pkزبان
گھر / علم / مواد

علم

آٹوسومل غالب پولی سسٹک گردے کی بیماری سے متاثرہ مریضوں کی ایم آر امیجز میں گردے کے سسٹس کی خودکار سیمنٹک سیگمنٹیشن

Mar 29, 2022

رابطہ: Audrey Hu Whatsapp/hp: 0086 13880143964 ای میل:audrey.hu@wecistanche.com

ٹموتھی ایل کلائن1,2· میری ای ایڈورڈز2· جیفری فیٹزر1ایڈریانا وی گریگوری2· دیما انعم1اینڈریو جے میٹزگر2بریڈلی جے ایرکسن1

خلاصہ

مقصدآٹوسومل ڈومیننٹ پولی سسٹک سے متاثرہ مریضوں کے لیےگردہبیماری(ADPKD)، سسٹس کی کامیاب تفریق مریض کی فینوٹائپس کی خودکار درجہ بندی، طبی فیصلہ سازی، اور بیماری کے بڑھنے کے لیے مفید ہے۔ مقصد ADPKD کے مریضوں میں رینل سسٹس کو الگ کرنے اور تجزیہ کرنے کے لیے مکمل طور پر خودکار سیمنٹک سیگمنٹیشن طریقہ تیار کرنا اور اس کا جائزہ لینا تھا۔

طریقے convolutional عصبی نیٹ ورک کا استعمال کرتے ہوئے ایک خودکار گہری سیکھنے کے طریقہ کار کو 60 MR T2-ویٹڈ امیجز کے سیٹ پر تربیت دی گئی، توثیق کی گئی اور جانچ کی گئی۔ تین ماڈلز کو الگ الگ تربیت اور توثیق کے سیٹ (n=40) پر تربیت دینے کے لیے تین گنا کراس توثیق کا طریقہ استعمال کیا گیا تھا۔ اس کے بعد ایک جوڑا ماڈل بنایا گیا تھا اور ہولڈ آؤٹ کیسز (n=20) پر ٹیسٹ کیا گیا تھا، جس میں ہر ایک کیس کو دو قارئین کے ذریعہ انجام دی گئی دستی سیگمنٹیشن کے مقابلے میں کیا گیا تھا۔ قارئین اور خودکار طریقہ کے درمیان تقسیم کے معاہدے کا اندازہ کیا گیا تھا۔

نتائجخودکار نقطہ نظر کو انٹر آبزرور تغیر پذیری کی سطح پر انجام دینے کے لیے پایا گیا۔ خودکار اپروچ میں ڈائس کوفیشینٹ (مطلب ± معیاری انحراف) {{0} کا تھا۔{1}} ± 0.10 بمقابلہ ریڈر-1 اور {{10}}.84 ± {{20}}.11 بمقابلہ ریڈر-2۔ انٹر آبزرور ڈائس 0 تھا۔{11}} ± 0.08 تھا۔ کل سیسٹ والیوم (TCV) کے لحاظ سے، خودکار طریقہ کار میں 3.9 ± 19.1 فیصد بمقابلہ ریڈر-1 اور 8.0 ± 24.1 فیصد بمقابلہ ریڈر-2 کا فرق تھا، جب کہ انٹر آبزرور کی تغیر −2.0 ± 16.4 تھی۔ فیصد .

نتیجہ اس مطالعے نے سیمنٹک سیگمنٹیشن کو انجام دینے کے لیے ایک مکمل خودکار طریقہ تیار کیا اور اس کی توثیق کی۔گردہاے ڈی پی کے ڈی سے متاثرہ مریضوں کی ایم آر امیجز میں سسٹ۔ یہ نقطہ نظر ADPKD کے اضافی امیجنگ بائیو مارکر کو تلاش کرنے اور خود بخود فینوٹائپس کی درجہ بندی کرنے کے لیے مفید ہوگا۔

مطلوبہ الفاظآٹوسومل غالب پولی سسٹکگردہبیماری· سیمنٹک سسٹ سیگمنٹیشن · گہرا سیکھنا · مقناطیسی گونج امیجنگ

to improve kidney function

Cistanche deserticola فائدہ: روکتا ہےگردہبیماری

تعارف

آٹوسومل غالب پولی سسٹکگردہبیماری(ADPKD) گردوں کی سب سے عام موروثی بیماری ہے، جو دنیا بھر میں تقریباً 12 ملین افراد کو متاثر کرتی ہے، اور اس وقت گردے کی خرابی کی چوتھی بڑی وجہ ہے [1، 2]۔ اس کی پیتھالوجی ایسی ہے کہ سسٹوں کی مسلسل نشوونما مجموعی طور پر ترقی پذیر اضافے کا سبب بنتی ہے۔گردہحجم (TKV)۔ ADPKD کا ایک عام مریض 40 سال اور 70 سال کی عمر کے درمیان گردوں کے فنکشن میں ترقی پسندی میں کمی اور تقریباً 70 فیصد پیش رفت کو ظاہر کرتا ہے [3, 4]۔

