Automatická sémantická segmentace ledvinových cyst na snímcích MR pacientů postižených autozomálně dominantním polycystickým onemocněním ledvin
Mar 29, 2022
Kontakt: Audrey Hu Whatsapp/hp: 0086 13880143964 E-mail:audrey.hu@wecistanche.com
Timothy L. Kline1,2· Marie E. Edwardsová2· Jeffrey Fetzer1· Adriana V. Gregory2· Deema Anaam1· Andrew J. Metzger2· Bradley J. Erickson1
Abstraktní
ÚčelPro pacienty postižené autozomálně dominantní polycystouledvinachoroba(ADPKD), úspěšná diferenciace cyst je užitečná pro automatickou klasifikaci fenotypů pacientů, klinické rozhodování a progresi onemocnění. Cílem bylo vyvinout a vyhodnotit plně automatizovanou metodu sémantické segmentace pro diferenciaci a analýzu renálních cyst u pacientů s ADPKD.
Metody Automatizovaný přístup hlubokého učení využívající konvoluční neuronovou síť byl trénován, ověřen a testován na sadě 60 MR T2-vážených snímků. K trénování tří modelů na odlišných trénovacích a ověřovacích sadách (n=40) byl použit trojnásobný přístup křížové validace. Poté byl vytvořen a otestován souborový model na vydržených případech (n=20), přičemž každý z případů byl porovnán s manuální segmentací provedenou dvěma čtečkami. Byla posouzena shoda segmentace mezi čtenáři a automatizovanou metodou.
VýsledekBylo zjištěno, že automatizovaný přístup funguje na úrovni variability mezi pozorovateli. Automatizovaný přístup měl Diceův koeficient (průměr ± standardní odchylka) {{0}}.86 ± 0.10 vs. Reader-1 a {{10}}.84 ± {{20}}.11 vs. Reader-2. Interobserver Dice byla 0.{11}} ± 0,08. Pokud jde o celkový objem cyst (TCV), automatizovaný přístup měl procentuální rozdíl 3,9 ± 19,1 procenta vs. Reader-1 a 8,0 ± 24,1 procenta vs. Reader-2, zatímco variabilita mezi pozorovateli byla – 2,0 ± 16,4 procento .
Závěr Tato studie vyvinula a ověřila plně automatizovaný přístup k provádění sémantické segmentaceledvinacysty na MR snímcích pacientů postižených ADPKD. Tento přístup bude užitečný pro zkoumání dalších zobrazovacích biomarkerů ADPKD a automatickou klasifikaci fenotypů.
Klíčová slovaAutosomálně dominantní polycystickéledvinachoroba· Segmentace sémantické cysty · Hluboké učení · Zobrazování magnetickou rezonancí
Přínos Cistanche deserticola: zabraňujeledvinachoroba
Úvod
Autosomálně dominantní polycystickéledvinachoroba(ADPKD) je nejčastější dědičné onemocnění ledvin, které celosvětově postihuje zhruba 12 milionů lidí a v současnosti je čtvrtou nejčastější příčinou selhání ledvin [1, 2]. Jeho patologie je taková, že nepřetržitý růst cyst způsobuje progresivní zvýšení celkového počtuledvinaobjem (TKV). Typický pacient s ADPKD vykazuje progresivní pokles renálních funkcí a zhruba 70% progresi do konečného stadia renálního onemocnění ve věku 40 až 70 let [3, 4].
