Автоматична семантична сегментація кіст нирок на МРТ-зображеннях пацієнтів, уражених аутосомно-домінантною полікістозною хворобою нирок

Контакт: Одрі Ху Whatsapp/hp: 0086 13880143964 Електронна пошта:audrey.hu@wecistanche.com

Тімоті Л. Клайн^1,2· Марі Е. Едвардс²· Джеффрі Фетцер¹· Грегорі Адріана Василівна²· Діма Анаам¹· Ендрю Дж. Мецгер²· Бредлі Дж. Еріксон¹

Анотація

призначенняДля пацієнтів з аутосомно-домінантним полікістозомнирказахворювання(ADPKD), успішна диференціація кіст корисна для автоматичної класифікації фенотипів пацієнтів, прийняття клінічних рішень і прогресування захворювання. Метою було розробити та оцінити повністю автоматизований метод семантичної сегментації для диференціації та аналізу ниркових кіст у пацієнтів із ADPKD.

Методи Автоматизований підхід глибокого навчання з використанням згорткової нейронної мережі було навчено, підтверджено та перевірено на наборі з 60 MR T2-зважених зображень. Підхід потрійної перехресної перевірки використовувався для навчання трьох моделей на різних наборах для навчання та перевірки (n=40). Потім була побудована модель ансамблю та протестована на фіксованих випадках (n=20), причому кожен із випадків порівнювався з ручною сегментацією, виконаною двома зчитувачами. Було оцінено згоду сегментації між читачами та автоматизованим методом.

РезультатиБуло встановлено, що автоматизований підхід працює на рівні мінливості між спостерігачами. Автоматичний підхід мав коефіцієнт Дайса (середнє значення ± стандартне відхилення) {{0}}.86 ± 0.10 проти Рідера-1 та {{10}}.84 ± {{20}}.11 порівняно з Reader-2. Інтеробсервер Дайс становив 0.86 ± 0,08. З точки зору загального об’єму кісти (TCV), автоматичний підхід мав відсоткову різницю в 3,9 ± 19,1 відсотка порівняно з Рідером-1 і 8,0 ± 24,1 відсотка проти Рідера-2, тоді як варіабельність між спостерігачами становила −2,0 ± 16,4 відсоток .

Висновок У цьому дослідженні розроблено та перевірено повністю автоматизований підхід для виконання семантичної сегментаціїниркакісти на МРТ-зображеннях пацієнтів, уражених ADPKD. Цей підхід буде корисним для вивчення додаткових візуалізаційних біомаркерів ADPKD та автоматичної класифікації фенотипів.

Ключові словаАутосомно-домінантний полікістознирказахворювання· Сегментація семантичної кісти · Глибоке навчання · Магнітно-резонансна томографія

Користь Cistanche deserticola: запобігаєнирказахворювання

вступ

Аутосомно-домінантний полікістознирказахворювання(ADPKD) є найпоширенішим спадковим захворюванням нирок, яке вражає приблизно 12 мільйонів людей у ​​всьому світі, і наразі є четвертою основною причиною ниркової недостатності [1, 2]. Його патологія така, що безперервне зростання кіст викликає прогресуюче збільшення загальноїниркаобсяг (ТКВ). У типового пацієнта з ADPKD спостерігається прогресуюче зниження функції нирок і приблизно 70 відсотків прогресування до термінальної стадії ниркової недостатності у віці від 40 до 70 років [3, 4].

У низці досліджень було показано, що TKV є корисним предиктором прогресування ADPKD [5–7]. Подібним чином здатність окреслювати та вимірювати кістозний тягар додатково сприяє нашим знанням про прогресування захворювання, структуру та генотипові відмінності. Добре відомо, що розвиток і ріст кіст сильно корелює зі зниженням функції нирок [6, 8]. Крім того, було показано, що існує пряма кореляція між ростом TKV і ростом кісти; однак швидкість, з якою кісти ростуть і утворюються нові кісти, залежить від кожної людини [9]. Крім того, поздовжні дослідження виявили, що з часом у пацієнтів з ADPKD спостерігається збільшення TKV та об’єму кісти та зменшення загального об’єму паренхіми, що свідчить про некістознуниркатканиназаміщується більшою кількістю кіст і кістами, які постійно збільшуються [10]. Цікаво, що ріст кісти та кістозний індекс (співвідношення об’єму кісти до TKV) суттєво відрізняються між генотипами PKD1 та PKD2, оскільки у пацієнтів із популяцією PKD1 кісти мають тенденцію розвиватися раніше [11, 12]. Додатковий аналіз кістозного тягаря та росту має потенціал для отримання інформації про тенденції захворювання та терапевтичні стратегії.

