Polikistik Böbrek Hastalığı İçin Etkili İzleme Yöntemi: Böbrek Hacmi Takibi

daha fazla bilgi için:ali.ma@wecistanche.com

Görüntüleme verilerinin, ek açıklamaların ve kaynak Kodunun kaynaklandırılması için otomatik toplam böbrek hacmi ölçümleri klinik öncesi manyetik rezonans görüntüleme

Marie E.Edwards, Sigapriya Periyanan, Deema Anaam, Adriana V.Gregory

ÖZ

Bu çalışmanın amacı, tam otomatik bir toplamı doğrulamaktı.böbrekSeshızlı, doğru, tekrarlanabilir ve bu kaynakları araştırma topluluğuna sağlamak için klinik öncesi kemirgen denemeleri için ölçüm yöntemi. Görüntülemeyi içeren kemirgen çalışmaları, aşağıdaki gibi hastalıklarda tedavi etkinliğini izlemek için çok önemlidir.polikistik böbrek hastalığı. Önceki çalışmalar, zaman alıcı ve potansiyel olarak önyargılı olan manuel veya yarı otomatik segmentasyonu kullanır. Otomatik sistemimizi geliştirmek için çeşitli fare modellerinden toplam 150 eksenel manyetik rezonans görüntüsü (MRI) manuel olarak bölümlere ayrıldı ve otomatik bir algoritmayı eğitmek/doğrulamak için kullanıldı. Modelin uzunlamasına uygulamasını test etmek için, dört mutant ve dört vahşi tip fare, MRI yoluyla üç ila on iki hafta boyunca sırayla görüntülendi. Segmentasyonlarıböbrekler(renal pelvis hariç) otomatik yöntemle ve iki farklı okuyucuyla oluşturuldu, bir okuyucu

ölçümler. Manüel yöntemlere kıyasla otomatikleştirilmiş olanın performansını değerlendirmek için benzerlik ölçütleri ve boylamsal analiz hesaplanmıştır. Otomatik yaklaşım, son bir görsel kalite kontrol adımının yanı sıra kullanıcı girişi gerektirmiyordu. Otomatikleştirilmiş yöntemin manuel segmentasyonlara karşı benzerlik metrikleri, okuyucular arası ve okuyucular arası karşılaştırmalarla aynıydı. Bu nedenle, burada açıklanan tam otomatik yaklaşımımız, kemirgen segmentasyonunu içeren uzunlamasına, klinik öncesi denemelerde güvenle kullanılabilir.böbreklerT2-ağırlıklı MRl'lerde.

Böbrek hastalığı için Urduca Cistanche için tıklayın

GİRİİŞ

Organ hacminin ölçümünün, toplam organ hacmi gibi hastalıkların klinik belirtileri ve morbiditesi ile korele olduğu gösterilmiştir.böbrekSes(TKV) otozomal dominantpolikistik böbrek hastalığı(PKD) ve tedavi müdahalelerinin etkinliğini belirlemek için kullanılır, Araştırma, klinik denemeler ve giderek artan klinik nefroloji, bu ölçümleri hem hayvan modellerinde hem de hastalarda hastalık ilerlemesini izlemek, tedavilerin etkinliğini değerlendirmek ve sonuçları tahmin etmek için kullanır."

Şu anda, PKD'nin ilerlemesini yavaşlatmak için yeni tedaviler aramak için eşi görülmemiş bir oranda preklinik çalışmalar yapılmaktadır (polikistik böbrek hastalığı), PKD'nin hayvan modellerinde manyetik rezonans görüntülemenin (MRI) önemli bir avantajı (polikistik böbrek hastalığı)aynı hayvanı kullanan boylamsal hacimsel çalışmalara izin veren görüntüleme görüntülemede kullanma yeteneğidir. Farenin manuel,-12 yarı otomatik,5,14 ve kayıt tabanlı otomatik segmentasyonunu içeren çok sayıda çalışmaböbreklerdaha önce gerçekleştirilmiştir.

Otomatik olarak kabul edilen yöntemlerin çoğu hala kullanıcı girişi gerektirir. Bu klinik öncesi çalışmaların çoğu, zaman alıcı ve maliyetli olan ve ayrıca gözlemci yanlılığını ortaya çıkaran manuel segmentasyonları kullanır. Bu nedenle laboratuvarımız, TKV ölçümündeki değişkenliği değerlendirmiş ve hastalığın murin modellerinin manyetik rezonans taramalarında TKV'yi ölçmek için otomatik bir analiz programı geliştirmiştir.