V řadě studií se ukázalo, že TKV je užitečným prediktorem progrese ADPKD [5–7]. Podobně schopnost vymezit a měřit cystickou zátěž dále přispívá k našim znalostem o progresi onemocnění, struktuře a genotypových variacích. Je dobře známo, že vývoj a růst cyst silně koreluje s poklesem renálních funkcí [6, 8]. Navíc se ukázalo, že existuje přímá korelace mezi růstem TKV a růstem cyst; rychlost růstu cyst a tvorby nových cyst však závisí na každém jedinci [9]. Kromě toho longitudinální studie zjistily, že v průběhu času u pacientů s ADPKD dochází ke zvýšení objemu TKV a cyst a snížení celkového objemu parenchymu, což naznačuje, že necystickýledvinatkáňje nahrazováno více cystami a průběžně se zvětšujícími cystami [10]. Zajímavé je, že růst cyst a cystický index (poměr objemu cysty k TKV) se mezi genotypy PKD1 a PKD2 významně liší, protože pacienti v populaci PKD1 mají tendenci ke vzniku cyst dříve [11, 12]. Další analýza cystické zátěže a růstu má potenciál informovat o trendech onemocnění a terapeutických strategiích.
Jak se objevují nové zobrazovací biomarkery, vědci hledají rychlé a účinné metody pro izolaci cystických a necystickýchledvinaoblasti pro hloubkovou, kvantitativní analýzu vlastností tkáně [13, 14]. V minulosti byly oblasti cyst a ledvin segmentovány manuálně, což je vysoce pracné a subjektivní [15]. Byly navrženy různé poloautomatické přístupy k segmentaci cyst využívající prahování založené na intenzitě jako inicializaci [16, 17] a také klasické techniky strojového učení, jako je shlukování k-means [18], konturové metody [19] a tvar předchozí pravděpodobnosti. mapy [20]. Plně automatizovaný přístup hlubokého učení využívající neuronové sítě však má potenciál zbavit analytika obrazu zdlouhavého manuálního sledování a poskytnout reprodukovatelné a robustní výpočty objemu a segmentace. Hluboké učení je jedinečné pro výše uvedené metody segmentace v tom, že model je schopen „naučit se“ důležité vlastnosti obrazu z datových vstupů, které mu umožňují plnit jeho konečný úkol segmentace. Prostřednictvím tréninku je model schopen detekovat vzory, intenzitu pixelů a informace o tvaru, které nemusí být lidským okem snadno zjistitelné.
Konvoluční neuronové sítě (CNN), které začínají snižováním prostorového rozlišení, po kterém následuje obnova rozlišení, excelují v úkolech segmentace lékařského obrazu na úrovni pixelů/voxelů díky své jedinečné architektuře. Stručně řečeno, první kontrakční sekce je řada konvolučních vrstev a vrstev snižujících rozlišení, které se používají ke snížení složitosti obrazu, a druhá expanzní sekce je v podstatě zrcadlovým obrazem první cesty používané ke kombinaci vlastností a prostorových informací. Architektura U-Net [21] je jednou z takových sítí, která byla významně využita v lékařské analýze obrazu k řešení segmentačních úloh. Zvláštní výhodou této architektury je, že ve srovnání s jinými sítěmi nevyžaduje velkou trénovací sadu a poskytuje vysoce přesné segmentační výstupy.
V této studii využíváme datový soubor MR snímků PKDledvinyse stopami cyst od dvou čtenářů sloužících jako základní pravda. Je vyvinut automatizovaný přístup (upravená architektura typu U-Net) a je vytvořen a testován souborový model na testovacím souboru dat. Model hluboké neuronové sítě popsaný v této studii umožňuje sémantickou segmentaciledvinacysty pro stanovení celkového objemu cyst (TCV) a mohou se ukázat jako užitečné pro další hodnocení fenotypů onemocnění.
výhody cistanche tubolosa
Materiály a metody
MR obrazová data
Tato retrospektivní studie získala schválení od institucionálního kontrolního výboru na https://github.com/TLKline/ AutoKidneyCyst. MR skeny 60 unikátních pacientů s ADPKD různé úrovně závažnosti byly získány z naší obrazové databáze PKD. V této analýze byly použity T2-skenování váženého tuku (N=42) a nasyceného tuku bez tuku (N=18). MR snímky byly koronální jednorázové rychlé spin-echo (SSFSE) sekvence T2, získané pomocí GE skeneru, s velikostí matrice 256 × 256xZ (se Z dostatečně velkým, aby pokrylo celý rozsah ledvin v rámci zobrazovaného objemu). Velikosti obrazových voxelů byly řádově 1,5 mm v rovině s typicky tloušťkou řezu 3,0 mm.