З появою нових біомаркерів візуалізації вчені шукають швидкі та ефективні методи виділення кістозних і некістознихниркаобласті для більш поглибленого кількісного аналізу властивостей тканин [13, 14]. У минулому кісти та ділянки нирок сегментували вручну, що було дуже трудомістким і суб’єктивним [15]. Були запропоновані різні підходи до напівавтоматизованої сегментації кісти з використанням порогового значення на основі інтенсивності як ініціалізації [16, 17], а також класичних методів машинного навчання, таких як кластеризація k-середніх [18], контурні методи [19] та апріорна ймовірність форми карти [20]. Однак повністю автоматизований підхід глибокого навчання з використанням нейронних мереж може позбавити аналітика зображень від втоми ручного трасування та забезпечити відтворювані та надійні обчислення обсягу та сегментацію. Глибоке навчання є унікальним для вищезгаданих методів сегментації тим, що модель здатна «вивчати» важливі характеристики зображення з вхідних даних, що дозволяє їй виконувати своє кінцеве завдання сегментації. Завдяки навчанню модель здатна виявляти візерунки, інтенсивність пікселів та інформацію про форму, яку людське око може не легко помітити.

Згорткові нейронні мережі (CNN), які починаються зі зменшення просторової роздільної здатності з наступним відновленням роздільної здатності, відмінно справляються із завданнями сегментації медичних зображень на рівні пікселів/вокселів завдяки своїй унікальній архітектурі. Коротше кажучи, перша ділянка згортання — це серія згорткових шарів і шарів із зменшенням роздільної здатності, які використовуються для зменшення складності зображення, а друга ділянка розширення — це, по суті, дзеркальне відображення першого шляху, який використовується для об’єднання функцій і просторової інформації. Архітектура U-Net [21] є однією з таких мереж, яка була значно використана в аналізі медичних зображень для вирішення завдань сегментації. Особливою перевагою цієї архітектури є те, що вона не потребує великого набору навчання порівняно з іншими мережами та дає високоточні результати сегментації.

У цьому дослідженні ми використовуємо набір даних МР-зображень ПКДниркиіз зображеннями кіст, зробленими двома читачами, які є основною правдою. Розробляється автоматизований підхід (модифікована архітектура типу U-Net), створюється та перевіряється модель ансамблю на тестовому наборі даних. Модель глибокої нейронної мережі, описана в цьому дослідженні, дозволяє семантичну сегментаціюниркакісти для визначення загального об’єму кісти (TCV) і може бути корисним для подальшої оцінки фенотипів захворювання.

Cistanche tubolosa переваги

Матеріали та методи

Дані МР зображення

Це ретроспективне дослідження було схвалено інституційною наглядовою радою за адресою https://github.com/TLKline/ AutoKidneyCyst. МРТ-сканування 60 унікальних пацієнтів із ADPKD різного ступеня тяжкості були взяті з нашої бази даних зображень PKD. У цьому аналізі використовувалися T2-сканування вмісту жиру (N=42) і насиченого знежиреного вмісту (N=18). МР-зображення являли собою корональні одноразові послідовності Т2 швидкого спін-відлуння (SSFSE), отримані за допомогою сканера GE, з розміром матриці 256 × 256xZ (з Z достатньо великим, щоб охопити повний об’єм нирок у зображеному об’ємі). Розміри вокселів зображення були порядку 1,5 мм у площині із типовою товщиною зрізів 3,0 мм.

Ручні сегментації

Трасування нирок і кіст було виконано вручну двома аналітиками зображень (https://github.com/TLKline/AutoK idneyCyst) з багаторічним досвідом виконання цих трасувань. Навчальний/перевірочний набір відстежувався одним читачем, а тестовий набір відстежувався обома, щоб оцінити мінливість між спостерігачами. Протокол аналізу зображення виключає ниркову миску та судинні структури. З трасування TKV і TCV були розраховані як кількість вокселів, помножена на об’єм вокселів. Кожен аналітик був засліплений для відстеження іншого. Ці трасування було експортовано як файли NIfTI.

Стратифікація даних

З сегментації TKV, які були згенеровані для кожного сканування, скани були відсортовані на 40 випадків навчання/перевірки та 20 випадків для набору тестів на витримку. Набір даних для навчання/перевірки містив 28 випадків насиченого жиру та 12 випадків насиченого жиру (70 відсотків насиченого жиру). Тестовий набір із затримкою включав 14 випадків насиченого жиру та 6 випадків насиченого жиру (70 відсотків насиченого жиру).