TKV کو متعدد مطالعات میں ADPKD کی ترقی [5–7] کا مفید پیش گو دکھایا گیا ہے۔ اسی طرح، سسٹک بوجھ کو بیان کرنے اور اس کی پیمائش کرنے کی صلاحیت بیماری کے بڑھنے، ساخت، اور جینی ٹائپک تغیرات کے بارے میں ہمارے علم میں مزید تعاون کرتی ہے۔ یہ اچھی طرح سے سمجھا جاتا ہے کہ سسٹوں کی نشوونما اور نشوونما کا گردوں کے فنکشن میں کمی کے ساتھ مضبوطی سے تعلق ہے [6, 8]۔ اس کے علاوہ، یہ بھی دکھایا گیا ہے کہ TKV کی نشوونما اور سسٹ کی نشوونما کے درمیان براہ راست تعلق ہے۔ تاہم، سسٹس کے بڑھنے اور نئے سسٹ بننے کی شرح ہر فرد پر منحصر ہے [9]۔ مزید برآں، طولانی مطالعات سے پتہ چلا ہے کہ وقت کے ساتھ ساتھ، ADPKD کے مریضوں کو TKV اور سسٹ کے حجم میں اضافہ اور کل پیرینچیما کے حجم میں کمی کا سامنا کرنا پڑتا ہے جو تجویز کرتا ہے کہ غیر سسٹکگردہٹشومزید cysts اور مسلسل بڑھتے cysts کی طرف سے تبدیل کیا جا رہا ہے [10]. دلچسپ بات یہ ہے کہ سسٹ کی نشوونما اور سسٹک انڈیکس (سسٹ کے حجم کا TKV سے تناسب) PKD1 اور PKD2 جین ٹائپس کے درمیان نمایاں طور پر مختلف ہوتے ہیں، کیونکہ PKD1 کی آبادی کے مریضوں میں پہلے سے سسٹ تیار ہوتے ہیں [11، 12]۔ سسٹک بوجھ اور نمو کے اضافی تجزیے میں بیماری کے رجحانات اور علاج کی حکمت عملیوں کے بارے میں مطلع کرنے کی صلاحیت ہے۔

جیسے جیسے نئے امیجنگ بائیو مارکر ابھرتے ہیں، سائنسدان سسٹک اور نان سسٹک کو الگ تھلگ کرنے کے لیے تیز اور موثر طریقے تلاش کرتے ہیں۔گردہٹشو کی خصوصیات کے زیادہ گہرائی سے، مقداری تجزیہ کے لیے علاقے [13، 14]۔ ماضی میں، سسٹ اور گردے کے علاقوں کو دستی طور پر تقسیم کیا گیا ہے، جو کہ انتہائی محنتی اور موضوعی ہے [15]۔ مختلف سیمی آٹومیٹڈ سسٹ سیگمنٹیشن اپروچز کو شدت پر مبنی تھریشولڈنگ کا استعمال کرتے ہوئے تجویز کیا گیا ہے ابتدائی طور پر [16, 17] نیز کلاسیکی مشین لرننگ تکنیک جیسے کے-مینز کلسٹرنگ [18]، کونٹور طریقے [19]، اور شکل پیشگی امکان نقشے [20]۔ تاہم، نیورل نیٹ ورکس کا استعمال کرتے ہوئے مکمل طور پر خودکار گہری سیکھنے کا طریقہ تصویری تجزیہ کار کو دستی ٹریسنگ کے ٹیڈیم سے نجات دلانے اور دوبارہ پیدا کرنے کے قابل اور مضبوط حجم کے حسابات اور سیگمنٹیشن فراہم کرنے کی صلاحیت رکھتا ہے۔ ڈیپ لرننگ مذکورہ بالا سیگمنٹیشن طریقوں سے منفرد ہے کیونکہ یہ ماڈل ڈیٹا ان پٹس سے اہم تصویری خصوصیات کو "سیکھنے" کے قابل ہے جو اسے اپنا حتمی سیگمنٹیشن کام انجام دینے کی اجازت دیتا ہے۔ تربیت کے ذریعے، ماڈل پیٹرن، پکسل کی شدت، اور شکل کی معلومات کا پتہ لگانے کے قابل ہے جو انسانی آنکھ کے لیے آسانی سے قابل شناخت نہیں ہو سکتی۔

کنوولیشنل نیورل نیٹ ورکس (CNNs) جو مقامی ریزولوشن کو کم کرنے کے ساتھ شروع ہوتے ہیں جس کے بعد پکسل/ووکسیل سطح کے میڈیکل امیج سیگمنٹیشن کے کاموں میں ان کے منفرد فن تعمیر کی وجہ سے ریزولوشن ایکسل کی بحالی ہوتی ہے۔ مختصراً، پہلا سنکچن سیکشن convolutional اور ریزولیوشن کو کم کرنے والی تہوں کا ایک سلسلہ ہے جو تصویر کی پیچیدگی کو کم کرنے کے لیے استعمال ہوتا ہے اور دوسرا توسیعی حصہ بنیادی طور پر پہلے راستے کی آئینہ دار تصویر ہے جسے خصوصیات اور مقامی معلومات کو یکجا کرنے کے لیے استعمال کیا جاتا ہے۔ U-Net architecture [21] ایک ایسا نیٹ ورک ہے جس کو طبقے کے کاموں کو حل کرنے کے لیے طبی تصویری تجزیہ میں نمایاں طور پر فائدہ اٹھایا گیا ہے۔ اس فن تعمیر کا ایک خاص فائدہ یہ ہے کہ اسے دوسرے نیٹ ورکس کے مقابلے میں بڑے ٹریننگ سیٹ کی ضرورت نہیں ہے اور انتہائی درست سیگمنٹیشن آؤٹ پٹس حاصل کرتے ہیں۔

