, znanstveniki iščejo hitre in učinkovite metode za izolacijo cističnih in necističnihledvicaregije za bolj poglobljeno, kvantitativno analizo lastnosti tkiv [13, 14]. V preteklosti so regije cist in ledvic segmentirali ročno, kar je zelo delovno intenzivno in subjektivno [15]. Predlagani so bili različni polavtomatski pristopi segmentacije cist z uporabo praga na podlagi intenzivnosti kot inicializacije [16, 17], pa tudi klasičnih tehnik strojnega učenja, kot je združevanje k-povprečij [18], konturne metode [19] in predhodna verjetnost oblike zemljevidi [20]. Vendar pa lahko popolnoma avtomatiziran pristop globokega učenja z uporabo nevronskih mrež reši slikovnega analitika dolgočasnega ročnega sledenja in zagotovi ponovljive in robustne izračune volumna in segmentacije. Globoko učenje je edinstveno za zgoraj omenjene metode segmentacije, saj se je model sposoben "učiti" pomembnih funkcij slike iz podatkovnih vnosov, ki mu omogočajo izvedbo končne naloge segmentacije. Z usposabljanjem je model sposoben zaznati vzorce, intenzivnost slikovnih pik in informacije o obliki, ki jih človeško oko morda ne bo zlahka zaznalo.

Konvolucijske nevronske mreže (CNN), ki se začnejo z zmanjšanjem prostorske ločljivosti, ki ji sledi obnovitev ločljivosti, so zaradi svoje edinstvene arhitekture odlične pri nalogah segmentacije medicinske slike na ravni slikovnih pik/vokslov. Skratka, prvi odsek krčenja je niz konvolucijskih plasti in plasti za zmanjšanje ločljivosti, ki se uporabljajo za zmanjšanje kompleksnosti slike, drugi odsek razširitve pa je v bistvu zrcalna slika prve poti, ki se uporablja za kombiniranje funkcij in prostorskih informacij. Arhitektura U-Net [21] je eno takšnih omrežij, ki je bilo v analizi medicinske slike znatno uporabljeno za reševanje nalog segmentacije. Posebna prednost te arhitekture je, da ne zahteva velikega nabora usposabljanja v primerjavi z drugimi omrežji in daje zelo natančne rezultate segmentacije.

V tej študiji uporabljamo nabor podatkov MR slik PKDledvices sledmi cist dveh bralcev, ki služijo kot temeljna resnica. Razvit je avtomatiziran pristop (spremenjena arhitektura tipa U-Net), model ansambla pa je vzpostavljen in preizkušen na testnem nizu podatkov. Model globoke nevronske mreže, opisan v tej študiji, omogoča semantično segmentacijoledvicaciste za določanje skupnega volumna ciste (TCV) in se lahko izkažejo za koristne za nadaljnjo oceno fenotipov bolezni.

koristi cistanche tubolosa

Materiali in metode

MR slikovni podatki

To retrospektivno študijo je odobril institucionalni revizijski odbor na https://github.com/TLKline/ AutoKidneyCyst. MR-skeni 60 edinstvenih bolnikov z ADPKD različnih stopenj resnosti so bili vzeti iz naše zbirke podatkov o slikah PKD. V tej analizi so bili uporabljeni T2-tehtani pregledi maščob (N=42) in nasičenih brez maščob (N=18). Slike MR so bile koronalne sekvence T2 s hitrim spin-odmevom (SSFSE), pridobljene s skenerjem GE, z velikostjo matrice 256 × 256xZ (z dovolj velikim Z, da pokrije celoten obseg ledvic znotraj posnetega volumna). Velikosti slikovnih vokselov so bile v ravnini reda velikosti 1,5 mm s tipično debelino rezine 3,0 mm.