Manuální segmentace
Sledování ledvin a cyst manuálně provedli dva obrazoví analytici (https://github.com/TLKline/AutoK idneyCyst) s letitými zkušenostmi s prováděním těchto sledování. Tréninkový/validační soubor byl sledován jedním čtenářem a testovací soubor byl sledován oběma za účelem posouzení variability mezi pozorovateli. Protokol analýzy obrazu vylučuje ledvinnou pánvičku a cévní struktury. Z křivek byly vypočteny TKV a TCV jako počet voxelů vynásobený objemem voxelů. Každý analytik byl zaslepený ke sledování toho druhého. Tato trasování byla exportována jako soubory NIfTI.
Stratifikace dat
Ze segmentací TKV, které byly vygenerovány pro každý sken, byly skeny roztříděny do 40 případů školení/validace a 20 případů pro sadu testů výdrže. Soubor údajů o školení/ověření obsahoval 28 případů nasycených tukem a 12 případů nasycených tukem (70 procent nasycených tuky). Testovací sada obsahovala 14 případů nasycených tukem a 6 případů nasycených tukem (70 procent nasycených tuky).
Předzpracování
Model byl trénován jako dvoukanálový přístup s řezem obrazu MR jako jedním kanálem a segmentací ledvin jako druhým. Všimněte si, že s tímto dvoukanálovým přístupem se neuronová síť naučí identifikovat pouze cysty v ledvině. Snímky byly změněny na velikost matrice 256 × 256 pomocí interkubické interpolace pro MR snímky a interpolace nejbližšího souseda pro masky segmentace ledvin a cyst. Intenzita každého MR skenu byla nejprve normalizována tak, aby všechny měly stejnou úroveň 95. percentilu a poté byla aplikována standardní skalární normalizace (nulový průměr, jednotková standardní odchylka).
Model sémantické segmentace
Architektura sítě byla podobná našim předchozím pracím [22, 23]. Konvoluční bloky se skládají z 2D konvolucí, po nichž následuje výpadek (odpad=0.1), dávková normalizace, 2D konvoluce a maximální sdružování (velikost fondu=2 ×2). Vrstvy s vyšším rozlišením mají větší jádra (od 7 × 7 do 5 × 5 až 3 × 3 v blocích po cestě kodéru a obráceně nahoru po cestě dekodéru), aby se naučily větší a složitější typy filtrů. Přeskakovaná spojení jsou implementována jako aditivní vrstvy (Resnet-like [24]). Optimalizátorem je Adam [25] s počáteční rychlostí učení 1e-3 a úpadkem 1e-5. Metrikou ztráty je metrika podobnosti kostek. Model je trénován pro 200 epoch s velikostí dávky=8 a model s nejlepším ověřovacím měřítkem je během trénovacího procesu uložen. Model byl implementován v Keras s TensorFlow jako backend. Model byl trénován na GPU Nvidia Tesla P40 (24 GB paměti). Vstupem do modelu je dvoukanálová matice (256×256×2). První kanál je řez obrazu MR a druhý je odpovídající ledvinová maska. Výstupem je predikce pro segmentaci cysty. Celkem byly trénovány tři modely na třech různých tréninkových/validačních záhybech a poté byl vytvořen souborový model většinového hlasování a aplikován na sadu testů výdrže. Kód je k dispozici na adrese:
Hodnocení
Jak je popsáno v sekci modelu, trénovací/validační sada byla rozdělena do tří částí, aby bylo možné trénovat na různých podmnožinách dat. Pro každý záhyb byly během procesu učení vygenerovány tréninkové a ověřovací křivky a z každého záhybu byl uložen nejlepší model. Poté byl vygenerován model většinového souboru a aplikován na datovou sadu pro udržení testu. Porovnání objemu cysty a indexu cysty bylo provedeno lineární regresí a cystický index byl také hodnocen Bland-Altmanovou analýzou za účelem posouzení zkreslení a přesnosti měření. Kromě toho byly provedeny vizuální překryvy pro kvalitativní posouzení automatizované metody a byly vytvořeny metriky podobnosti pro kvantitativní hodnocení. V každém případě byly porovnány dvě segmentace čtenářů za účelem posouzení variability mezi pozorovateli a automatizovaný přístup byl porovnán individuálně s každým čtenářem.
