Léčba onemocnění ledvin: Identifikace a klasifikace ledvinového glomerulu

Další informace:{0}}

Část Ⅱ: Neuronová síť pro klasifikaci glomerulu na základě histologických snímků biopsie ledvin

Giacomo Donato Cascaranol, Francesco Saverio Debitontol a kol.

Abstraktní

Souvislosti: Systémy počítačové diagnostiky (CAD) založené na lékařských snímcích by mohly podpořit lékaře v rozhodovacím procesu. V posledních desetiletích vědci navrhli CAD systémy v několika lékařských oblastech a dosáhli slibných výsledků.

CAD systémy hrají důležitou roli v digitální patologii a podporují patology při analýze bioptických preparátů pomocí standardizovaných a objektivních pracovních postupů. V navrhované práci jsme navrhli a otestovali nový modul CAD systému založený na technikách zpracování obrazu a strojovém učení, jehož cílem bylo klasifikovat stav postihující renální tělíska (glomeruly) mezi sklerotické a nesklerotické. Takové rozlišení je užitečné pro hodnocení bioptických preparátů prováděné patology.

Výsledky: Shromáždili jsme 26 digitálních diapozitivů odebraných zledviny19 dárců s periodickou kyselinou-Schiffovým barvením provedli odborní patologové přípravu preparátů, digitální akvizici a anotace glomerulů. Před nastavením klasifikátorů jsme vyhodnotili několik technik extrakce rysů z anotovaných oblastí. Poté postup redukce rysů následovaný mělkou umělou neuronovou sítí umožnil rozlišování mezi třídami glomerulů. Hodnotili jsme pracovní postup s ohledem na nezávislou datovou sadu (tj. zpracování obrázků, které nebyly použity v tréninkové proceduře). Deset nezávislých běhů tréninkového algoritmu a vyhodnocení umožnilo dosáhnout MCC a přesnosti 0,95 (±0.01) a 0,99 (směrodatná odchylka<0.00), respectively.="" we="" also="" obtained="" good="" precision="" (0.9844±0.0111)="" and="" recall="">

Závěry: Výsledky na testovací sadě potvrzují, že navrhovaný pracovní postup je konzistentní a spolehlivý pro zkoumanou doménu a může podpořit klinickou praxi rozlišování dvou tříd glomerulů. Analýzy chybné klasifikace ukazují, že dotčené snímky jsou obvykle ovlivněny barvícími artefakty nebo přítomnými částečnými řezy

Klikněte pro dávkování Cistanche tubulosa pro onemocnění ledvin

Diskuse

Při vyhodnocení navrhovaného přístupu na sadě nezávislých testů dosáhl pracovní postup klasifikace průměrného MCC a přesnosti {{0}},95, respektive 0,99 a nízké variability v 10 nezávislých iteracích (MCC std{{5} }.01 a Přesnost std<0.00). good="" precision="" and="" recall="" were="" also="" obtained(precision:="" 0.9844±0.011l,="" recall:0.9310±0.0153).="" the="" proposed="" approach="" thus="" leads="" to="" an="" improvement="" of="" the="" classification="" performance="" if="" compared="" to="" the="" reported="" literature="">

Při implementaci a vyhodnocování reportovaného pracovního postupu jsme čelili a testovali běžný problém nevyváženosti dat, který byl vyřešen použitím MCC jako koeficientu porovnání výkonu a ROCcurve pro výběr optimálního prahu klasifikace. Uvedené výsledky naznačují, že navrhované nastavení pracovního postupu je pro zkoumanou doménu spolehlivé a podporuje klinickou praxi rozlišování dvou tříd glomerulů.

Analýzou nesprávně klasifikovaných glomerulů jsme také zjistili, že vstupní snímky odpovídající nesprávně klasifikovaným vzorkům vykazovaly barvící artefakty nebo dílčí části (většinou na okrajích); běžné příklady jsou uvedeny na obr. 1. V klinické praxi však patologové vyřazují takové snímky, které by také mohly být vyloučeny z navrhovaného pracovního postupu navržením strategií pro předběžnou detekci snímků ovlivněných takovými problémy.

Obr. 1 Falešný zápor špatně klasifikovaný nejlepším modelem

Závěry

V předložené práci jsme navrhli celý pracovní postup pro klasifikaci sklerotických a nesklerotických glomerulů. Bylo zkoumáno a hodnoceno několik algoritmů extrakce rysů, přičemž byly vybrány dvě typologie rysů: morfologické a texturní rysy. Shromáždili jsme 150 prvků: 2 morfologické prvky a 148 textur, které byly vypočteny pomocí algoritmů mrcLBP a Haralick. Počet funkcí byl poté pomocí PCA snížen na 95. Byla trénována křížově validovaná umělá neuronová síť a čelily se problémy s nevyváženým souborem dat a laděním sítě. Získané výsledky zlepšily stav techniky při provádění takového druhu klasifikačních úloh.