Ročne segmentacije

Sledenje ledvic in cist sta ročno izvedla dva slikovna analitika (https://github.com/TLKline/AutoK idneyCyst) z dolgoletnimi izkušnjami pri izvajanju teh sledenj. Niz za usposabljanje/validacijo je izsledil en bralec, niz za testiranje pa sta izsledila oba, da bi ocenili variabilnost med opazovalci. Protokol analize slike izključuje ledvično medenico in žilne strukture. Iz sledi sta bila izračunana TKV in TCV kot število vokslov, pomnoženo z volumnom voksla. Vsak analitik je bil zaslepljen za sledi drugega. Te sledi so bile izvožene kot datoteke NIfTI.

Stratifikacija podatkov

Iz segmentacij TKV, ki so bile ustvarjene za vsako skeniranje, so bili pregledi razvrščeni v 40 primerov usposabljanja/validacije in 20 primerov za nabor testov zadrževanja. Nabor podatkov za usposabljanje/validacijo je vseboval 28 primerov nasičenih z maščobami in 12 primerov nasičenih brez maščob (70 odstotkov nasičenih z maščobami). Testni niz vzdržljivosti je vseboval 14 primerov nasičenih z maščobami in 6 primerov nasičenih brez maščob (70 odstotkov nasičenih z maščobami).

Predobdelava

Model je bil usposobljen kot dvokanalni pristop z rezino MR slike kot enim kanalom in segmentacijo ledvic kot drugim. Upoštevajte, da se s tem dvokanalnim pristopom nevronska mreža nauči identificirati samo ciste v ledvicah. Slike so bile spremenjene v velikost matrike 256 × 256 z uporabo interkubične interpolacije za slike MR in interpolacije najbližjega soseda za maske segmentacije ledvic in cist. Intenzivnost vsakega MR skeniranja je bila najprej normalizirana, da so vse imele enako raven 95. percentila, nato pa je bila uporabljena standardna skalarna normalizacija (ničelna sredina, standardna deviacija enote).

Semantični model segmentacije

Arhitektura omrežja je bila podobna našim prejšnjim delom [22, 23]. Konvolucijski bloki so sestavljeni iz 2D-konvolucij, ki jim sledi izpad (izpad=0.1), paketna normalizacija, 2D-konvolucije in največje združevanje (velikost bazena=2 ×2). Plasti z višjo ločljivostjo imajo večja jedra (od 7 × 7 do 5 × 5 do 3 × 3 v blokih po poti kodirnika in obratno navzgor po poti dekoderja), da se naučijo večjih in bolj zapletenih vrst filtrov. Preskočne povezave so izvedene kot aditivne plasti (podobno Resnetu [24]). Optimizator je Adam [25] z začetno hitrostjo učenja 1e-3 in razpadom 1e-5. Merilo izgube je metrika podobnosti Dice. Model se usposablja za 200 epoh z velikostjo serije=8 in model z najboljšo validacijsko mero se shrani med postopkom usposabljanja. Model je bil implementiran v Keras s TensorFlow kot zaledjem. Model je bil usposobljen na GPU Nvidia Tesla P40 (24 GB pomnilnika). Vhod v model je dvokanalna matrika (256 × 256 × 2). Prvi kanal je rezina MR slike, drugi pa ustrezna ledvična maska. Izhod je napoved za segmentacijo ciste. Skupno so bili trije modeli usposobljeni na treh različnih gibih za usposabljanje/validacijo, nato pa je bil izdelan model zasedbe, večinskega glasovanja, ki je bil uporabljen v testnem nizu zadrževanja. Koda je na voljo na:

Evalvacija

Kot je opisano v razdelku o modelu, je bil nabor za usposabljanje/validacijo razdeljen na tri dele, da bi se uril na različnih podmnožicah podatkov. Za vsak pregib so bile med procesom učenja ustvarjene krivulje usposabljanja in validacije, najboljši model iz vsakega pregiba pa je bil shranjen. Nato je bil ustvarjen model večinskega ansambla in uporabljen v naboru podatkov o vzdržljivem testu. Primerjava volumna ciste in indeksa ciste je bila izvedena z linearno regresijo, cistični indeks pa je bil ocenjen tudi z analizo Bland–Altman, da bi ocenili pristranskost in natančnost meritev. Poleg tega so bili izdelani vizualni prekrivni elementi za kvalitativno oceno avtomatizirane metode in ustvarjene metrike podobnosti za kvantitativno oceno. V vsakem primeru sta bili primerjani dve segmentaciji bralcev, da bi ocenili variabilnost med opazovalci, avtomatizirani pristop pa je bil primerjan posamično z vsakim bralcem.

