ڈی سی ای مسٹر امیجز میں گردے کی صحت مند سیگمنٹیشن ایک کنولوشنل نیورل نیٹ ورک اور وقتی سگنل کی خصوصیات کا استعمال کرتے ہوئے

Artur Klepaczko1، Eli Eikefjord²اور اروڈ لنڈرولڈ^2,3,4

خلاصہ:ڈائنامک کنٹراسٹ انہینسڈ میگنیٹک ریزوننس امیجنگ (DCE-MRI) کی بنیاد پر رینل پرفیوژن کی مقدار درست کرنے کے لیے رینل پیرینچیما کے علاقے میں سگنل کی شدت کے وقت کے کورسز کے تعین کی ضرورت ہوتی ہے۔ اس طرح، ووکسلز کا انتخاب جس کی نمائندگی کرتا ہے۔گردہاسے خصوصی دیکھ بھال کے ساتھ پورا کیا جانا چاہیے اور یہ ایک بڑی تکنیکی حدود میں سے ایک ہے جو ایک معیاری طبی معمول کے طور پر اس تکنیک کے وسیع تر استعمال کو روکتی ہے۔ رینل کمپارٹمنٹس کی دستی سیگمنٹیشن — خواہ ماہرین کی طرف سے انجام دیا گیا ہو — تکراری صلاحیت اور تولیدی صلاحیت میں کمی کا ایک عام ذریعہ ہے۔ اس مقالے میں، ہم خودکار کے لیے ایک پروسیسنگ فریم ورک پیش کرتے ہیں۔گردہDCE-MR امیجز میں سیگمنٹیشن۔ فریم ورک دو مراحل پر مشتمل ہے۔ سب سے پہلے،گردہماسک ایک convolutional عصبی نیٹ ورک کا استعمال کرتے ہوئے تیار کیے جاتے ہیں۔ اس کے بعد، DCE-MRI سگنل کی شدت کے وقت کے کورسز کی بنیاد پر، ماسک ووکسلز کو تین میں سے ایک خطوں میں درجہ بندی کیا جاتا ہے — کورٹیکس، میڈولا، اور شرونی۔ مجوزہ نقطہ نظر کا جائزہ 10 صحت مند رضاکاروں کے ایک گروپ پر کیا گیا جنہوں نے DCE-MRI امتحان سے گزرا۔ ایم آر آئی اسکیننگ کو دو بار کے واقعات میں 10- دن کے وقفے کے اندر دہرایا گیا۔ سیمنٹک سیگمنٹیشن ٹاسک کے لیے، ہم نے ایک کلاسک U-Net فن تعمیر کا استعمال کیا، جبکہ ووکسیل کی درجہ بندی پر تجربات تین متبادل الگورتھم یعنی سپورٹ ویکٹر مشین، لاجسٹک ریگریشن، اور انتہائی گراڈینٹ بوسٹنگ ٹریز کا استعمال کرتے ہوئے کیے گئے، جن میں سے SVM نے انتہائی درست نتائج برآمد کیے ہیں۔ تقسیم اور درجہ بندی دونوں مراحل ماڈلز کی ایک سیریز کے ذریعے مکمل کیے گئے تھے، جن میں سے ہر ایک کو صرف دوسرے شرکاء کے ڈیٹا کا استعمال کرتے ہوئے مخصوص مضمون کے لیے الگ سے تربیت دی گئی تھی۔ مطلب نے پوری کی درستگی حاصل کی۔گردہIoU گتانک کے لحاظ سے تقسیم 94 فیصد تھی۔ Cortex، medulla، اور pelvis کو IoU کے ساتھ 90 سے 93 فیصد تک بافتوں اور جسم کی طرف کے لحاظ سے تقسیم کیا گیا تھا۔ تصویر سے ماخوذ پرفیوژن پیرامیٹرز کا زمینی سچائی کی پیمائش کے ساتھ موازنہ کرکے بھی نتائج کی توثیق کی گئی۔گلوومیرولر فلٹریشن کی شرح(جی ایف آر)۔ جی ایف آر کیلکولیشن کی ریپیٹ ایبلٹی، جیسا کہ تغیر کے گتانک سے اندازہ لگایا گیا ہے، بائیں اور دائیں گردے کے لیے بالترتیب 14.5 اور 17.5 فیصد کی سطح پر متعین کیا گیا تھا اور اس میں دستی تقسیم کی نسبت بہتری آئی ہے۔ تولیدی صلاحیت، بدلے میں، تصویر سے ماخوذ اور iohexol پر مبنی GFR اقدار کے درمیان معاہدے کی پیمائش کے ذریعے جانچی گئی۔ سکیننگ سیشن 1 اور 2 اور مجوزہ خودکار سیگمنٹیشن طریقہ کے لیے تخمینہ شدہ مطلق اوسط فرق 9.4 اور 12.9 mL/min/1.73 m2 کے برابر تھا۔ سیشن 2 کا نتیجہ دستی تقسیم کے ساتھ موازنہ تھا، جب کہ سیشن 1 کے لیے خودکار پائپ لائن میں تولیدی صلاحیت کمزور تھی۔