اس مطالعے میں، ہم PKD کی MR امیجز کا ڈیٹاسیٹ استعمال کرتے ہیں۔گردےزمینی سچائی کے طور پر کام کرنے والے دو قارئین کے سسٹ ٹریسنگ کے ساتھ۔ ایک خودکار نقطہ نظر تیار کیا جاتا ہے (ایک ترمیم شدہ U-Net قسم کا فن تعمیر)، اور ایک جوڑا ماڈل قائم کیا جاتا ہے اور ٹیسٹ ڈیٹاسیٹ پر ٹیسٹ کیا جاتا ہے۔ اس مطالعے میں بیان کردہ گہرے عصبی نیٹ ورک کا ماڈل سیمنٹک سیگمنٹیشن کی اجازت دیتا ہے۔گردہکل سسٹ حجم (TCV) کے تعین کے لیے سسٹ اور بیماری کے فینوٹائپس کی مزید تشخیص کے لیے مفید ثابت ہو سکتے ہیں۔

cistanche can treat kidney disease

cistanche tubolosa فوائد

مواد اور طریقے

ایم آر امیج ڈیٹا

اس سابقہ ​​مطالعہ نے https://github.com/TLKline/ AutoKidneyCyst پر ادارہ جاتی جائزہ بورڈ سے منظوری حاصل کی۔ ہمارے PKD امیج ڈیٹا بیس سے مختلف سطحوں کے ADPKD والے 60 منفرد مریضوں کے MR اسکین بنائے گئے تھے۔ اس تجزیے میں T2-وزن والی چربی (N=42) اور نان فیٹ سیچوریٹڈ (N=18) اسکین استعمال کیے گئے تھے۔ ایم آر امیجز کورونل سنگل شاٹ فاسٹ اسپن-ایکو (SSFSE) T2 سیکوئنسز تھیں، جو GE سکینر کے ساتھ حاصل کی گئی تھیں، میٹرکس سائز 256 × 256xZ کے ساتھ (جس میں Z اتنا بڑا ہے کہ امیج شدہ حجم کے اندر گردے کی مکمل حد تک احاطہ کر سکے)۔ امیج ووکسل سائز 1.5 ملی میٹر ان پلین کے آرڈر پر تھے جن کی عام طور پر 3.0 ملی میٹر سلائس موٹائی تھی۔

دستی سیگمنٹیشنز

گردے اور سسٹ کا سراغ دستی طور پر دو تصویری تجزیہ کاروں (https://github.com/TLKline/AutoK idneyCyst) کے ذریعہ ان ٹریسنگ کو انجام دینے کے سالوں کے تجربے کے ساتھ انجام دیا گیا تھا۔ تربیت/توثیق کا سیٹ ایک قاری کے ذریعہ ٹریس کیا گیا تھا، اور بین مبصرین کی تغیرات کا اندازہ لگانے کے لیے دونوں کے ذریعہ ٹیسٹ سیٹ کا سراغ لگایا گیا تھا۔ تصویری تجزیہ پروٹوکول میں گردوں کے شرونی اور عروقی ڈھانچے کو شامل نہیں کیا گیا ہے۔ ٹریسنگ سے، TKV اور TCV کا شمار ووکسلز کی تعداد کو ووکسل والیوم سے ضرب کے حساب سے کیا گیا۔ ہر تجزیہ کار دوسرے کے سراغ لگانے پر اندھا تھا۔ یہ ٹریسنگز NIfTI فائلوں کے بطور ایکسپورٹ کیے گئے تھے۔

ڈیٹا کی سطح بندی

TKV سیگمنٹیشنز سے جو ہر اسکین کے لیے تیار کیے گئے تھے، اسکینوں کو 40 ٹریننگ/ویلیڈیشن کیسز اور 20 کیسز ہولڈ آؤٹ ٹیسٹ سیٹ کے لیے ترتیب دیے گئے تھے۔ ٹریننگ/ توثیق کے ڈیٹاسیٹ میں 28 فیٹ سیچوریٹڈ کیسز اور 12 نان فیٹ سیچوریٹڈ کیسز (70 فیصد فیٹ سیچوریٹڈ) تھے۔ ہولڈ آؤٹ ٹیسٹ سیٹ میں 14 فیٹ سیچوریٹڈ کیسز اور 6 نان فیٹ سیچوریٹڈ کیسز (70 فیصد فیٹ سیچوریٹڈ) تھے۔

پری پروسیسنگ

ماڈل کو دو چینل کے نقطہ نظر کے طور پر تربیت دی گئی تھی جس میں ایک چینل کے طور پر ایم آر امیج سلائس، اور دوسرے کے طور پر گردے کی تقسیم تھی۔ نوٹ کریں کہ اس دو چینل اپروچ کے ساتھ، نیورل نیٹ ورک صرف گردے کے اندر موجود سسٹوں کی شناخت کرنا سیکھتا ہے۔ ایم آر امیجز کے لیے انٹر کیوبک انٹرپولیشن کا استعمال کرتے ہوئے امیجز کو 256 × 256 میٹرکس سائز اور گردے اور سسٹ سیگمنٹیشن ماسک کے لیے قریبی پڑوسی انٹرپولیشن کا استعمال کرتے ہوئے دوبارہ اسکیل کیا گیا۔ ہر MR اسکین کی شدت کو سب سے پہلے ایک جیسا 95 فیصد پرسنٹائل لیول کے لیے معمول بنایا گیا اور پھر معیاری اسکیلر نارملائزیشن لاگو کی گئی (صفر اوسط، یونٹ معیاری انحراف)۔