SONUÇLAR

El kitabının gözlemci içi ve gözlemciler arası değişkenliğiböbreksegmentasyonlar: Şekil 1, 2 okuyucu (gözlemciler arası varyans) ve okuyucu 2 (gözlemci içi varyans) tarafından tekrarlanan ölçümler tarafından manuel olarak ölçülen TKV'nin Bland-Altman analizinin sonuçlarını gösterir. Okuyucu 1, okuyucu 2 ile karşılaştırıldığında, yüzde 7.7'lik bir ortalama yüzde farkı ve yüzde ±4.5'lik yüzde 95'lik bir güven aralığı vardı. Okuyucu 2 aynı görüntünün tekrar ölçümlerini yaptığında, yüzde -0,5'lik bir ortalama yüzde farkı ve yüzde ±3,9'luk yüzde 95'lik bir güven aralığı vardı. Regresyon analizi, 0.99'a eşit veya Büyüktür R2 değeri ile tüm yöntemler arasında TKV'de yüksek bir uyum olduğunu göstermiştir.

Otomatik segmentasyon algoritmasının doğrulanması TKV'nin yüzde farkıyla ilgili olarak her okuyucu ile karşılaştırılan otomatik yöntem, Şekil 1'deki Bland-Altman grafikleri tarafından önerilen gözlemciler arası ve gözlemciler arası varyansınkine benzerdi. Okuyucu 1 ile karşılaştırıldığında. otomatik yöntemde, yüzde 5,2'lik bir ortalama yüzde farkı ve yüzde ± 5,8'lik yüzde 95'lik bir güven aralığı vardı. Okuyucu 2 otomatik yöntemle karşılaştırıldığında, ortalama yüzde farkı -2,5 yüzde ve yüzde 95 güven aralığı yüzde ±6.5 idi.

Yabani tip ve mutant fareler arasındaki ayrım: Ortalama ve SD TKV'ler, her yöntem için her zaman noktasında çizildi ve genotip (mutant ve vahşi tip) ile ayrıldı. Şekil 2'de görüldüğü gibi, ortalama TKV, vahşi tip farelerde her zaman noktasında mutant farelere göre her zaman daha küçüktür. 3 yöntemin tümü (otomatik, okuyucu 1 ve okuyucu 2), 9 ve 12 haftalıkken fare tipinde önemli bir ayrım olduğunu gösterir.

Şekil 1 |(c,g) okuyucu 1 ile karşılaştırıldığında otomatik (Auto) yönteme ek olarak (a,e) gözlemciler arası ve (b,f) gözlemciler arası toplam böbrek hacmi (TKV) ölçümlerinin (mililitre olarak ölçülür) Bland-Altman ve regresyon analizi ve (d,h) okuyucu 2. Bland-Altman grafikleri ortalama farkı (düz çizgi) ve yüzde 95 güven aralığını (noktalı çizgiler) gösterir. Regresyon analizi, karşılaştırılan yöntemler arasındaki ilişkiyi gösterir.

TARTIŞMA

analiziböbrekSesPKD'de (polikistik böbrek hastalığı)şu anda hastalık durumunu karakterize etmek için kullanılan en önemli ölçütlerden biridir. Çalışmamızdan önce manuel olarak takip etmenin bir alternatifi yoktu.böbreklerPKD'nin model sistemlerinde (polikistik böbrek hastalığı). Bu yapıların izlenmesi için geçen zamanın yanı sıra bu ölçümleri yapmak için bir kişinin eğitilmesi için gereken süre ve operatörler arası değişkenlik potansiyeli nedeniyle, bu çalışmada TKV için tam otomatik bir segmentasyon yöntemi geliştirdik ve doğruladık. Otomatik segmentasyonlar (bilgi işlem gücüne bağlı olarak) birkaç dakika içinde hesaplanırken, manuel segmentasyonlar 20 ila 40 dakika sürer. Manuel ve hatta yarı otomatik segmentasyon yöntemlerinden farklı olarak, bu otomatik yöntem aynı görüntüye her uygulandığında aynı kesin sonuçları verecektir.