V budoucnu budeme zkoumat, jak minimalizovat počet empirických předpokladů v procesu extrakce příznaků a začlenit váženou klasifikaci mezi záhyby; navíc bude provedena analýza funkcí, aby se určily ty nejlepší.

Kromě toho by mohly být prozkoumány nové techniky, jak čelit problému nevyváženosti datového souboru a založené na metodách převzorkování [20]. Bylo by také zajímavé vyhodnotit přístupy hlubokého učení [21-24] a provést přímé srovnání s metodologií navrženou v tomto dokumentu. Předběžná studie týkající se různých technik sémantické segmentace hlubokého učení aplikovaných na WSI již byla provedena [25]. Nakonec bude prezentovaný pracovní postup integrován do kompletního CAD nástroje proledvinaanalýza biopsií.

Metody

V této studii představujeme CAD rámec, který umožňuje klasifikaciglomerulusstavu pomocí přístupu založeného na funkcích. Navrhované řešení, které je založeno na zpracování obrazu a technikách strojového učení, bylo navrženo tak, aby každý automaticky označovalglomerulusjako sklerotické nebo nesklerotické. Detailní znázornění úplného pracovního postupu pro klasifikaci glomerulů je znázorněno na obr. 2. Procesní potrubí lze organizovat do tří hlavních kroků: (i) extrakce rysů; (i) redukce rysů; (i) klasifikace.

Obr. 2 Pracovní postup extrakce a klasifikace všech funkcí

Popis dat

Celé snímky byly shromážděny mezi červencem 2011 a únorem 2015 lékaři z oddělení urgentních odběrů a orgánových transplantací Fakultní nemocnice v Bari (Itálie). Všechnyledvinabiopsie s barvením PAS byly skenovány pomocí Aperio ScanScope CS při 20× s rozlišením 0,50 μm/pixel. WSI, které byly v rámci této studie zvažovány, byly shromážděny z celkem 26ledvinadigitální biopsie 19 dárců a uložené v plném rozlišení ve formátu souboru SVS (formát Aperio fle sestávající z pyramidových dlaždic TIFF s nestandardními metadaty a kompresí).

Každá WSI obsahuje jiný počet bioptických sekcí (od jedné do sedmi). Celý použitý soubor dat čítá v průměru čtyři bioptické řezy na WSI a celkový počet 105 řezů. Shromážděné snímky použitého souboru dat se vyznačují velkými rozdíly, pokud jde o barvu a sytost, i když všechny byly ošetřeny barvením PAS. Příklady rozdílů v saturaci jsou uvedeny na obr. 3.

Obr. 3 Příklady glomerulů s různými úrovněmi saturace v biopsii ledvin s barvením PAS

Vytvoření datové sady

Všechny glomeruly byly ručně identifikovány a označeny dvěma lékařskými doktorandy. Poté jeden odborný renální patolog potvrdil konečné anotace. Postup spočíval v nastínění skutečné oblasti glomerulů a označení každé z nichglomerulusjako sklerotické nebo nesklerotické pomocí nástroje Aperio ImageScope.

Vzhledem k variabilitě zavedené ruční anotací byla každá označená oblast obklopena obdélníkovým ohraničujícím rámečkem s faktorem nadhodnocení 1,1 pro každý rozměr. Poté byly všechny detekované a označené oblasti glomerulů extrahovány a použity pro vytvoření souboru dat.

Získaný počáteční soubor dat se skládal ze 428 sklerotických glomerulů a 2344 nesklerotických glomerulů, s poměrem mezi těmito dvěma třídami 1/5,5. Podrobně bylo označeno celkem 2772 glomerulů a v průměru každá biopsie a každý řez obsahoval 106 a 26 glomerulů.

Dataset byl následně rozdělen na vlakové a testovací sady. Konkrétně 20 procent původního souboru dat bylo použito jako testovací soubor a informace o cíli testovacího souboru byly použity pouze k posouzení konečných výkonů. Výběr byl proveden náhodně s omezením, že pokud aglomerulusobjevily v testovací sadě, všechny ostatní glomeruly patřící do stejné biopsie se musí objevit v testovací sadě, což znamená, že rozdělení vlaku/testu bylo provedeno na úrovni biopsie. Nejnovější konfigurace datové sady je uvedena v tabulce 1.