سیمنٹک سیگمنٹیشن ماڈل

نیٹ ورک کا فن تعمیر ہمارے پچھلے کاموں سے ملتا جلتا تھا [22، 23]۔ کنولوشن بلاکس 2D کنولوشنز پر مشتمل ہوتے ہیں، اس کے بعد ڈراپ آؤٹ (ڈراپ آؤٹ=0.1)، بیچ نارملائزیشن، 2D کنولوشنز، اور زیادہ سے زیادہ پولنگ (پول سائز=2 ×2)۔ زیادہ ریزولوشن لیئرز میں بڑے دانے ہوتے ہیں (7 × 7 سے 5 × 5 سے 3 × 3 تک انکوڈر پاتھ کے نیچے بلاکس میں، اور ڈیکوڈر پاتھ کو ریورس کرتے ہوئے) تاکہ فلٹر کی بڑی اور پیچیدہ قسمیں سیکھ سکیں۔ اسکپ کنکشن کو اضافی پرتوں کے طور پر لاگو کیا جاتا ہے (ریزنیٹ کی طرح [24])۔ اصلاح کنندہ ایڈم [25] ہے جس کی ابتدائی سیکھنے کی شرح 1e-3، اور 1e-5 کی تنزلی ہے۔ نقصان کا میٹرک ڈائس مماثلت کا میٹرک ہے۔ ماڈل کو بیچ سائز=8 کے ساتھ 200 عہدوں کے لیے تربیت دی جاتی ہے اور بہترین توثیق کے ساتھ ماڈل کو تربیتی عمل کے دوران محفوظ کیا جاتا ہے۔ ماڈل کیراس میں TensorFlow کے ساتھ بیک اینڈ کے طور پر لاگو کیا گیا تھا۔ ماڈل کو Nvidia Tesla P40 GPU (24 GB میموری) پر تربیت دی گئی تھی۔ ماڈل کا ان پٹ دو چینل میٹرکس (256×256 ×2) ہے۔ پہلا چینل ایک ایم آر امیج سلائس ہے اور دوسرا اس سے متعلقہ کڈنی ماسک ہے۔ آؤٹ پٹ سسٹ سیگمنٹیشن کی پیشین گوئی ہے۔ مجموعی طور پر، تین ماڈلز کو تین مختلف ٹریننگ/ توثیق کے فولڈز پر تربیت دی گئی، اور ایک جوڑا، اکثریتی ووٹ کا ماڈل بنایا گیا اور اسے ہولڈ آؤٹ ٹیسٹ سیٹ پر لاگو کیا گیا۔ کوڈ یہاں دستیاب ہے:

تشخیص

جیسا کہ ماڈل سیکشن میں بیان کیا گیا ہے، ڈیٹا کے مختلف ذیلی سیٹوں پر تربیت دینے کے لیے تربیت/توثیق سیٹ کو تین حصوں میں تقسیم کیا گیا تھا۔ ہر فولڈ کے لیے، سیکھنے کے عمل کے دوران تربیت اور توثیق کے منحنی خطوط تیار کیے گئے اور ہر فولڈ سے بہترین ماڈل کو محفوظ کیا گیا۔ اس کے بعد ایک اکثریتی جوڑ ماڈل تیار کیا گیا اور ہولڈ آؤٹ ٹیسٹ ڈیٹاسیٹ پر لاگو کیا گیا۔ سسٹ کے حجم اور سسٹ انڈیکس کا موازنہ لکیری ریگریشن کے ذریعے کیا گیا تھا، اور پیمائش کی تعصب اور درستگی کا اندازہ لگانے کے لیے بلینڈ – آلٹ مین تجزیہ کے ذریعے سسٹک انڈیکس کا بھی اندازہ کیا گیا تھا۔ اس کے علاوہ، بصری اوورلیز کو خودکار طریقہ کار کا معیاری جائزہ لینے کے لیے بنایا گیا تھا، اور مقداری تشخیص کے لیے مماثلت کے میٹرکس بنائے گئے تھے۔ ہر معاملے میں، انٹر آبزرور کی تغیر کا اندازہ لگانے کے لیے قارئین کے دو حصوں کا موازنہ کیا گیا، اور خودکار نقطہ نظر کا انفرادی طور پر ہر قاری سے موازنہ کیا گیا۔

to relieve kidney disease

صحرائی سیستانچ کے فوائد: گردوں کے کام کو بہتر بنائیں

نتائج

بیماری کی شدت (یعنی TKV) کے لحاظ سے تربیت، توثیق، اور ٹیسٹنگ ڈیٹاسیٹس کے درمیان کوئی خاص فرق نہیں تھا۔ تصویر 1 میں دکھائے گئے حجم کی تقسیم کو دانا کی کثافت والے پلاٹ کے طور پر دیکھا گیا ہے۔ یہ تین تہوں کے ساتھ ساتھ تربیت/توثیق اور ٹیسٹ سیٹ کے درمیان مجموعی تقسیم کے لیے دکھائے گئے ہیں۔ یہ مجموعی تقسیم ADPKD مریضوں کی آبادی میں نظر آنے والے تغیرات کی بڑی ڈگری کا نمائندہ ہے۔

خودکار طریقہ کار میں تین مختلف تہوں پر ایک جیسی کارکردگی کی تربیت تھی۔ شکل 2 تین مختلف فولڈز کے لیے سیکھنے کے منحنی خطوط کو ظاہر کرتا ہے، بشمول ماڈل ٹریننگ کے دوران تربیت اور توثیق ڈائس ویلیوز۔ ماڈل کے وزن کو تربیتی سیٹ پر اپ ڈیٹ کیا جاتا ہے اور الگ الگ توثیق سیٹ پر ہر دور کے آخر میں جانچا جاتا ہے۔ بہترین توثیق کی کارکردگی کے ساتھ ماڈل کو تربیتی عمل کے دوران محفوظ کیا جاتا ہے اور حتمی جوڑ ماڈل تیار کرنے کے لیے استعمال کیا جاتا ہے۔