Попередня обробка

Модель було навчено як двоканальний підхід із зрізом МР-зображення як одним каналом і сегментацією нирки як іншим. Зауважте, що за допомогою цього двоканального підходу нейронна мережа вчиться ідентифікувати лише кісти в нирках. Зображення було перемасштабовано до розміру матриці 256 × 256 за допомогою міжкубічної інтерполяції для МР-зображень та інтерполяції найближчих сусідів для масок сегментації нирки та кісти. Інтенсивність кожного МРТ-сканування спочатку нормалізували, щоб усі мали однаковий 95-й процентиль, а потім застосували стандартну скалярну нормалізацію (нульове середнє, одиничне стандартне відхилення).

Модель семантичної сегментації

Архітектура мережі була подібна до наших попередніх робіт [22, 23]. Блоки згортки складаються з двовимірних згорток, за якими слідує вилучення (випадання=0.1), пакетна нормалізація, 2D згортки та максимальне об’єднання (розмір пулу=2 ×2). Рівні з вищою роздільною здатністю мають більші ядра (від 7 × 7 до 5 × 5 до 3 × 3 у блоках униз по шляху кодування та у зворотному напрямку вгору по шляху декодування), щоб вивчати більші та складніші типи фільтрів. З’єднання пропуску реалізовано як адитивні шари (Resnet-like [24]). Оптимізатором є Адам [25] із початковою швидкістю навчання 1e-3 і розпадом 1e-5. Метрика втрат — це метрика подібності Dice. Модель навчається протягом 200 епох із розміром партії=8, а модель із найкращою мірою перевірки зберігається під час процесу навчання. Модель було реалізовано в Keras із TensorFlow як серверною частиною. Модель тренувалась на графічному процесорі Nvidia Tesla P40 (24 ГБ пам'яті). Входом для моделі є двоканальна матриця (256×256×2). Перший канал — це зріз МР-зображення, а другий — відповідна ниркова маска. Результатом є прогнозування сегментації кісти. Загалом було навчено три моделі на трьох різних складках для навчання/перевірки, а потім була створена модель ансамблю більшості голосів, яка була застосована до тестового набору відмов. Код доступний за адресою:

Оцінка

Як описано в розділі моделі, набір для навчання/перевірки було розбито на три частини, щоб навчатися на різних підмножинах даних. Для кожного згину під час процесу навчання було створено навчальні та перевірочні криві, а найкращу модель з кожного згину було збережено. Потім була створена модель ансамблю більшості, яка була застосована до набору даних тесту на витримку. Порівняння об’єму кісти та індексу кісти проводили за допомогою лінійної регресії, а кістозний індекс також оцінювали за допомогою аналізу Бланда–Альтмана, щоб оцінити необ’єктивність і точність вимірювань. Крім того, для якісної оцінки автоматизованого методу були зроблені візуальні накладення, а для кількісної оцінки були створені показники подібності. У кожному випадку порівнювали дві сегментації зчитувачів, щоб оцінити варіабельність між спостерігачами, а автоматизований підхід порівнювали окремо для кожного зчитувача.

Переваги пустелі: покращує функцію нирок

Результати

Не було істотної різниці між наборами даних навчання, валідації та тестування з точки зору тяжкості захворювання (тобто TKV). На рис. 1 показано розподіли об’єму, візуалізовані як графіки ядерної щільності. Вони показані для трьох складок, а також загальний розподіл між навчанням/перевіркою та тестовим набором. Цей загальний розподіл є репрезентативним для великого ступеня варіабельності, що спостерігається в популяції пацієнтів з ADPKD.

Автоматизований метод мав аналогічне тренування продуктивності на трьох різних згинах. На малюнку 2 показано криві навчання для трьох різних складок, включаючи значення Dice для навчання та перевірки під час навчання моделі. Вагові коефіцієнти моделі оновлюються в навчальному наборі та оцінюються в кінці кожної епохи в окремому наборі перевірки. Модель з найкращою ефективністю перевірки зберігається під час процесу навчання та використовується для розробки остаточної моделі ансамблю.