Extrakce funkcí

Extrakce rysů je prvním krokem pracovního postupu, který umožňuje definici sady charakteristik používaných k rozlišení mezi dvěma různými typy glomerulů. Na základě lidského uvažování používaného lékaři, kteří jsou schopni problém vyřešit, jsou nejlepší vlastnosti, které se tomuto problému vyrovnají, ty, které souvisí se dvěma hlavními technikami zpracování obrazu: morfologickými vlastnostmi a vlastnostmi založenými na texturách.

Jak navrhl patolog zapojený do studie, hlavní rozdíly mezi sklerotickými a nesklerotickými glomeruly jsou ve tvaru Bowmanova pouzdra, rozměrech a struktuře způsobené krevními cévami. Nesklerotické glomeruly jsou obvykle charakterizovány eliptickým tvarem a přítomností Bowmanova pouzdra, které je odděleno od kapilárního chomáče s mezangiem Bowmanovým prostorem. Soubor jader buněk (modré body na obr. 4), lumen kapilár (bílé oblasti na obr. 4) a mezangiální matrice (oblasti s podobnou tonalitou a různou úrovní nasycení na obr. 4) ukazují zvláštní Sklerotické glomeruly jsou místo toho charakterizovány zvětšením extracelulární matrice, která obliteruje lumen kapilár, a zmenšením nebo chybějícím Bowmanovým prostorem v důsledku kolagenního materiálu.

Obrázky 4 a 5 uvádějí příklad nesklerotických a sklerotickýchglomerulus, resp. Stojí za zmínku, že jemné doladění algoritmů zpracování obrazu, včetně hodnot parametrů a konfigurace algoritmů, bylo provedeno pouze na vlakové soupravě.

Morfologické znaky

Pokud jde o morfologické rysy, uvažovali jsme o dvou rysech, které souvisejí s Bowmanovou kapslí a Bowmanovým prostorem. První rys je vypočítán jako součet oblastí souvisejících s Bowmanovým pouzdrem, oblastmi krevních cév a mezikapilárními prostory, které se vyznačují bělostným zbarvením v důsledku barvení PAS. Detekce masky popisující oblast je založena na třech paralelních postupech zpracování obrazu, které braly v úvahu kanály tří různých barevných prostorů: RGB, CMYK a Lab. Podrobně:

· zelený kanál barevného prostoru RGB, protože je z nich nejreprezentativnějšíglomerulusstruktura;· komplementární purpurová z barevného modelu CMYK byla zvolena kvůli detekovatelnému empirickému významu této barevné složky (obr. 3, 4 a 5);

· složky aab barevného prostoru Lab díky spojení s lidským barevným viděním.

Příklad aplikace procesů na nesklerotické a sklerotické glomeruly je uveden na obr. 6 a 7, v daném pořadí.

Extrakce masek pro zelený kanál z barevného prostoru RGB a pro purpurový kanál z barevného modelu CMYK probíhá podle stejných kroků zpracování obrazu:

1. Binarizace: pro zachování vztahu pixelů k bílé

v regionech byla prahová hodnota empiricky nastavena na 190 [16];

2. Morfologické operátory: k čištění získaného obrazu

z předchozího kroku byly použity eroze, dilatace a střední filtrace s kotoučem o poloměru v rozmezí od 1 do 3 jako strukturujícím prvkem;

3. Aktivní kontura: k vyčištění tvaru získané masky byl použit algoritmus aktivní kontury [26] s 200 iteracemi (zvolený počet iterací zabraňuje extrémnímu vyhlazení masky).glomerulustvar).

Třetí maska ​​byla vypočtena ze složek aab barevného prostoru Lab. Matice ab byla použita jako vstup do shlukovacího algoritmu k-means [27]. Konkrétně byl počet shluků empiricky nastaven na 5 a počet opakování procesu shlukování byl nastaven na 3, aby se nastavily různé počáteční polohy těžiště shluků pro zamezení lokálních minim. Maska byla následně vypočtena tak, že byly zachovány pouze ty pixely patřící do shluku s největší střední hodnotou intenzity šedé stupnice. Poté byly použity kroky 2 a 3 procesu zeleno-purpurové segmentace.

Nakonec byly tyto tři masky použity k výpočtu konečné masky pomocí většinového kritéria: byly zachovány pouze pixely patřící alespoň dvěma maskám. Byly použity získané algoritmy texturní analýzy: Local Binary Pattern (LBP) a Haralickovy vlastnosti.