výhody pouštní cistanche: zlepšení funkce ledvin
Výsledek
Nebyl žádný významný rozdíl mezi tréninkovými, validačními a testovacími datovými soubory, pokud jde o závažnost onemocnění (tj. TKV). Na obr. 1 jsou znázorněny objemové distribuce vizualizované jako grafy hustoty jádra. Ty jsou zobrazeny pro tři záhyby, stejně jako celkové rozložení mezi školením/validací a testovací sadou. Tato celková distribuce je reprezentativní pro velký stupeň variability pozorovaný v populaci pacientů s ADPKD.
Automatizovaná metoda měla podobný trénink výkonu na třech různých záhybech. Obrázek 2 ukazuje křivky učení pro tři různé záhyby, včetně tréninkových a validačních hodnot kostek během modelového tréninku. Váhy modelu jsou aktualizovány na trénovací sadě a vyhodnoceny na konci každé epochy na samostatné ověřovací sadě. Model s nejlepším ověřovacím výkonem je uložen během tréninkového procesu a použit k vývoji konečného modelu souboru.
Automatizovaný přístup byl vynikající při přesné segmentaci cyst. Zobrazeno na Obr. 3 a 4 jsou lineární regresní srovnání pro variabilitu mezi pozorovateli, automatizovaná metoda vs. Reader-1 a automatizovaná metoda vs. Reader-2 pro objem cyst (obr. 3) a také index cyst (obr. 4). Automatizovaná metoda navíc fungovala na podobné úrovni jako u lidských čtenářů. Na obr. 5 jsou Bland–Altmanova srovnání pro cystický index. Všimněte si, že pacienti zahrnují širokou škálu závažnosti onemocnění, od případů s velmi malým počtem cyst až po případy, které téměř dokončí náhradu ledvinového parenchymu cystami. Cystický index se pohyboval od ~ 0 do > 90 procent.
Vizuálně došlo k výjimečné shodě mezi přístupem automatizované segmentace a manuálními čtečkami. Obrázek 6 ukazuje vizuální srovnání pro jeden z lepších případů (horní řada, kostky=0,98), nejhorší případ (střední řada, kostky=0,50) a průměrný případ (spodní řada , kostky=0.86).
Automatizovaný přístup byl obecně k nerozeznání od variability, kterou viděli dva různí čtenáři provádějící trasování. V tabulce 1 jsou uvedeny statistiky podobnosti porovnávající variabilitu mezi pozorovateli s variabilitou získanou mezi automatizovaným přístupem a čtečkou-1 a také automatizovaným přístupem a čtečkou-2.
extrakt z cistanche tubolosa: akteosid
Diskuse
Hluboké učení v oblasti umělé inteligence poskytlo vědcům nespočet nástrojů pro efektivní a důkladné vyhodnocování dat, zejména při analýze lékařských snímků. Algoritmus vyvinutý v této studii přesně segmentoval cysty ledvin z tkáně ledvin bez zásahu uživatele. Před tímto modelem byly v přístupech k vymezení cystických struktur z orgánové tkáně implementovány poloautomatické techniky prahování založené na intenzitě [16, 17, 20]. Jedním omezením přístupů založených na intenzitě je to, že na rozdíl od CT se hodnoty MR pixelů mohou drasticky lišit mezi akvizicemi a dokonce i mezi řezy v rámci jedné akvizice, což vyžaduje rozsáhlé techniky předběžného zpracování pro vhodnou normalizaci dat [26]. Navíc tato technika prahování na základě intenzity zcela vynechá komplexní cysty, které mají nižší intenzitu signálu [16].