Автоматичний підхід був чудовим для точного сегментування кіст. Показано на рис. 3 і 4 — порівняння лінійної регресії для варіабельності між спостерігачами, автоматизований метод проти Рідера-1 та автоматизований метод проти Рідера-2 для об’єму кісти (рис. 3), а також індексу кісти (Рис. 4). Крім того, автоматизований метод працює на такому ж рівні, як і зчитувачі-людини. На рис. 5 показано порівняння Бланда–Альтмана для кістозного індексу. Зверніть увагу, що пацієнти охоплюють широкий діапазон тяжкості захворювань, від випадків дуже малої кількості кіст до випадків, коли відбувається майже повне заміщення паренхіми нирки кістами. Кістозний індекс коливався від ~ 0 до > 90 відсотків.

Візуально спостерігалася виняткова згода між автоматизованим підходом сегментації та ручними зчитувачами. На рисунку 6 показано візуальне порівняння для одного з кращих випадків (верхній рядок, Dice=0.98), найгіршого випадку (середній рядок, Dice=0.50) і середнього випадку (нижній рядок , кубики=0.86).

Загалом, автоматизований підхід не відрізнявся від мінливості, яку бачили два різних зчитувачі, які виконували трасування. У таблиці 1 наведено статистику подібності, яка порівнює варіативність між спостерігачами та варіабельність, отриману між автоматизованим підходом і Reader-1, а також автоматизованим підходом і Reader-2.

екстракт цистанки трубчастої: актеозид

Обговорення

Глибоке навчання в області штучного інтелекту надало вченим незліченну кількість інструментів для ефективної та ретельної оцінки даних, зокрема для аналізу медичних зображень. Алгоритм, розроблений у цьому дослідженні, точно сегментував ниркові кісти з ниркової тканини без втручання користувача. До цієї моделі підходи до відмежування кістозних структур від тканини органу впроваджували напівавтоматичні методи визначення порогу на основі інтенсивності [16, 17, 20]. Одним з обмежень підходів, заснованих на інтенсивності, є те, що, на відміну від КТ, значення пікселів МР можуть суттєво відрізнятися між зборами даних і навіть між зрізами в межах одного збору даних, що вимагає розширених методів попередньої обробки для відповідної нормалізації даних [26]. Крім того, ця техніка порогового визначення на основі інтенсивності повністю пропустить складні кісти, які мають нижчу інтенсивність сигналу [16].

Модель, представлена ​​в цьому дослідженні, досягла середньої оцінки Dice у 85 відсотків для сегментації кісти, цей результат можна порівняти з іншими найсучаснішими методами, застосованими для сегментації органів. У ADPKD усі автоматизовані підходи з використанням глибокого навчання, про які повідомляється в літературі, зосереджені на завданні сегментації органів, переважно для сегментації нирок. Деякі з цих підходів включають налаштовану мережу VGG-16, реалізовану Sharma et. al [27] для сегментації нирок на КТ-зображеннях. Середня оцінка Dice у цьому дослідженні склала 86 відсотків. Кешвані та ін. al, [28] так само використовував КТ для прогнозування сегментації нирок, було реалізовано багатозадачну 3D-згорточну нейронну мережу, яка досягла середнього результату Dice 95 відсотків. Му та ін. [29], з іншого боку, використовували МРТ-зображення для автоматичної генерації сегментації нирок за допомогою моделі V-Net, і зареєстрована оцінка Dice становила 95 відсотків.

Автоматизований підхід дуже близький до ручного відстеження за всіма показниками. З точки зору лінійної регресії, автоматизований підхід дуже близько порівнювався з обома читачами. Крім того, кістозний індекс мав подібну упередженість і точність для людей, що читають. Краща точність, ймовірно, пояснюється тим, що автоматизований підхід буде послідовнішим, ніж зчитувач. Було виявлено, що найбільша різниця спостерігалася у відстані Хаусдорфа, що може бути результатом деяких незначних хибних спрацьовувань, які, ймовірно, можуть бути оброблені простою постобробкою (наприклад, множенням результату маски сегментації кісти моделі на маску нирки). ). Крім того, візуальне узгодження було неймовірно сильним. Найгірший випадок, з точки зору показників подібності, був для дуже легкого прояву захворювання. У цьому випадку людина-зчитувач може швидко надати оцінку якості, щоб завершити сегментацію кісти. Загалом підхід дозволяє точно сегментувати кісти широкого діапазону розмірів. У цьому дослідженні кісти вимірювали до ~ 3-5 мм. Це обмежено роздільною здатністю реконструйованого зображення, яке в площині становить близько 1,5 мм. Крім того, найбільша кіста мала діаметр 118 мм.