Jak již bylo navrženo v [13], multi-radiální barevný LBP (mrcLBP) je vhodnou variantou klasického LBP pro řešení problému identifikace. Podrobně se zabývá aplikací algoritmu LBP na tři barevné kanály RGB s různými hodnotami poloměru (1, 3, 9 a 27) as invariantností vůči rotaci. Taková konfigurace byla aplikována na surové RGBglomerulussnímky. Získaných vlastností bylo deset pro každý poloměr, čímž se získal celkový počet 120 znaků (10 znaků na poloměr, 4 poloměr, tři kanály).

Druhá sada funkcí založených na texturách byla založena na funkcích Haralick. Byly vypočteny čtyři matice současného výskytu šedé úrovně, jedna pro každý směr; pak bylo spočítáno 14 Haralickových indexů, což vedlo k 56 prvkům. Aby se toto číslo snížilo, vypočítal se průměr a rozsah mezi čtyřmi směry. Konečný počet prvků byl tedy 28 (14 průměrů a 14 rozsahů, jeden pro každý Haralickův prvek). V důsledku extrakce texturních prvků bylo spočítáno celkem 148 prvků.

Funkce předzpracování

Jak je popsáno výše, proces extrakce rysů vygeneroval 150 rysů, které zohledňovaly jak morfologické, tak texturní vlastnosti glomerulů. Principal Component Analysis (PCA) byla použita jako algoritmus redukce rysů, aby se snížila korelace mezi různými rysy, které budou použity jako vstupy pro krok klasifikace. Před PCA byla každá funkce normalizována Z-skóre.

Jak již bylo řečeno, jemné doladění zpracování obrazu a klasifikačních algoritmů bylo provedeno pouze na vlakové soupravě. Algoritmus redukce rysů místo toho nepotřeboval nebo nepoužíval informace štítku. Z tohoto důvodu by aplikace PCA mohla být provedena na celém datovém souboru nebo pouze na tréninkovém datovém souboru s různými výhodami a nevýhodami. Obě řešení byla aplikována na datovou sadu a vzhledem ke složitosti klasifikačního problému bylo jako prahová hodnota zvoleno 99,9 procenta rozptylu. Nakonec bylo získáno 95 a 93 vlastností, když byly PCA aplikovány na celou datovou sadu a pouze na vlakovou sadu. Protože oba přístupy vedly k podobnému počtu znaků, rozhodli jsme se vzít v úvahu všechny informace v datovém souboru, takže počet znaků zvažovaných pro fázi klasifikace byl 95.

Klasifikace glomerulů

Kroky klasifikace glomerulů jsou založeny na ANN a konkrétně na mělké architektuře ANN. Návrh architektury ANN a ladění jejích parametrů byly brány pouze s ohledem na vlakovou soupravu, přičemž všechny uváděné výsledky a diskuse o výkonu se vztahují k testovací soupravě (viz Výsledky a diskuse). K-násobek(k byl nastaven na 10) byl použit jako technika křížové validace pro zobecnění, zabránění nadměrnému přizpůsobení a získání klasifikátoru nezávislého na konkrétním vstupním souboru dat. Několik inicializací sítě pro každý sklad a tvrdé hlasování mezi sklady bylo použito jak pro získání nezávislosti na konkrétní inicializaci sítě, tak pro výpočet celkového označení třídy skládání.

Pevné trénovací parametry byly následující: jedna skrytá vrstva, tranzit a softmax jako aktivační funkce pro skrytou a výstupní vrstvu; křížová entropie jako ztrátová funkce; škálovaný sdružený gradient jako algoritmus zpětného šíření. Bylo implementováno kritérium předčasného ukončení školení, založené na validační sadě, aby se podpořilo zobecnění a zabránilo se přehnanému přizpůsobení; kritérium zastavení nastane, pokud se výkon na ověřovací sadě nesnížil v posuvném okně 6 epoch.

Počet neuronů skryté vrstvy byl zvolen následovně. Byl porovnán výkon 95 sítí. Podrobně bylo natrénováno několik sítí s velikostí skryté vrstvy v rozmezí od 1 do 95 (je třeba připomenout, že 95 je počet vstupních vlastností). Z 95 hodnocených topologií byla vybrána ta s velikostí skryté vrstvy rovnou 27 na základě nejlepší hodnoty MCC vypočítané jako střední MCC záhybů. Grafické znázornění trendu MCC a indexů přesnosti je na obr. 10; konečná konfigurace umělé neuronové sítě je shrnuta v tabulce 6.