سیسٹوں کو درست طریقے سے الگ کرنے میں خودکار طریقہ بہترین تھا۔ انجیر میں دکھایا گیا ہے۔ 3 اور 4 انٹر آبزرور تغیر پذیری کے لیے لکیری رجعت کا موازنہ ہیں، خودکار طریقہ بمقابلہ ریڈر-1، اور خودکار طریقہ بمقابلہ ریڈر-2 سسٹ والیوم (تصویر 3) کے ساتھ ساتھ سسٹ انڈیکس۔ (تصویر 4)۔ اس کے علاوہ، خودکار طریقہ کار انسانی قارئین کی طرح کی سطح پر کارکردگی کا مظاہرہ کرتا ہے۔ تصویر 5 میں دکھایا گیا ہے سسٹک انڈیکس کے لیے بلینڈ-آلٹ مین کا موازنہ۔ نوٹ کریں کہ مریض بیماریوں کی شدت کی ایک وسیع رینج کو گھیرے ہوئے ہیں، بہت کم سسٹس والے کیسز سے لے کر ایسے کیسز تک جو گردے کے پیرینچیما کو سسٹوں کے ذریعے تقریباً مکمل کر لیتے ہیں۔ سسٹک انڈیکس ~ 0 سے > 90 فیصد تک تھا۔

بصری طور پر خودکار سیگمنٹیشن اپروچ اور مینوئل ریڈرز کے درمیان ایک غیر معمولی معاہدہ تھا۔ شکل 6 بہتر صورتوں میں سے ایک کے لیے بصری موازنہ دکھاتا ہے (اوپر کی قطار، ڈائس=0.98)، بدترین کیس (درمیانی قطار، ڈائس=0.50)، اور اوسط کیس (نیچے کی قطار) نرد=0۔{6}})۔

عام طور پر، خودکار نقطہ نظر اس تغیر سے الگ نہیں کیا جا سکتا تھا جو دو مختلف قارئین نے سراغ لگاتے ہوئے دیکھا تھا۔ جدول 1 میں دکھائے گئے مماثلت کے اعدادوشمار ہیں جو انٹر آبزرور کے تغیرات کا موازنہ کرتے ہیں جو خودکار نقطہ نظر اور ریڈر-1 کے ساتھ ساتھ خودکار نقطہ نظر اور ریڈر-2 کے درمیان حاصل ہوتا ہے۔

acteoside in cistanche (4)

cistanche tubolosa اقتباس: acteoside

بحث

AI کے میدان میں گہری سیکھنے نے سائنس دانوں کو ڈیٹا کا موثر اور مکمل جائزہ لینے کے لیے لاتعداد ٹولز فراہم کیے ہیں، خاص طور پر طبی تصویر کے تجزیہ میں۔ اس مطالعے میں تیار کردہ الگورتھم نے صارف کی مداخلت کے بغیر گردوں کے بافتوں سے گردوں کے سسٹوں کو درست طریقے سے تقسیم کیا۔ اس ماڈل سے پہلے، اعضاء کے بافتوں سے سسٹک ڈھانچے کو بیان کرنے کے نقطہ نظر نے نیم خودکار شدت پر مبنی حد بندی کی تکنیکوں کو لاگو کیا [16، 17، 20]۔ شدت پر مبنی نقطہ نظر کی ایک حد یہ ہے کہ، CT کے برعکس، MR پکسل کی قدریں حصول کے درمیان، اور یہاں تک کہ ایک حصول کے اندر سلائسز کے درمیان کافی حد تک مختلف ہو سکتی ہیں، ڈیٹا کو مناسب طریقے سے معمول پر لانے کے لیے وسیع پری پروسیسنگ تکنیکوں کی ضرورت ہوتی ہے [26]۔ مزید برآں، شدت پر مبنی حد بندی کی یہ تکنیک پیچیدہ سسٹوں کو مکمل طور پر کھو دے گی جن میں سگنل کی شدت کم ہے [16]۔

Fig. 1 Visualization of density distributions of total kidney volume for the three folds (Fold 1: top left, Fold 2: top right, Fold 3: bottom left), and the entire training and validation sets as well as the separate hold out test set (bottom right). The cross-validation folds were randomly separated into the distinct subsets. The network model was trained on the three folds and an ensemble network was made and applied to the hold out test set

اس مطالعے میں پیش کردہ ماڈل نے سسٹ سیگمنٹیشن کے لیے 85 فیصد کا اوسط ڈائس اسکور حاصل کیا، یہ نتیجہ اعضاء کی تقسیم کے لیے نافذ کردہ دیگر جدید ترین تکنیکوں سے موازنہ ہے۔ ADPKD میں، ادب میں رپورٹ کردہ گہری سیکھنے کا استعمال کرتے ہوئے تمام خودکار طریقوں نے اعضاء کی تقسیم کے کام پر توجہ مرکوز کی ہے، زیادہ تر گردے کی تقسیم کے لیے۔ ان طریقوں میں سے کچھ میں شرما ایٹ کے ذریعے لاگو کیا گیا ایک حسب ضرورت VGG-16 نیٹ ورک شامل ہے۔ al [27] سی ٹی امیجز میں گردوں کو سیگمنٹ کرنے کے لیے۔ اس مطالعہ سے ڈائس کا اوسط اسکور 86 فیصد تھا۔ کیشوانی وغیرہ۔ al، [28] اسی طرح CT اسکین کا استعمال گردے کے حصوں کی پیشن گوئی کرنے کے لیے کیا گیا، ایک ملٹی ٹاسک 3D convolutional عصبی نیٹ ورک کو لاگو کیا گیا جس کا اوسط ڈائس اسکور 95 فیصد ہے۔ Mu et al. [29]، دوسری طرف، V-Net ماڈل کا استعمال کرتے ہوئے خود بخود گردے کی تقسیم پیدا کرنے کے لیے MR امیجز کا استعمال کیا، اور رپورٹ کردہ ڈائس اسکور 95 فیصد تھا۔

Fig. 2 Learning curves for training and validation datasets from the three diferent folds.