Klinik öncesi araştırmalar genellikle hem bir kontrol grubunu hem de tedavi grubunu/gruplarını içerir; bu nedenle, otomatikleştirilmiş yöntemin gruplar arasındaki hacim farklılıklarını uygun şekilde tespit etmek için yeterince hassas olması önemlidir." Şekil 2, manuel segmentasyonun ve otomatik segmentasyonun hem vahşi tipte hem de mutant gruplarda 9 haftalıkken önemli bir ayrılma gösterdiğini göstermektedir. Genel uyum mükemmel olmasına rağmen, görsel karşılaştırmalar küçük bir dilim alt kümesinde renal pelvisin dahil edilip edilmeyeceği konusunda küçük bir anlaşmazlık olduğunu gösterdi.Renal pelvisi hariç tutmak yaygın bir uygulama olmasına rağmen, okuyuculara her zaman dahil etmeleri talimatı verilirse değişkenlik azalabilir. bu yapı.

Bu çalışmada sunulan otomatik yöntem henüz dış görüntülere uygulanmamıştır. Sinyal yoğunluklarının siteler, tarayıcılar ve MRI alımları arasında değişiklik gösterdiğine dikkat etmek önemlidir. Derin öğrenme algoritmalarının doğası gereği, farklı MRI makinelerinden daha çeşitli vakalar içeren daha büyük bir eğitim veri setinin daha sağlam bir model elde etmesi muhtemeldir. Bunlar gibi otomatik algoritmaların, MRI sinyallerindeki farklılıklar nedeniyle genellikle dış veri kümelerinde yeniden eğitilmesi gerekir. Bu nedenle, diğer grupların aynı modeli kullanması veya kendi modellerini geliştirmesi için görüntüleme verilerini, açıklamaları ve kaynak kodunu araştırma topluluğuna sağlıyoruz.

Şekil 2 |Yabani tip ve mutant farelerin toplam böbrek hacmi, otomatik (Otomatik) yöntem (sol), okuyucu 1 (orta) ve okuyucu 2 (sağ) için zaman içinde (3-12 haftalık) çizildi. 3 yöntemin tümü, 9 haftalıkken fare tipinde önemli bir ayrım olduğunu gösterir. Hata çubukları SD'yi gösterir. *P <>

YÖNTEMLER

Eğitim/doğrulama verileri: Model, 100 vaka üzerinde eğitildi ve 50 vaka üzerinde doğrulandı. Bu 150 vaka, değişen hastalık şiddetine sahip ve çeşitli yaşlardaki farelerden oluşuyordu. Test seti tamamen uzatılmış bir settir ve bu makalede değerlendirdiğimiz şeydir.

Test çalışması kohortu: Bu çalışma Mayo Clinic Kurumsal Hayvan Bakım ve Kullanım Komitesi tarafından gözden geçirilmiş ve onaylanmıştır. Kohort, vahşi tip C57Bl6 x 1296Svev/Tac(n=4;2 dişi/2 erkek) ve C57Bl6 × 129s6Svev/Tac(n=4;2 dişi/2 marka)mutant PKD'den oluşuyordu (polikistik böbrek hastalığı) RC/RC model fareler. Mutant fareler, PKD1'in insan tezahürünü yansıtır (Tip 1 polikistik böbrek hastalığı) hem genetik hem de fenotipik olarak. Mutant farelerden biri deneyin ortasında öldü ve 9. haftada aynı yaştaki başka bir mutant fare ile değiştirildi.

Görüntü alımları: Görüntüleme, bir Avance DRX 700WB(Bruker BioSpin, Billerica, MA) spektrometresi kullanılarak yapıldı. Tam kapsama alanıböbrekler0.1 mm düzlem içi çözünürlük ve l-mm dilim kalınlığı (matris boyutu, 256× 256 × Z, Z, tam kapsamıböbrekler). Toplam tarama süresi 5 ila 10 dakika arasında değişmekteydi. Test çalışması kohortunda, her fare 4-zaman noktalarında (3,6,9 ve 12 haftalıkken) görüntülendi. Tutarlı görüntüleme sağlamak için her fare için zaman noktaları birbirinden 2 gün sonra gerçekleştirildi. parametreler ve çevresel varyasyonları sınırlamak için. Görüntü analizi

Bir görüntüleme yazılım paketi (Analyze, sürüm 12.0, Biomedical Imaging Resource, Mayo Clinic, Rochester, MN) kullanılarak her taramada ilgili bölgeler izlendi. Her okuyucuya, böbrek pelvisi tarafından kapatılmadığında renal pelvisi hariç tutması talimatı verildi.böbrekcapsule within the image slice. Manual segmentations took 20 to 40 minutes depending on the case. TKVs were calculated by first summing the number of voids contained within the seg-mentation on each slice and then multiplying the number of voxels by the voxel volume obtained from the image header. For the testing data,2 double-blind readers(1 and 2), both experienced in manual MRI segmentation, performed kidney segmentations on all scans. For intrareader analysis, reader 2 repeated the measurements at 2-time points (>3 ay arayla).