Problém s nevyváženou datovou sadou

Jak bylo uvedeno výše, tréninkový soubor byl ovlivněn silnou nevyváženou distribucí mezi sklerotickými a nesklerotickými glomeruly (5,5 nesklerotických glomerulů na každý sklerotickýglomerulus). Aby se předešlo nadměrnému přizpůsobení ve fázi tréninku, nebylo rozšíření dat považováno za vhodné řešení, protože vybrané funkce jsou invariantní k transformacím hlavního obrazu. Zvažovali jsme tedy následující přístup.

Za prvé jsme zvážili použití MCC jako obecné srovnání výkonu mezi sklady. Jak je uvedeno v Eq. 4, MCC bere v úvahu falešně negativní a falešně pozitivní výsledky a vypočítává korelační koeficient mezi předpokládanými a cílovými třídami. Tento koeficient se může pohybovat v intervalu [-1;1], kde 1 znamená dokonalou předpověď, -1 úplný nesouhlas a 0 je ekvivalentní náhodnému prediktoru. Jak je uvedeno v [28], mezi obvyklými výkonnostními skóre je MCC jediným, který bere v úvahu poměr velikosti matoucí matice, a ukázalo se, že je lepším indexem výkonu než přesnost nebo skóre F1 na nevyvážených souborech dat.

Pokud jde o výběr správné prahové hodnoty klasifikace, byla použita křivka provozní charakteristiky příjmu (ROC). Byly analyzovány dva přístupy. První (přístup A) předpokládá optimální hodnotu jako první průsečík mezi křivkou ROC a přímkou ​​se sklonem rovným poměru mezi celkovým počtem negativních a pozitivních vzorků a klouzáním z levého horního rohu křivky. ROC plot((FPR, TPR)=(0,1)). Zatímco druhý přístup (přístup B)[29] vyhodnocuje bod minimální vzdálenosti (viz Rovnice 5) od bodu (0,1) ROCplotu.

Srovnání těchto dvou metod (přístupu A a přístupu B) z hlediska různých výkonnostních indexů (Rov. 1, 2, 3 a 4) je uvedeno v tabulce 7. Protože v lékařské oblasti je správná předpověď pozitivní nemoc je důležitější než predikce negativů, preferuje se vyšší vyvolání, proto byl zvolen přístup B.

Reference

1. Neuen BL, Chadban SJ, Demaio AR, Johnson DW, Perkovic V.Chronické onemocnění ledvina globální agenda nepřenosných nemocí.BMJ Global Health.2017.

2. Wang H, Naghavi M, Allen C, Barber RM, Carter A, Casey DC a kol. Globální, regionální a národní očekávaná délka života, úmrtnost ze všech příčin a úmrtnost na konkrétní příčinu pro 249 příčin smrti, 1980-2015:asystematická analýza pro studii Global Burden of Disease 2015. The Lancet. 2016;6:66.

3. Wolfe RA, AshbyVB, Milford EL, Ojo AO, Ettenger RE, Agodoa LYC a kol. Porovnání mortality u všech dialyzovaných pacientů, dialyzovaných pacientů čekajících na transplantaci a příjemců první kadaverózní transplantace. N Engl J Med.2002;6:66.

4. Port FK, Wolfe RA, Mauger EA, Berling DP, Jiang K. Srovnání pravděpodobností přežití u dialyzovaných pacientů vs. J Am Med Assoc. 1993;6:66.

5. Liyanage, NinomiyaTJha V, Neal B, Patrice HM, Okpechil a kol. Word-5.[široký přístup k léčbě prokonečné stadium onemocnění ledvin: systematický přehled. The Lancet.2015;666.

6. Cecka JM. Vědecký registr transplantací ledvin UNOS - deset letledvinatransplantace. Clin Transpl. 19976:66.

7. Sjednocená síť pro sdílení orgánů. Výroční zpráva za rok 2004

8. Perico N, Ruggenenti P, Scalamogna M, Remuzzi G. Řešení nedostatku dárcůledviny: jak využít to nejlepší, co máme.Am J Nephrol. 2003;6:66.

9. Moore PS, Farney AC, Sundberg AK, Rohr MS, Hartmann EL, Iskandar SS a kol.Duální transplantace ledvin: srovnání případ-kontrola stransplantace jedné ledvinyod standardních a rozšířených kritérií dárců.Transplantace. 2007;6:66.

10. RemuzziG, GrinyoJ, Ruggenenti P. Bertini M, Cole EH, Milford EL a kol. Rané zkušenosti sduální transplantace ledvinu dospělých s použitím rozšířených kritérií dárcůTransplantace ledvinSkupina (DKG.JAm Soc Nephrol. 1999; 6:66.