مطلوبہ الفاظ:متحرک کنٹراسٹ بڑھا ہوا MRI؛ convolutional عصبی نیٹ ورک؛گردہانقطاع فارماکوکینیٹک ماڈلنگ؛ پرفیوژن مقدار کا تعین؛ گلوومیرولر فلٹریشن کی شرح

رابطہ: ali.ma@wecistanche.com

گردے کی بیماری کے لیے Cistanche herba پر کلک کریں۔

1. تعارف

سیرم کریٹینائن کی سطح کی پیمائش کرکے گردوں کے فنکشن کا معمول کے مطابق جائزہ لیا جاتا ہے۔ اس کی قدر کی بنیاد پر،گلوومیرولر فلٹریشن کی شرح(GFR) کا تخمینہ استعمال کرتے ہوئے لگایا جا سکتا ہے مثلاً، گردوں کی بیماری کی مساوات میں خوراک کی ترمیم [1]۔ GFR کا تعین کرنے کا ایک اور طریقہ، جس نے حال ہی میں طبی ترتیب میں مقبولیت حاصل کی ہے، iohexol پلازما کلیئرنس ٹیسٹ ہے۔ کچھ مصنفین کا خیال ہے کہ یہ طریقہ انولن کی پیشاب کی منظوری پر مبنی سونے کی معیاری تکنیک کی جگہ لے لیتا ہے [2]۔ تاہم، یہ تمام طریقہ کار دونوں کے لیے بیک وقت GFR کی مقدار کے تعین کی اجازت دیتے ہیں۔گردے. لہٰذا، ڈائنامک کنٹراسٹ انہینسڈ مقناطیسی گونج امیجنگ (DCE-MRI) ایک پرکشش متبادل کے طور پر ظاہر ہوتا ہے- یہ فلٹریشن کی کارکردگی کی غیر جارحانہ نگرانی کے قابل بناتا ہے۔گردہٹشو کے گھاووں جیسے فوکل سیگمنٹل گلوومیرولوسکلروسیس پر مقامی طور پر حل شدہ معلومات فراہم کرتے ہوئے

اصولی طور پر، DCE-MRI امتحان سکیننگ کے طریقہ کار کے متعدد مجرد مراحل پر حاصل کردہ T1-ویٹڈ جلدوں کا ایک سلسلہ تیار کرتا ہے۔ یہ طریقہ گیڈولینیم پر مبنی کنٹراسٹ ایجنٹ (CA) کے بولس کی نس میں انتظامیہ پر مشتمل ہے۔ جب کہ CA بولس پیٹ کے شریان کے درخت، کیپلیری بیڈ، اور نلی نما نظاموں سے گزرتا ہے۔گردےیہ مؤثر طریقے سے داخل ہونے والے ٹشوز کے T1 آرام کے وقت کو بڑھاتا ہے، اس طرح تصویر میں تضاد کو تبدیل کرتا ہے۔ اس امیج سگنل کی شدت میں تبدیلی کی دنیاوی حرکیات گردے کے فنکشن کی جسمانی حالتوں کی عکاسی کرتی ہے اور رینل پرفیوژن کی فارماکوکینیٹک (PK) ماڈلنگ کی بنیاد بناتی ہے۔