koristi desert cistanche: izboljša delovanje ledvic

Rezultati

Med nabori podatkov za usposabljanje, validacijo in testiranje ni bilo pomembne razlike v smislu resnosti bolezni (tj. TKV). Na sliki 1 so prikazane prostorninske porazdelitve, prikazane kot ploskve gostote jedra. Ti so prikazani za tri zgibe, kot tudi celotno porazdelitev med usposabljanjem/validacijo in preskusnim nizom. Ta skupna porazdelitev je reprezentativna za veliko stopnjo variabilnosti, opaženo v populaciji bolnikov z ADPKD.

Avtomatizirana metoda je imela podoben trening uspešnosti na treh različnih gubah. Slika 2 prikazuje krivulje učenja za tri različne zgibe, vključno z vrednostmi kocke za usposabljanje in validacijo med usposabljanjem modela. Uteži modela se posodobijo na vadbenem nizu in ovrednotijo ​​na koncu vsake epohe na ločenem validacijskem nizu. Model z najboljšo validacijsko zmogljivostjo se shrani med procesom usposabljanja in uporabi za razvoj končnega modela ansambla.

Avtomatski pristop je bil odličen pri natančnem segmentiranju cist. Prikazano na sl. 3 in 4 sta primerjavi linearne regresije za variabilnost med opazovalci, avtomatizirana metoda v primerjavi z Readerjem-1 in avtomatizirana metoda v primerjavi z Readerjem-2 za volumen ciste (slika 3), kot tudi indeks ciste (slika 4). Poleg tega je avtomatizirana metoda delovala na podobni ravni kot pri človeških bralcih. Na sliki 5 so prikazane Bland–Altmanove primerjave za cistični indeks. Upoštevajte, da bolniki obsegajo širok razpon resnosti bolezni, od primerov z zelo malo cistami do primerov, pri katerih bo ledvični parenhim skoraj popolnoma zamenjan s cistami. Cistični indeks je znašal od ~ 0 do > 90 odstotkov.

Vizualno je prišlo do izjemnega ujemanja med pristopom avtomatizirane segmentacije in ročnimi čitalniki. Slika 6 prikazuje vizualne primerjave za enega od boljših primerov (zgornja vrstica, kocka=0.98), najslabši primer (srednja vrstica, kocka=0.50) in povprečni primer (spodnja vrstica , kocka=0.86).

Na splošno avtomatiziranega pristopa ni bilo mogoče razlikovati od variabilnosti, ki sta jo opazila dva različna bralnika, ki sta izvajala sledenje. V tabeli 1 je prikazana statistika podobnosti, ki primerja variabilnost med opazovalci s tisto, pridobljeno med avtomatiziranim pristopom in Readerjem-1 ter avtomatiziranim pristopom in Readerjem-2.

izvleček cistanche tubolosa: akteozid

Diskusija

Globoko učenje na področju umetne inteligence je znanstvenikom zagotovilo nešteto orodij za učinkovito in temeljito vrednotenje podatkov, zlasti pri analizi medicinskih slik. Algoritem, razvit v tej študiji, je natančno segmentiral ledvične ciste iz ledvičnega tkiva brez posredovanja uporabnika. Pred tem modelom so pristopi za razmejitev cističnih struktur iz organskega tkiva izvajali polavtomatizirane tehnike določanja praga na podlagi intenzivnosti [16, 17, 20]. Ena od omejitev pristopov, ki temeljijo na intenzivnosti, je, da se lahko za razliko od CT vrednosti pikslov MR drastično razlikujejo med pridobitvami in celo med rezinami znotraj ene pridobitve, kar zahteva obsežne tehnike predprocesiranja za ustrezno normalizacijo podatkov [26]. Poleg tega bo ta tehnika določanja praga na podlagi intenzivnosti popolnoma zgrešila kompleksne ciste, ki imajo nižjo intenzivnost signala [16].