Model prezentovaný v této studii dosáhl průměrného skóre Dice 85 procent pro segmentaci cyst, tento výsledek je srovnatelný s ostatními nejmodernějšími technikami implementovanými pro segmentaci orgánů. V ADPKD se všechny automatizované přístupy využívající hluboké učení uváděné v literatuře soustředily na úlohu segmentace orgánů, většinou na segmentaci ledvin. Některé z těchto přístupů zahrnují přizpůsobenou síť VGG-16 implementovanou společností Sharma et. al [27] k segmentaci ledvin v CT obrazech. Průměrné skóre Dice z této studie bylo 86 procent. Keshwani et. al, [28] podobně použili CT skeny k predikci segmentace ledvin, byla implementována víceúkolová 3D konvoluční neuronová síť, která dosáhla průměrného Dice skóre 95 procent. Mu a kol. [29] na druhé straně použili snímky MR k automatickému generování segmentace ledvin pomocí modelu V-Net a hlášené skóre Dice bylo 95 procent.
Automatizovaný přístup byl ve všech metrikách velmi blízko k ručnímu trasování. Pokud jde o lineární regrese, automatizovaný přístup byl velmi blízko k oběma čtenářům. Cystický index měl navíc podobnou zaujatost a přesnost jako lidské čtenáře. Vyšší přesnost je pravděpodobně způsobena skutečností, že automatizovaný přístup bude konzistentnější než lidský čtenář. Bylo zjištěno, že největší rozdíl byl pozorován u Hausdorfovy vzdálenosti, což může být důsledkem některých menších falešně pozitivních výsledků, které by se pravděpodobně daly zvládnout jednoduchým následným zpracováním (např. vynásobením výstupu masky segmentace cyst modelu ledvinovou maskou ). Vizuální shoda byla navíc neuvěřitelně silná. Nejhorší případ, pokud jde o metriku podobnosti, byl pro velmi mírnou prezentaci onemocnění. V tomto případě by lidský čtenář mohl rychle poskytnout hodnocení kvality pro dokončení segmentace cysty. Obecně platí, že tento přístup přesně segmentuje cysty široké škály velikostí. V této studii byly cysty naměřeny až do ~ 3-5 mm. To je omezeno rekonstruovaným rozlišením obrazu, které je v rovině řádově ~ 1,5 mm. Navíc největší cysta měla průměr 118 mm.
Schopnost automatického hodnocení cystické zátěže otevírá dveře k retrospektivním studiím využívajícím zde prezentovanou techniku. Předchozí studie aplikovaly více základních přístupů pro hodnocení cystické zátěže a ukázaly slibnou vypovídací hodnotu těchto parametrů odvozených z obrazu. Předchozí krátkodobé studie ukázaly, že tolvaptan snížil objem cyst u léčených pacientů s ADPKD, když byl objem cyst měřen na malé kohortě [30]. Měla by být dokončena další analýza, aby se vyhodnotilo, zda tyto účinky přetrvávají během dlouhodobého podávání léku. Automatizovaná metoda prezentovaná v této studii umožní rychlou a snadnou analýzu většího souboru dat. Sledování růstu cyst může také informovat o specifických genotypech. Jedna studie zjistila, že pacienti s PKD1 mají větší počet cyst než pacienti s PKD2. Přesněji řečeno, pacienti s PKD1 postupují rychleji, protože více cyst se vyvine brzy, nikoli proto, že rostou rychleji [11].