خودکار نقطہ نظر کا تمام میٹرکس میں دستی ٹریسنگ سے بہت قریب سے موازنہ کیا گیا ہے۔ لکیری رجعت کے لحاظ سے، خودکار نقطہ نظر کا موازنہ دونوں قارئین سے بہت قریب ہے۔ اس کے علاوہ، سسٹک انڈیکس میں انسانی قارئین کے لیے اسی طرح کا تعصب اور درستگی تھی۔ بہتر درستگی کا امکان اس حقیقت کی مرہون منت ہے کہ خودکار نقطہ نظر انسانی قاری سے زیادہ مستقل ہوگا۔ یہ پایا گیا کہ سب سے بڑا فرق Hausdorf فاصلے میں دیکھا گیا، جو کچھ معمولی غلط مثبتات کا نتیجہ ہو سکتا ہے جسے ممکنہ طور پر سادہ پوسٹ پروسیسنگ کے ذریعے سنبھالا جا سکتا ہے (مثال کے طور پر، ماڈل کے سسٹ سیگمنٹیشن ماسک کے آؤٹ پٹ کو کڈنی ماسک سے ضرب دینا۔ )۔ اس کے علاوہ، بصری معاہدہ ناقابل یقین حد تک مضبوط تھا. مماثلت کی پیمائش کے لحاظ سے سب سے برا معاملہ، بیماری کی بہت ہلکی پیش کش کے لیے تھا۔ اس صورت میں، ایک انسانی قارئین سسٹ سیگمنٹیشن کو حتمی شکل دینے کے لیے تیزی سے معیار کی تشخیص فراہم کر سکتا ہے۔ عام طور پر، نقطہ نظر درست طریقے سے سائز کی ایک وسیع رینج کے سسٹس کو الگ کرتا ہے۔ اس مطالعہ میں، سسٹس کو ~ 3-5 ملی میٹر تک ناپا گیا۔ یہ دوبارہ تعمیر شدہ تصویری ریزولوشن کے ذریعے محدود ہے، جو جہاز میں ~ 1.5 ملی میٹر کے آرڈر پر ہے۔ اس کے علاوہ، سب سے بڑے سسٹ کا قطر 118 ملی میٹر تھا۔

Fig. 3 Linear regression comparisons for Cyst Volume. Comparisons are shown for interobserver (left panel), the automated method vs. Reader-1 (middle panel), and the automated method vs. Reader-2 (right panel). The automated approach performed very similar in the case of cyst volume with the two readers. The regression line is shown as a solid line (from the ft of y=mx+b) and the shaded region is the 95% confdence interval

سسٹک بوجھ کا خود بخود اندازہ لگانے کی صلاحیت یہاں پیش کی گئی تکنیک کو لاگو کرتے ہوئے سابقہ ​​مطالعہ کے دروازے کھول دیتی ہے۔ پہلے کے مطالعے نے سسٹک بوجھ کا اندازہ لگانے کے لیے مزید بنیادی طریقوں کا اطلاق کیا ہے اور ان امیج سے اخذ کردہ پیرامیٹرز کی امید افزا معلوماتی قدر ظاہر کی ہے۔ پچھلے قلیل مدتی مطالعات سے پتہ چلتا ہے کہ ٹولواپٹن نے علاج شدہ ADPKD مریضوں میں سسٹ کی مقدار کو کم کیا جب سسٹ کا حجم ایک چھوٹے گروہ پر ماپا گیا [30]۔ اس بات کا اندازہ کرنے کے لیے مزید تجزیہ مکمل کیا جانا چاہیے کہ آیا یہ اثرات دوا کی طویل مدتی انتظامیہ کے دوران جاری رہتے ہیں۔ اس مطالعہ میں پیش کردہ خودکار طریقہ ایک بڑے ڈیٹاسیٹ کے فوری اور آسان تجزیہ کی اجازت دے گا۔ سسٹ کی نشوونما کا سراغ لگانا مخصوص جین ٹائپس پر بھی مطلع کر سکتا ہے۔ ایک تحقیق میں پتا چلا ہے کہ PKD1 والے مریضوں میں PKD2 والے مریضوں کے مقابلے میں سسٹوں کی تعداد زیادہ ہوتی ہے۔ مزید خاص طور پر، PKD1 کے مریض تیزی سے ترقی کرتے ہیں کیونکہ زیادہ سسٹ جلد نشوونما پاتے ہیں، اس لیے نہیں کہ وہ تیزی سے بڑھتے ہیں [11]۔

اس مطالعے کی ایک حد یہ ہے کہ اس نے نسبتاً چھوٹے گروہ (n=60) کا جائزہ لیا۔ تاہم، بیماری کی شدت کے لحاظ سے سونے کے معیاری سسٹ سیگمنٹیشن پیدا کرنے میں 8 گھنٹے تک کا وقت لگتا ہے۔ اس محدودیت کی وجہ سے، ہم نے بیماری کی فینوٹائپک پریزنٹیشنز کی مکمل حد تک پھیلانے کے لیے اس مخصوص گروہ کو تیار کیا، چند سسٹس (سسٹک انڈیکس=0.5 فیصد) پر مشتمل گردے سے لے کر گردوں تک تقریباً مکمل طور پر رینل پیرانچیما کی جگہ لے لی۔ cysts (سسٹک انڈیکس=90 فیصد) بیماری کے فینوٹائپس کی مکمل حد پر سسٹک بوجھ کا اندازہ کرنے کے لئے ایک طریقہ قائم کرنے سے اس نقطہ نظر کو سختی سے عام کیا جا سکے گا۔ ایک اور حد یہ ہے کہ ہم امیجنگ ریزولوشن کے نیچے مائکروسکوپک سسٹس کا پتہ نہیں لگا رہے ہیں۔ تاہم، یہ مائیکرو سسٹس کل سسٹ کے حجم میں نسبتاً کم حصہ ڈالتے ہیں [31]