متعدد مجوزہ پی کے ماڈل مختلف اعضاء میں خون کے اخراج کے عمل کو ریاضیاتی طور پر بیان کرنے کی کوشش کرتے ہیں۔ کے حوالے سےگردہ، زیادہ تر ماڈل فرض کرتے ہیں کہ دیئے گئے ٹشو ووکسیل میں ماپا جانے والا سگنل کم از کم دو کمپارٹمنٹس سے شروع ہونے والی شراکت کا ایک مجموعہ ہے - انٹرا واسکولر (IV) اور ایکسٹرا سیلولر ایکسٹرا واسکولر (EEV) خالی جگہیں [3–6]۔ مزید برآں، جیسا کہ ہر PK ماڈل میں، گیڈولینیم ٹریسر کی فیڈنگ شریان کے ذریعے دلچسپی کے عضو تک پہنچانا نام نہاد آرٹیریل ان پٹ فنکشن (AIF) کے ذریعے سمیٹ لیا جاتا ہے۔ عملی طور پر، AIF گردے کے مطالعہ کے معاملے میں پیٹ کی شہ رگ میں متضاد ایجنٹ کے ارتکاز کا وقتی کورس ہے [7]۔ AIF کو شفٹنگ اور ڈسپریشن کرنل کے ساتھ جوڑ کر IV کمپارٹمنٹ میں ٹریسر کا ارتکاز حاصل کرتا ہے۔ آخر کار، EEV اسپیس میں ارتکاز کا وقت کا منحنی خط IV کمپارٹمنٹ میں ارتکاز کے انضمام کے متناسب ہے، اختیاری طور پر گردوں کی نالیوں سے نکلنے والے بہاؤ کی نمائندگی کرنے والے ایک کفایتی عنصر کے ذریعے وضع کیا جاتا ہے۔ تناسب کا گتانک، اکثر Ktrans کے طور پر ظاہر کیا جاتا ہے، IV سے EEV کمپارٹمنٹ میں CA کی منتقلی کی شرح کو کنٹرول کرتا ہے۔ Ktrans عضو کے حجم سے ضرب کرنے سے براہ راست GFR کے حساب کتاب کی طرف جاتا ہے۔

زیادہ پیچیدہ، کثیر الجہتی نقطہ نظر موجود ہیں (مثال کے طور پر، [8])، حالانکہ ان کا ممکنہ طبی استعمال قابل اعتراض ہے۔ مشاہدہ شدہ ڈیٹا میں ماڈل کے منحنی خطوط کو فٹ کرتے ہوئے اس طرح کے ماڈل پیرامیٹرز کی اصلاح کے استحکام کو یقینی بنانے کی ضرورت میں مشکل ہے۔ مزید برآں، ان ماڈلز کو سیگمنٹیشن کی ضرورت ہوتی ہے۔گردہپرانتستا اور medulla میں parenchyma. یہ ضرورت درحقیقت دو ٹوکری والے ماڈلز پر بھی لاگو ہوتی ہے۔ [3] میں تجویز کردہ کلاسک ماڈل، جو کہ عام رٹلینڈ – پاٹلاک ماڈل [9,10] پر مبنی ہے، صرف پرانتستا کے علاقے پر لاگو ہوتا ہے۔ دوسری طرف، پورے گردے پر دو کمپارٹمنٹ فلٹریشن ماڈل [5] کا اطلاق اپٹیک مرحلے کے لیے قابل قبول ہے۔ اگر کوئی پرفیوژن کی پیمائش کرنا چاہتا ہے، تو تجزیہ دوبارہ صرف پرانتستا تک محدود ہونا چاہیے۔ کسی بھی صورت میں، کسی کو شرونیی کے علاقے کو خارج کرنا ہوگا جو امتحان کے اخراج کے مرحلے میں اس کے برعکس جمع کرتا ہے۔ لہذا، DCE-MRI ڈیٹا کے تجزیہ کے طریقہ کار کو خودکار بنانے کے لیے نہ صرف گردے کی وضاحت کی ضرورت ہوتی ہے بلکہ ہر ایک رینل ووکسیل کو کارٹیکل، میڈولر، یا شرونیی طبقے سے تعلق رکھنے والے کے طور پر لیبل لگانے کی بھی ضرورت ہوتی ہے۔