Otomatik yöntem: Sinir ağı modeli, klinik taramalardan alınan koronal T2-ağırlıklı manyetik rezonans görüntülerinden TKV ölçümü için önceki modelimize uyarlanmıştır. Kaynak kodu, resimler ve açıklamalar şu adreste herkese açık hale getirilmiştir: https:/github.com/TLKline/AutoTKV_MouseMRI.

İstatistiksel analiz: İstatistiksel analiz için her bir zaman noktasında (3,6,9 ve 12 hafta) fare başına (n =8) elde edilen eksenel T2-ağırlıklı manyetik rezonans görüntüleri kullanıldı. Geniş bir yaş aralığında ve fenotiplerdeki farklılıklarda farklı görüntülerin karşılaştırılması için toplam 32 görüntüye izin verildi. Tam otomatik yöntemi doğrulamak için, her yöntemin vahşi tip ve mutant grupları ayırma yeteneğini değerlendirmek için karşılaştırma istatistikleri kullanıldı. Bu, TKV'nin zaman noktasına göre çizilmesi ve fare tipine göre ayrılmasıyla sağlandı. Her bir yöntem için TKV ölçümleri ve büyüme oranları da Bland-Altman ve lineer regresyon grafikleri kullanılarak değerlendirildi.

TEŞEKKÜRLER

Bu çalışma Mayo Clinic Robert M. ve Bille Kelley Pirnie Translational tarafından desteklenmiştir.Polikistik böbrek hastalığıMerkezi ve Ulusal Diyabet ve Sindirim Enstitüsü veBöbrekHastalıklar

REFERANSLAR

1. Grantham JI Torres VE, Chapman AB, et al.polikistik böbrek hastalığı. N Engl J Med.20063542122-2130.

2. Otozomal dominant olan hastalarda Torre VE, Chapman AB, Devuyst O, et al Tolvaptanpolikistik böbrek hastalığı. N Engl JMed.2012367:2407-2418.

3. Caroli A, Perico N, Perna A, et al.Uzun etkili somatostatin analogunun otozomal dominantta böbrek ve kist büyümesi üzerindeki etkisipolikistik böbrek hastalığı(ALADIN: randomize, plasebo kontrollü çok merkezli bir çalışma Lancet 2013:382-1485-1495

4. Wallace DP, Hou YP, Huang ZL, et al. izlemeböbrekSesfarelerdepolikistik böbrek hastalığımanyetik rezonans görüntüleme ile.Kidney Int. 2008;73:778-781.

5. Grantham Jl Torres VE. Toplamın önemiböbrekSesilerlemenin değerlendirilmesindepolikistik böbrek hastalığı. Nat Rev Nephrol. 2016;12667-677.

6. Higashihara E, Torres VE, Chapman AB, et al. Tolvaptan otozomal dominantpolikistik böbrek hastalığı: üç yıllık deneyim Oin J Am Soc Nephrol 201162499-2507

7. Azbal MV.Rangel U.Berastralh EJ, et al. Otozomal dominant görüntüleme sınıflandırmasıpolikistik böbrek hastalığı, klinik bir deneme için hastaları seçmek için basit bir model.

8. Öyleyim Nephrol.2015. 26:160-172 8. Olazabal MV, Mishra PK, Torres VE ve diğerleri Küçük kemirgen modellerinde ultra yüksek alan MRI kullanımıpolikistik böbrek hastalığıin vivo fenotipleme ve ilaç izleme için. J Vs Exp.2015:100e52757.

9. Erokwu BO, Anderson CE Flask CA, et al. Otozomal çekiniklerin kantitatif manyetik rezonans görüntüleme değerlendirmeleripolikistik böbrek hastalığıbir hayvan modelinde ilerleme ve tedaviye yanıt Pediatr Res. 2018;83:1067-1074.