Наявність можливості автоматично оцінювати кістозний тягар відкриває двері для ретроспективних досліджень із застосуванням техніки, представленої тут. Попередні дослідження застосовували більш базові підходи для оцінки кістозного тягаря та показали багатообіцяючу інформативну цінність цих параметрів, отриманих із зображення. Попередні короткострокові дослідження показали, що толваптан зменшував об’єм кісти у пацієнтів, які отримували лікування ADPKD, коли об’єм кісти вимірювали на невеликій когорті [30]. Слід провести подальший аналіз, щоб оцінити, чи триватимуть ці ефекти протягом тривалого застосування препарату. Автоматизований метод, представлений у цьому дослідженні, дозволить швидко та легко аналізувати більший набір даних. Відстеження росту цист також може давати інформацію про конкретні генотипи. Одне дослідження показало, що пацієнти з PKD1 мають більшу кількість кіст, ніж пацієнти з PKD2. Точніше, пацієнти з PKD1 прогресують швидше, тому що більше кіст розвивається на ранніх стадіях, а не тому, що вони ростуть швидше [11].

Одним із обмежень цього дослідження є те, що воно оцінювало відносно невелику когорту (n=60). Однак створення золотих стандартних сегментацій кісти займало до 8 годин залежно від тяжкості захворювання. Через це обмеження ми розробили цю конкретну когорту, щоб охопити весь спектр фенотипічних проявів захворювання, від нирок, що складаються з кількох кіст (кістозний індекс=0.5 відсотків), до нирок із майже повністю заміненою нирковою паренхімою кісти (кістозний індекс=90 відсотків). Наявність методу оцінки кістозного тягаря в повному обсязі фенотипів захворювання зробить цей підхід сильно узагальненим. Іншим обмеженням є те, що ми не виявляємо мікроскопічні кісти з роздільною здатністю нижче дозволеної зображення. Однак ці мікроцисти складають відносно невеликий внесок у загальний об’єм кісти [31]

У майбутніх дослідженнях можна буде оцінити більші когорти, а автоматизовані методи можуть бути досліджені для сегментації та диференціації окремих кіст. Це полегшить автоматичний підрахунок кількості кіст і оцінку розподілу розмірів кіст. Це також може дозволити автоматично класифікувати типових пацієнтів від атипових, що інформує про ризик прогресування та ймовірність отримання користі від медикаментозної терапії. Більшість критеріїв, які відокремлюють атипові випадки від типових, залежать від індексу, кількості та розміру кісти. Наприклад, пацієнт вважається атиповим, якщо менше або дорівнює 5 кістам, що становить більше або дорівнює 50 відсоткам TKV, і є помірне заміщення ниркової тканини з кіст [32]. Інструмент, який розраховує це автоматично, дозволить проводити надзвичайно швидку та об’єктивну класифікацію під час критичного етапу реєстрації на дослідження.

Структура та склад кісти також вважаються високоінформативними при оцінці ADPKD. Після виділення кістозних ділянок від ниркової паренхіми можна провести подальший аналіз на основі інтенсивності та/або текстури, щоб визначити відсоток або розподіл складних кіст. Як правило, ці складні кісти характеризуються «темнішою» інтенсивністю на T2-зваженому МРТ-зображенні. Здавалося б, здорову тканину паренхіми можна проаналізувати подібним чином після виділення з більших кіст. Інший підхід полягатиме в об’єднанні кількох отриманих зображень (наприклад, поєднання T1- і T2-зважених МР-зображень), щоб не лише допомогти сегментувати кісти, але й допомогти класифікувати їх. Розширення на інші методи візуалізації (наприклад, КТ) і органи (наприклад, печінка) також буде важливим для забезпечення всебічної характеристики фенотипу ПКД і проведення широкомасштабних досліджень, де змішані дані візуалізації (наприклад, УЗД, комп’ютерна томографія та/ або магнітно-резонансна томографія) доступні для різних пацієнтів, і наявні позаниркові прояви (наприклад, PLD).

Висновки

Ми розробили повністю автоматизований метод семантичної сегментації кіст нирок із МРТ-зображень пацієнтів, уражених ADPKD. Цей метод працює нарівні з людським читачем і буде корисним у майбутніх ретроспективних і проспективних дослідженнях для оцінки фенотипу пацієнтів і загального кістозного тягаря.