کا مسئلہگردہبہت سے مصنفین کی طرف سے تقسیم سے نمٹا گیا ہے۔ اکثر، ووکسلز کو ان کی شدت کے وقت کے کورسز کی بنیاد پر درجہ بندی کیا جاتا ہے۔ مثال کے طور پر [11] میں، k-means الگورتھم کا استعمال ووکسلز کو ان کے سگنل کی شدت کے وقت کے کورسز کی بنیاد پر کلسٹروں میں گروپ کرنے کے لیے کیا جاتا ہے۔ اس نقطہ نظر کو مزید [12] میں تیار کیا گیا تھا، جہاں سگنل کی شدت کے وقت کے کورسز مجرد ویولیٹ ٹرانسفارم کے ذریعے پہلے سے تیار کیے گئے تھے۔ آخر میں، دونوں موروثی کلسٹرز کی خصوصیات اور ان کے تعلق پر مبنی کچھ قسم کے ہورسٹک کو استعمال کیا جانا چاہیے تاکہ یہ تعین کیا جا سکے کہ کون سا کلسٹر کورٹیکس، میڈولا، شرونی اور پس منظر کی نمائندگی کرتا ہے۔ مکمل طور پر غیر زیر نگرانی تخمینہ شور مچانے والے ان پٹ ڈیٹا سے متاثر ہوتا ہے جسے غیر واضح طور پر جسمانی لحاظ سے معنی خیز زمروں میں درجہ بندی نہیں کیا جاسکتا۔ یہ خاص طور پر پرانتستا اور میڈولا کے درمیان سرحدوں پر پڑے ووکسلز کے حوالے سے واضح ہے۔ انہیں "دوسرے حصوں" کلاس میں تفویض کیا گیا ہے جس میں ووکسلز بھی شامل ہیں۔گردہ.

لہذا، ایک کثرت سے پیروی کی جانے والی حکمت عملی سب سے پہلے ایک مکمل کو الگ کرنے پر مشتمل ہے۔گردہتصویر کے دوسرے حصوں سے۔ تمام ہمسایہ ووکسلز سے چھٹکارا پانے کے لیے دلچسپی کے بیان کردہ خطوں کو گردے کی سرحدوں کے عین مطابق ہونا چاہیے۔ اس طرح کے حل کی ایک مثال ایریا-انڈر-دی-کرو میپس (AUC) ہے، جیسے کہ [13] میں استعمال کیا جاتا ہے۔ DCE-MRI ترتیب میں وہ ووکسلز جو ٹریسر ایجنٹ کے ذریعے داخل ہوتے ہیں وہ AUC نقشوں پر ان کے سگنل کی شدت کے وقت کے کورس کے تحت سب سے بڑے علاقے کی وجہ سے روشن نظر آتے ہیں۔ یہ نوٹ کرنا سبق آموز ہے کہ اس طریقہ کار میں گردوں کے اضافی ڈھانچے، خون کی بڑی نالیوں اور پیشاب جمع کرنے والی نالیوں کو ہٹانے کے لیے یا تو دستی یا خودکار پوسٹ پروسیسنگ کی ضرورت ہوتی ہے۔