Model, predstavljen v tej študiji, je dosegel povprečno oceno Dice 85 odstotkov za segmentacijo ciste, ta rezultat je primerljiv z drugimi najsodobnejšimi tehnikami, ki se uporabljajo za segmentacijo organov. V ADPKD so se vsi avtomatizirani pristopi z uporabo globokega učenja, o katerih poroča literatura, osredotočili na nalogo segmentacije organov, večinoma za segmentacijo ledvic. Nekateri od teh pristopov vključujejo prilagojeno omrežje VGG-16, ki so ga implementirali Sharma et. al [27] za segmentacijo ledvic na slikah CT. Povprečni rezultat Dice iz te študije je bil 86 odstotkov. Keshwani et. al, [28] podobno uporabil CT skeniranje za napovedovanje segmentacij ledvic, je bila izvedena večopravilna 3D konvolucijska nevronska mreža, ki je dosegla povprečno oceno Dice 95 odstotkov. Mu et al. [29] je po drugi strani uporabil slike MR za samodejno ustvarjanje segmentacije ledvic z uporabo modela V-Net, poročana ocena Dice pa je bila 95 odstotkov.

Samodejni pristop je v primerjavi z ročnim sledenjem v vseh meritvah zelo blizu. Kar zadeva linearne regresije, se je avtomatizirani pristop zelo dobro primerjal z obema bralcema. Poleg tega je imel cistični indeks podobno pristranskost in natančnost kot človeški bralci. Večja natančnost je verjetno posledica dejstva, da bo avtomatiziran pristop bolj dosleden kot človeški bralnik. Ugotovljeno je bilo, da je bila največja razlika opažena v Hausdorfovi razdalji, kar je lahko posledica nekaterih manjših lažno pozitivnih rezultatov, ki bi jih verjetno lahko obravnavali s preprosto naknadno obdelavo (npr. pomnožitev izhoda modelne maske za segmentacijo ciste z masko ledvic ). Poleg tega je bil vizualni dogovor neverjetno močan. Najslabši primer, kar zadeva meritve podobnosti, je bila zelo blaga predstavitev bolezni. V tem primeru lahko človeški bralec hitro zagotovi oceno kakovosti za dokončanje segmentacije ciste. Na splošno ta pristop natančno segmentira ciste različnih velikosti. V tej študiji so bile ciste izmerjene do ~ 3-5 mm. To je omejeno z ločljivostjo rekonstruirane slike, ki je v ravnini reda velikosti ~ 1,5 mm. Poleg tega je imela največja cista premer 118 mm.

Možnost samodejnega ocenjevanja cistične obremenitve odpira vrata za retrospektivne študije z uporabo tukaj predstavljene tehnike. Predhodne študije so uporabile bolj osnovne pristope za ocenjevanje cistične obremenitve in pokazale obetavno informativno vrednost teh parametrov, pridobljenih s sliko. Prejšnje kratkoročne študije so pokazale, da je tolvaptan zmanjšal volumen ciste pri zdravljenih bolnikih z ADPKD, ko je bil volumen ciste izmerjen na majhni kohorti [30]. Opraviti je treba nadaljnjo analizo, da se oceni, ali se ti učinki nadaljujejo med dolgotrajno uporabo zdravila. Avtomatizirana metoda, predstavljena v tej študiji, bo omogočila hitro in enostavno analizo večjega nabora podatkov. S sledenjem rasti cist lahko pridobimo tudi informacije o specifičnih genotipih. Ena študija je pokazala, da imajo bolniki s PKD1 večje število cist kot bolniki s PKD2. Natančneje, bolniki s PKD1 napredujejo hitreje, ker se zgodaj razvije več cist, ne zato, ker rastejo hitreje [11].