Список літератури

1. PA Gabow, «Аутосомно-домінантний полікістоз нирок», N Engl J Med, том. 329, вип. 5, стор. 332-42, 29 липня 1993 р.

2. PC Harris і VE Torres, «Полікістозна хвороба нирок», Annu Rev Med, том. 60, с. 321-37, 2009

3. AB Chapman та ін., «Аутосомно-домінантна полікістозна хвороба нирок (ADPKD): резюме з конференції щодо суперечок із захворювання нирок: покращення глобальних результатів (KDIGO),» Kidney Int, vol. 88, вип.

4. EM Spithoven та ін., "Замісна ниркова терапія аутосомно-домінантної полікістозної хвороби нирок (ADPKD) в Європі: поширеність і виживаність--аналіз даних з реєстру ERA-EDTA", Nephrol Dial Transplant, vol. 29 Додаток 4, стор. iv15-25, вересень 2014 р.,

5. RD Perrone та ін., «Загальний об’єм нирок є прогностичним біомаркером зниження функції нирок і прогресування термінальної стадії ниркової недостатності у пацієнтів з аутосомно-домінантним полікістозом нирок», Kidney Int Rep, vol. 2, № 3, стор. 442-450, травень 2017 р., DOI:

6. AB Chapman та ін., «Об’єм нирки та функціональні результати при аутосомно-домінантному полікістозі нирок», Clin J Am Soc Nephrol, том. 7, № 3, стор. 479-86, березень 2012 р

7. JJ Grantham, AB Chapman і VE Torres, "Прогресування обсягу при аутосомно-домінантному полікістозі нирок: головний фактор, що визначає клінічні результати", Clin J Am

10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2nd, and 1505-11, Aug 2000. [Online]. Доступно: https://www.ncbi.nlm.

11. PC Harris та ін., «Кількість кіст, але не швидкість росту кісти, пов’язана з мутованим геном при аутосомно-домінантному полікістозі нирок», J Am Soc Nephrol, том. 17, вип. 11, стор. 3013-9, листопад 2006 р., https://doi.org/10.1681/ASN.2006080835.

12. JJ Grantham, "Механізми прогресування аутосомно-домінантної полікістозної хвороби нирок", Kidney Int Suppl, том. 63, стор. S93-7, грудень 1997 р. [Онлайн]. Доступно: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.

13. Т. Л. Клайн та ін., "Особливості текстури зображення передбачають зниження функції нирок у пацієнтів з аутосомно-домінантним полікістозом нирок", Kidney Int, том. 92, вип. 5, стор. 1206-1216, листопад 2017 р., https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline та ін., "Кількісна МРТ нирок при нирковій хворобі", Abdom Radiol (NY), vol. 43, вип. 3, стор. 629-638, березень 2018 р

15. KT Bae, PK Comment, and J. Lee, "Об'ємне вимірювання ниркових кіст і паренхіми за допомогою МРТ: фантоми та пацієнти з полікістозом нирок", J Comput Assist Tomogr, том. 24, вип. 4, стор. 614-9, липень-серпень 2000 р

16. KT Bae та ін., «Нова методологія оцінки ниркових кіст при полікістозі нирок», Am J Nephrol, том. 39, вип. 3, стор. 210- 7, 2014

17. AB Chapman та ін., «Структура нирки при ранньому аутосомно-домінантному полікістозі нирок (ADPKD): когорта Консорціуму з радіологічних досліджень полікістозу нирок (CRISP),» Kidney Int, vol. 64, вип. 3, стор. 1035-45, вересень 2003 р.,

18. K. Bae та ін., «Сегментація окремих ниркових кіст із МР-зображень у пацієнтів з аутосомно-домінантним полікістозом нирок», Clin J Am Soc Nephrol, том. 8, № 7, стор. 1089-97, липень 2013 р., DOI: https://doi.org/10.2215/CJN.10561012.

19. Т. Л. Клайн, М. Е. Едвардс, П. Корфатіс, З. Аккус, В. Е. Торрес і Б. Дж. Еріксон, «Напівавтоматична сегментація полікістозу нирок у T2-зважених МР-зображеннях», AJR Am J Roentgenol, том. 207, вип. 3, стор. 605-13, вересень 2016 р., https://doi.org/10.2214/ AJR.15.15875.

20. Y. Kim та ін., «Автоматизована сегментація печінки та печінкових кіст із обмежених МР-зображень черевної порожнини у пацієнтів з аутосомно-домінантним полікістозом нирок», Phys Med Biol, том. 61, вип. 22, стор 7864-7880, лист 21 2016, DOI:

Користь для здоров'я Cistanche: покращує роботу нирок