Jedním z omezení této studie je, že hodnotila relativně malou kohortu (n=60). Vygenerování segmentace cyst podle zlatého standardu však trvalo až 8 hodin v závislosti na závažnosti onemocnění. Kvůli tomuto omezení jsme vyvinuli tuto konkrétní kohortu tak, aby pokrývala celý rozsah fenotypických prezentací onemocnění, od ledvin složených z několika cyst (cystický index=0,5 procenta) až po ledviny s ledvinovým parenchymem téměř zcela nahrazeným cysty (cystický index=90 procent). Zavedení metody pro hodnocení cystické zátěže v celém rozsahu fenotypů onemocnění umožní tento přístup silně zobecnit. Dalším omezením je, že nedetekujeme mikroskopické cysty pod zobrazovacím rozlišením. Tyto mikrocysty však přispívají k celkovému objemu cysty relativně malým množstvím [31]
Budoucí studie mohou vyhodnotit větší kohorty a lze prozkoumat automatizované metody pro segmentaci a diferenciaci jednotlivých cyst. To usnadní automatické počítání počtu cyst a vyhodnocení distribuce velikosti cyst. To může také umožnit automatickou klasifikaci typických od atypických pacientů, což informuje o riziku progrese a pravděpodobnosti prospěchu z farmakoterapie. Většina kritérií, která oddělují atypické případy od typických, závisí na indexu cyst, počtu a velikosti. Například pacient je považován za atypického, pokud méně než nebo rovno 5 cyst představuje větší nebo rovno 50 procent TKV a existuje mírná náhrada ledvinové tkáně cystami [32]. Nástroj, který to vypočítá automaticky, by umožnil extrémně rychlé a objektivní klasifikace během kritické fáze zápisu do studie.
Struktura a složení cysty jsou také považovány za vysoce informativní při hodnocení ADPKD. Jakmile jsou cystické oblasti vymezeny z renálního parenchymu, může být provedena další analýza založená na intenzitě a/nebo struktuře, aby se určilo procento nebo distribuce komplexních cyst. Typicky jsou tyto komplexní cysty charakterizovány „tmavšími“ intenzitami v T2-váženém MR zobrazení. Zdá se, že zdravou tkáň parenchymu lze po izolaci z větších cyst analyzovat podobným způsobem. Dalším přístupem bude začlenění vícenásobných akvizic snímků (např. kombinování T1- a T2-vážených MR snímků), aby se pomohlo nejen segmentaci cyst, ale také jejich klasifikaci. Rozšíření na další zobrazovací modality (např. CT) a orgány (např. játra) bude také důležité pro poskytnutí komplexní charakterizace fenotypu PKD a provedení rozsáhlých studií, kde budou smíšené zobrazovací údaje (např. ultrazvuk, počítačová tomografie a/nebo nebo magnetická rezonance) jsou dostupné pro různé pacienty a jsou přítomny mimorenální projevy (např. PLD).
Závěry
Vyvinuli jsme plně automatizovanou metodu sémantické segmentace ledvinových cyst z MR snímků pacientů postižených ADPKD. Metoda funguje stejně jako u lidských čtenářů a bude užitečná v budoucích retrospektivních a prospektivních studiích k hodnocení fenotypů pacientů a celkové cystické zátěže.
Reference
1. PA Gabow, "Autosomální dominantní polycystické onemocnění ledvin," N Engl J Med, sv. 329, č.p. 5, str. 332-42, 29. července 1993,
2. PC Harris a VE Torres, "Polycystické onemocnění ledvin," Annu Rev Med, sv. 60, str. 321-37, 2009
3. AB Chapman a kol., "Autosomálně dominantní polycystická choroba ledvin (ADPKD): shrnutí z konference o onemocnění ledvin: Kontroverzní konference o zlepšení globálních výsledků (KDIGO), Kidney Int, sv. 88, č.p.