Ena od omejitev te študije je, da je ocenila razmeroma majhno kohorto (n=60). Vendar pa je ustvarjanje zlatih standardnih segmentacij ciste trajalo do 8 ur, odvisno od resnosti bolezni. Zaradi te omejitve smo razvili to posebno kohorto, ki zajema celoten obseg fenotipskih predstavitev bolezni, od ledvic, sestavljenih iz nekaj cist (cistični indeks=0.5 odstotkov), do ledvic z ledvičnim parenhimom, ki je skoraj v celoti nadomeščen z ciste (cistični indeks=90 odstotkov). Z vzpostavitvijo metode za oceno cistične obremenitve v celotnem obsegu fenotipov bolezni bo ta pristop močno posplošljiv. Druga omejitev je, da ne odkrivamo mikroskopskih cist pod ločljivostjo slikanja. Vendar pa te mikrociste prispevajo relativno majhno količino k celotnemu volumnu ciste [31]

Prihodnje študije lahko ocenijo večje kohorte, avtomatizirane metode pa je mogoče raziskati za segmentacijo in diferenciacijo posameznih cist. To bo olajšalo samodejno štetje števila cist in ocenjevanje porazdelitve velikosti cist. To lahko tudi omogoči samodejno razvrščanje tipičnih od atipičnih bolnikov, kar pove o tveganju napredovanja in verjetnosti koristi od terapij z zdravili. Večina meril, ki ločujejo atipične od tipičnih primerov, temelji na indeksu, številu in velikosti cist. Na primer, bolnik velja za atipičnega, če manj kot ali enako 5 cist predstavlja več kot ali enako 50 odstotkov TKV in obstaja blaga zamenjava ledvičnega tkiva iz cist [32]. Orodje, ki to samodejno izračuna, bi omogočilo izjemno hitre in objektivne klasifikacije v kritični fazi vpisa na študij.

Struktura in sestava ciste sta prav tako zelo informativni pri ocenjevanju ADPKD. Ko so cistične regije razmejene od ledvičnega parenhima, se lahko izvede nadaljnja analiza na podlagi intenzivnosti in/ali teksture, da se določi odstotek ali porazdelitev kompleksnih cist. Običajno so za te kompleksne ciste značilne "temnejše" intenzivnosti na T2-uteženem MR slikanju. Navidez zdravo parenhimsko tkivo lahko analiziramo na podoben način, potem ko ga izoliramo iz večjih cist. Drug pristop bo vključitev več pridobitev slik (npr. kombinacija T1- in T2-uteženih MR slik), da bi ne samo pomagali pri segmentaciji cist, ampak tudi pomagali pri njihovem razvrščanju. Razširitev na druge načine slikanja (npr. CT) in organe (npr. jetra) bo prav tako pomembna za zagotavljanje celovite karakterizacije fenotipa PKD in izvedbo obsežnih študij, kjer so mešani slikovni podatki (npr. ultrazvok, računalniška tomografija in/ ali slikanje z magnetno resonanco) so na voljo za različne bolnike in so prisotne zunajledvične manifestacije (npr. PLD).

Sklepi

Razvili smo popolnoma avtomatizirano metodo za semantično segmentacijo ledvičnih cist iz MR slik bolnikov z ADPKD. Metoda deluje enako kot pri človeških bralcih in bo uporabna v prihodnjih retrospektivnih in prospektivnih študijah za oceno fenotipov pacientov in celotnega cističnega bremena.

Reference

1. PA Gabow, "Avtosomno dominantna policistična bolezen ledvic", N Engl J Med, vol. 329, št. 5, str. 332-42, 29. julij 1993,

2. PC Harris in VE Torres, "Policistična bolezen ledvic," Annu Rev Med, vol. 60, str. 321-37, 2009

3. AB Chapman et al., "Avtosomno prevladujoča policistična ledvična bolezen (ADPKD): povzetek konference o sporih o bolezni ledvic: izboljšanje globalnih rezultatov (KDIGO)," Kidney Int, vol. 88, št.