Fig. 5 Bland–Altman results for the comparison of cystic index for interobserver (left panel), the automated method vs. Reader-1 (middle panel), and the automated method vs. Reader-2 (right panel). The two readers had very little bias between the overall measurements, but actually had a slightly larger precision than what was found for the automated method vs either reader independently

مستقبل کے مطالعے سے بڑے گروہوں کا اندازہ لگایا جا سکتا ہے، اور انفرادی سسٹوں کو الگ کرنے اور الگ کرنے کے لیے خودکار طریقے تلاش کیے جا سکتے ہیں۔ یہ خود بخود سسٹوں کی تعداد گننے اور سسٹ سائز کی تقسیم کا اندازہ کرنے میں سہولت فراہم کرے گا۔ یہ غیر معمولی مریضوں سے خود بخود مخصوص کی درجہ بندی کرنے کی بھی اجازت دے سکتا ہے، جو ترقی کے خطرے اور منشیات کے علاج سے فائدہ اٹھانے کے امکان سے آگاہ کرتا ہے۔ زیادہ تر معیار جو atypical کو عام کیسوں سے الگ کرتے ہیں وہ سسٹ انڈیکس، گنتی اور سائز پر انحصار کرتے ہیں۔ مثال کے طور پر، ایک مریض کو غیر معمولی سمجھا جاتا ہے اگر 5 سے کم یا اس کے برابر سسٹس 50 فیصد TKV سے زیادہ یا اس کے برابر ہوتے ہیں اور گردے کے ٹشوز کی ہلکی سی تبدیلی ہوتی ہے [32]۔ ایک ٹول جو خود بخود اس کا حساب لگاتا ہے، مطالعہ کے اہم اندراج کے مرحلے کے دوران انتہائی تیز اور معروضی درجہ بندی کی اجازت دیتا ہے۔

ADPKD کا اندازہ کرتے وقت سسٹ کی ساخت اور ساخت کو بھی انتہائی معلوماتی کے طور پر دیکھا جاتا ہے۔ ایک بار جب رینل پیرینچیما سے سسٹک علاقوں کی وضاحت ہو جاتی ہے تو، پیچیدہ سسٹوں کی فیصد یا تقسیم کا تعین کرنے کے لیے مزید شدت- اور/یا ساخت پر مبنی تجزیہ کیا جا سکتا ہے۔ عام طور پر، یہ پیچیدہ سسٹس T2-ویٹڈ MR امیجنگ میں "گہرے" شدت سے نمایاں ہوتے ہیں۔ بظاہر، صحت مند پیرینچیما ٹشو کا تجزیہ بڑے سسٹوں سے الگ تھلگ ہونے کے بعد اسی طرح کیا جا سکتا ہے۔ ایک اور طریقہ یہ ہوگا کہ متعدد تصویری حصول کو شامل کیا جائے (مثلاً T1- اور T2-ویٹڈ MR امیجز کو یکجا کرنا) تاکہ نہ صرف سسٹوں کی تقسیم میں مدد ملے بلکہ ان کی درجہ بندی میں بھی مدد ملے۔ دیگر امیجنگ طریقوں (مثلاً، سی ٹی) اور اعضاء (مثلاً، جگر) میں توسیع PKD فینوٹائپ کی ایک جامع خصوصیت فراہم کرنے اور بڑے پیمانے پر مطالعہ کرنے کے لیے بھی اہم ہوگی جہاں مخلوط امیجنگ ڈیٹا (مثلاً، الٹراساؤنڈ، کمپیوٹیڈ ٹوموگرافی، اور/ یا میگنیٹک ریزوننس امیجنگ) مختلف مریضوں کے لیے دستیاب ہیں، اور گردوں کے اضافی مظاہر (مثال کے طور پر، PLD) موجود ہیں۔

Fig. 6 Visual comparisons between the interobserver segmentations and the automated approach compared to Reader-1. Shown in the left column are the MR images, the middle column are the gold-standard tracings comparing Reader-1 (violet) to Reader-2 (green), and right column compares Reader-1 (violet) to the automated approach (green). The top row highlights one of the best cases, with a Dice of 0.96 for interobserver, and 0.97 for the automated approach compared with Reader-1. The middle row is the worst case in terms of the automated methods performance, with an interobserver Dice metric of 0.66 and an automated Dice of 0.50 vs. Reader-1. The bottom row highlights a fairly typical case in terms of performance, with interobserver Dice of 0.84, and automated Dice of 0.86 vs. Reader-1. Regions that are seen to cause the greatest variability for both manual tracings as well as the automated approach are bright vessels, the renal pelvis, as well as complex cysts (appearing dark on the T2-weighted images). Agreement between the two is shown as dark gray/transparent. The background image is darkened in order to better visualize the segmentation overlap

نتائج

ہم نے ADPKD سے متاثرہ مریضوں کی MR امیجز سے گردے کے سسٹ کے سیمنٹک سیمنٹیشن کے لیے ایک مکمل خودکار طریقہ تیار کیا ہے۔ یہ طریقہ انسانی قارئین کے مساوی کارکردگی کا مظاہرہ کرتا ہے اور مریض کے فینوٹائپس اور مجموعی طور پر سسٹک بوجھ کا جائزہ لینے کے لیے مستقبل کے سابقہ ​​اور ممکنہ مطالعات میں مفید ہوگا۔

Table 1 Segmentation metrics calculated for the two manual tracings, the automated approach vs. Reader-1, as well as the automated approach vs. Reader-2

حوالہ جات

1. PA Gabow، "Autosomal dominant polycystic kidney disease," N Engl J Med، vol. 329، نمبر 5، صفحہ 332-42، 29 جولائی، 1993،

2. پی سی ہیرس اور وی ای ٹوریس، "پولی سسٹک گردے کی بیماری،" اینو ریو میڈ، والیم۔ 60، صفحہ 321-37، 2009