4. EM Spithoven et al., Renální substituční terapie pro autosomálně dominantní polycystické onemocnění ledvin (ADPKD) v Evropě: prevalence a přežití--analýza dat z registru ERA-EDTA, Nephrol Dial Transplant, sv. 29 Suppl 4, str. iv15-25, září 2014,
5. RD Perrone a kol., "Celkový objem ledvin je prognostickým biomarkerem poklesu renálních funkcí a progrese do konečného stadia renálního onemocnění u pacientů s autosomálně dominantním polycystickým onemocněním ledvin," Kidney Int Rep, sv. 2, č. 3, str. 442-450, květen 2017, DOI:
6. AB Chapman a kol., "Objem ledvin a funkční výsledky u autosomálně dominantního polycystického onemocnění ledvin," Clin J Am Soc Nephrol, sv. 7, č. 3, str. 479-86, březen 2012
7. JJ Grantham, AB Chapman a VE Torres, "Objemová progrese u autozomálně dominantního polycystického onemocnění ledvin: hlavní faktor určující klinické výsledky," Clin J Am
10. BF King, JE Reed, EJ Bergstralh, PF Sheedy, 2. a 1505-11, srpen 2000. [online]. Dostupné: https://www.ncbi.nlm.
11. PC Harris et al., "Počet cyst, ale ne rychlost cystického růstu je spojen s mutovaným genem u autosomálně dominantního polycystického onemocnění ledvin," J Am Soc Nephrol, sv. 17, č. 11, str. 3013-9, listopad 2006, https://doi.org/10.1681/ASN.2006080835.
12. JJ Grantham, "Mechanismy progrese u autosomálně dominantního polycystického onemocnění ledvin," Kidney Int Suppl, sv. 63, s. S93-7, prosinec 1997. [Online]. Dostupné: https://www.ncbi.nlm.nih. gov/Pubmed/9407432.
13. TL Kline et al., "Funkce textury obrazu předpovídá pokles funkce ledvin u pacientů s autosomálně dominantním polycystickým onemocněním ledvin," Kidney Int, sv. 92, č.p. 5, str. 1206-1216, listopad 2017, https://doi.org/10.1016/j.kint.2017.03.02.
14. TL Kline a kol., "Kvantitativní MRI ledvin při onemocnění ledvin," Abdom Radiol (NY), sv. 43, č.p. 3, str. 629-638, březen 2018
15. KT Bae, PK Comment, a J. Lee, "Volumetrické měření renálních cyst a parenchymu pomocí MRI: fantomové a pacienti s polycystickým onemocněním ledvin," J Compput Assist Tomogr, sv. 24, č. 4, str. 614-9, červenec-srpen 2000
16. KT Bae a kol., "Nová metodika hodnocení renálních cyst u polycystických ledvin," Am J Nephrol, sv. 39, č. 3, str. 210- 7, 2014
17. AB Chapman et al., "Struktura ledvin u časného autosomálně dominantního polycystického onemocnění ledvin (ADPKD): The Consortium for Radiological Imaging Studies of Polycystic Kidney Disease (CRISP) kohorta," Kidney Int, sv. 64, č.p. 3, str. 1035-45, září 2003,
18. K. Bae et al., "Segmentace jednotlivých renálních cyst z MR obrazů u pacientů s autosomálně dominantním polycystickým onemocněním ledvin," Clin J Am Soc Nephrol, sv. 8, č. 7, str. 1089-97, červenec 2013, DOI: https://doi.org/10.2215/CJN.10561012.
19. TL Kline, ME Edwards, P. Korfatis, Z. Akkus, VE Torres a BJ Erickson, "Semiautomated Segmentation of Polycystic Kidneys in T2-Weighted MR Images," AJR Am J Roentgenol, sv. 207, č.p. 3, str. 605-13, září 2016, https://doi.org/10.2214/ AJR.15.15875.
20. Y. Kim a kol., "Automatická segmentace jaterních a jaterních cyst z ohraničených břišních MR obrazů u pacientů s autosomálně dominantním polycystickým onemocněním ledvin," Phys Med Biol, sv. 61, č.p. 22, str. 7864-7880, listopad 21 2016, DOI:
cistanche zdravotní přínosy: zlepšení funkce ledvin