4. EM Spithoven et al., »Ledvično nadomestno zdravljenje avtosomno dominantne policistične ledvične bolezni (ADPKD) v Evropi: razširjenost in preživetje--analiza podatkov iz registra ERA-EDTA,« Nephrol Dial Transplant, vol. 29 Suppl 4, str. iv15-25, september 2014,

5. RD Perrone et al., "Celotni volumen ledvic je prognostični biomarker zmanjšanja ledvične funkcije in napredovanja do končne ledvične bolezni pri bolnikih z avtosomno dominantno policistično boleznijo ledvic," Kidney Int Rep, vol. 2, št. 3, str. 442-450, maj 2017, DOI:

6. AB Chapman et al., Volumen ledvic in funkcionalni rezultati pri avtosomno dominantni policistični bolezni ledvic, Clin J Am Soc Nephrol, vol. 7, št. 3, str. 479-86, marec 2012

7. JJ Grantham, AB Chapman in VE Torres, "Napredovanje volumna pri avtosomno dominantni policistični bolezni ledvic: glavni dejavnik, ki določa klinične izide," Clin J Am

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2. in 1505-11, avgust 2000. [Na spletu]. Dostopno: https://www.ncbi.nlm.

11. PC Harris et al., "Število cist, ne pa stopnja cistične rasti, je povezano z mutiranim genom pri avtosomno dominantni policistični bolezni ledvic," J Am Soc Nephrol, vol. 17, št. 11, str. 3013-9, november 2006, https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Mehanizmi napredovanja pri avtosomno dominantni policistični bolezni ledvic," Kidney Int Suppl, vol. 63, str. S93-7, december 1997. [Na spletu]. Dostopno: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. TL Kline et al., "Funkcije teksture slike napovedujejo upad ledvične funkcije pri bolnikih z avtosomno dominantno policistično boleznijo ledvic," Kidney Int, vol. 92, št. 5, str. 1206-1216, november 2017, https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline et al., "Kvantitativna MRI ledvic pri ledvični bolezni," Abdom Radiol (NY), vol. 43, št. 3, str. 629-638, marec 2018

15. KT Bae, PK Comment, in J. Lee, "Volumetrična meritev ledvičnih cist in parenhima z uporabo MRI: fantomi in bolniki s policistično boleznijo ledvic," J Comput Assist Tomogr, vol. 24, št. 4, str. 614-9, julij-avgust 2000

16. KT Bae et al., "Nova metodologija za oceno ledvičnih cist pri policistični bolezni ledvic," Am J Nephrol, vol. 39, št. 3, str. 210- 7, 2014

17. AB Chapman et al., "Ledvična struktura pri zgodnji avtosomno dominantni policistični ledvični bolezni (ADPKD): kohorta konzorcija za radiološke slikovne študije policistične ledvične bolezni (CRISP)," Kidney Int, vol. 64, št. 3, str. 1035-45, september 2003,

18. K. Bae et al., "Segmentacija posameznih ledvičnih cist iz MR slik pri bolnikih z avtosomno dominantno policistično boleznijo ledvic," Clin J Am Soc Nephrol, vol. 8, št. 7, str. 1089-97, julij 2013, DOI: https://doi.org/10.2215/CJN.10561012.

19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres in BJ Erickson, "Polavtomatizirana segmentacija policističnih ledvic v T2-uteženih MR slikah," AJR Am J Roentgenol, vol. 207, št. 3, str. 605-13, september 2016, https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim et al., "Avtomatizirana segmentacija jeter in jetrnih cist iz omejenih abdominalnih MR slik pri bolnikih z avtosomno dominantno policistično boleznijo ledvic," Phys Med Biol, vol. 61, št. 22, str. 7864-7880, nov 21 2016, DOI:

Cistanche koristi za zdravje: izboljša delovanje ledvic