3. AB Chapman et al.، "Autosomal-dominant polycystic kidney disease (ADPKD): گردے کی بیماری سے ایگزیکٹو خلاصہ: عالمی نتائج کو بہتر بنانا (KDIGO) تنازعات کانفرنس،" کڈنی انٹ، والیم۔ 88، نمبر

4. EM Spithoven et al.، "یورپ میں آٹوسومل ڈومیننٹ پولی سسٹک کڈنی ڈیزیز (ADPKD) کے لیے رینل ریپلیسمنٹ تھراپی: پھیلاؤ اور بقا-- ERA-EDTA رجسٹری سے ڈیٹا کا تجزیہ،" نیفرول ڈائل ٹرانسپلانٹ، جلد۔ 29 ضمنی 4، صفحہ iv15-25، ستمبر 2014،

5. RD Perrone et al.، "کڈنی انٹ ریپ، والیوم۔ 2، نہیں 3، صفحہ 442-450، مئی 2017، DOI:

6. AB Chapman et al.، "آٹوسومل ڈومیننٹ پولی سسٹک کڈنی کی بیماری میں گردے کا حجم اور فعال نتائج،" Clin J Am Soc Nephrol، جلد۔ 7، نہیں 3، صفحہ۔ 479-86، مارچ 2012

7. جے جے گرانتھم، اے بی چیپ مین، اور وی ای ٹوریس، "آٹوسومل ڈومیننٹ پولی سسٹک کڈنی کی بیماری میں حجم کی ترقی: کلینکل نتائج کا تعین کرنے والا بڑا عنصر،" کلین جے ایم

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

11. PC Harris et al.، "سسٹ نمبر لیکن سسٹک نمو کی شرح آٹوسومل ڈومیننٹ پولی سسٹک کڈنی کی بیماری میں تبدیل شدہ جین سے وابستہ نہیں ہے،" J Am Soc Nephrol، جلد۔ 17، نمبر 11، صفحہ 3013-9، نومبر 2006، https://doi.org/10.1681/ASN.2006080835۔

12. جے جے گرانتھم، "آٹوسومل ڈومیننٹ پولی سسٹک کڈنی ڈیزیز میں ترقی کے طریقہ کار،" کڈنی انٹ سپل، والیم۔ 63، صفحہ S93-7، دسمبر 1997۔ [آن لائن]۔ دستیاب: https://www.ncbi.nlm.nih۔ gov/Pubmed/9407432۔

13. TL Kline et al.، "تصویری ساخت کی خصوصیات آٹوسومل ڈومیننٹ پولی سسٹک گردے کی بیماری کے مریضوں میں گردوں کے فنکشن میں کمی کی پیش گوئی کرتی ہیں،" کڈنی انٹ، والیوم۔ 92، نمبر 5، صفحہ 1206-1216، نومبر 2017، https://doi.org/10.1016/j.kint.2017.03.02.

14. TL Kline et al.، "گردوں کی بیماری میں گردوں کا مقداری MRI،" Abdom Radiol (NY)، جلد۔ 43، نمبر 3، صفحہ 629-638، مارچ 2018

15. KT Bae، PK Comment، اور J. Lee، "MRI کا استعمال کرتے ہوئے رینل سسٹس اور پیرینچیما کی حجم کی پیمائش: پریت اور پولی سسٹک کڈنی ڈیزیز کے مریض،" J Comput Assist Tomogr، vol. 24، نمبر 4، صفحہ 614-9، جولائی-اگست 2000

16. KT Bae et al.، "پولی سسٹک گردے کی بیماری میں گردوں کے سسٹوں کا اندازہ کرنے کے لیے ناول کا طریقہ کار،" ایم جے نیفرول، والیم۔ 39، نمبر 3، صفحہ 210- 7، 2014

17. AB Chapman et al.، "ابتدائی آٹوسومل ڈومیننٹ پولی سسٹک کڈنی ڈیزیز (ADPKD) میں گردوں کی ساخت: پولی سسٹک کڈنی ڈیزیز (CRISP) کوہورٹ کے ریڈیولوجک امیجنگ اسٹڈیز کے لیے کنسورشیم،" کڈنی انٹ، والیم۔ 64، نمبر 3، صفحہ 1035-45، ستمبر 2003،

18. K. Bae et al.، "آٹوسومل ڈومیننٹ پولی سسٹک کڈنی ڈیزیز والے مریضوں میں MR امیجز سے انفرادی رینل سسٹس کا سیگمنٹیشن،" Clin J Am Soc Nephrol، جلد۔ 8، نہیں 7، صفحہ۔ 1089-97، جولائی 2013، DOI: https://doi.org/10.2215/CJN.10561012۔

19. TL Kline، ME Edwards، P. Korfatis، Z. Akkus، VE Torres، اور BJ Erickson، "T2-ویٹڈ MR امیجز میں پولی سسٹک کڈنی کی نیم خود کار تقسیم،" AJR Am J Roentgenol، vol. 207، نمبر 3، صفحہ 605-13، ستمبر 2016، https://doi.org/10.2214/ AJR.15.15875۔

20. Y. Kim et al.، "باؤنڈڈ پیٹ کی ایم آر امیجز سے جگر اور جگر کے سسٹوں کا خودکار سیگمنٹیشن آٹوسومل ڈومیننٹ پولی سسٹک کڈنی ڈیزیز کے مریضوں میں،" Phys Med Biol، جلد۔ 61، نمبر 22، صفحہ 7864-7880، نومبر 21 2016، DOI:

cistanche-kidney function-3(57)

cistanche صحت ​​کے فوائد: گردے کے کام کو بہتر بنائیں


شاید آپ یہ بھی پسند کریں