موٹے سے باریک طبقے کی حکمت عملی بھی [14] میں لاگو کی گئی تھی، جہاں زیادہ سے زیادہ مستحکم وقتی حجم (MSTV) کا تصور متعارف کرایا گیا تھا۔ MSTV کی خصوصیات کسی کو پہچاننے کی اجازت دیتی ہیں۔گردےمقامی طور پر یکساں اور عارضی طور پر مستحکم ڈھانچے کا پتہ لگا کر۔ فائن گرینڈ سیگمنٹیشن ووکسلز کے ٹائم کورسز کو پرنسپل اجزاء کے ویکٹرز میں کم کر کے حاصل کیا جاتا ہے، جو اگلی بار ایک سے زیادہ کلسٹرز میں k-means کے ذریعے تقسیم ہوتے ہیں۔ بالآخر، تاہم، حاصل شدہ حصوں کو کسی بھی باقی شور کو دور کرنے کے لیے تکراری طور پر بہتر کرنے کی ضرورت ہے۔ اسی طرح، [15] میں بیان کردہ مطالعہ میں، سیگمنٹیشن کے طریقہ کار کا پہلا مرحلہ پیٹ کے ٹشوز کی سگنل بڑھانے والی حرکیات کی خصوصیات پر مشتمل ہے۔ یہ مشاہدہ کیا گیا ہے کہ میڈولا، پرانتستا، جگر، یا تلی کے برعکس، حصول کی ترتیب میں بعد میں ہونے والے سگنل کی شدت میں مسلسل اضافہ کو ظاہر کرتا ہے۔ میڈولا ووکسلز کی شناخت کے بعد، گردے کے ماسک بنانے کے لیے گروب کٹ الگورتھم کے بعد بازی کی جاتی ہے۔ پہلے سے تربیت یافتہ رینڈم فارسٹ کلاسیفائر کے ساتھ ووکسلز کی درجہ بندی کرکے فائن ٹیوننگ حاصل کی جاتی ہے۔ ووکسلز متحرک ترتیب کے منتخب وقت کے فریموں کے ساتھ ساتھ پہلے مرحلے میں بنائے گئے ROIs کے اندر ان کے مقام کے ساتھ ان کی متعلقہ شبیہہ کی شدت سے نمایاں ہوتے ہیں۔

اگرچہ MSTV- اور GrubCut پر مبنی دونوں شراکتیں متعدد ڈیٹا سیٹوں کے لیے تسلی بخش نتائج پیدا کرتی نظر آتی ہیں، لیکن یہ تصوراتی طور پر پیچیدہ الگورتھم ہیں، جو تجارتی یا اوپن سورس سافٹ ویئر میں دستیاب نہیں ہیں۔ اس طرح، وہ آسانی سے کلینیکل کمیونٹی کی طرف سے اپنایا نہیں جا سکتا.

دوسری طرف، عصبی عصبی نیٹ ورکس کے فن تعمیر میں حالیہ پیشرفت اور ان کے سوفٹ ویئر کے نفاذ کی وسیع دستیابی گہری سیکھنے کے طریقوں کو خاص طور پر طبی امیجز میں حیاتیاتی ٹشوز کی تقسیم کے لیے پرکشش بناتی ہے۔ MRI ڈیٹا تجزیہ کے ورسٹائل منظرناموں میں CNNs کی تاثیر پر [16] کے جامع جائزے میں اچھی طرح سے بحث کی گئی ہے۔ مزید خاص طور پر، [17] میں مختلف نیٹ ورک آرکیٹیکچرز، یعنی مکمل طور پر کنوولیشنل نیٹ ورک [18]، SegNet [19]، U-Net [20]، اور DeepLabV3 پلس [21]، T میں پروسٹیٹ کینسر کے سیمنٹک سیگمنٹیشن کے لیے جانچے گئے ہیں۔ 2-وزن والا MRI۔ [22] میں جسمانی ایم آر امیجز کا بھی تجزیہ کیا گیا۔ مصنفین نے خود کار طریقے سے پولی سسٹک کا خاکہ بنانے کے لیے ایک حسب ضرورت CNN فن تعمیر تیار کیا۔گردے. ایک اور دلچسپ نقطہ نظر [23] میں پیش کیا گیا ہے، جہاں DCE-MRI ترتیب سے دماغ کے پرفیوژن نقشوں کے براہ راست اندازہ لگانے کے لیے پی کے ماڈل کو ناپے ہوئے اشاروں پر واضح طور پر فٹ کیے بغیر گہری تعلیم کا استعمال کیا گیا تھا۔

CNNs کی تقسیم کے لیے درخواست پر کئی شائع شدہ مطالعات ہوئے ہیں۔گردےکمپیوٹنگ ٹوموگرافی امیجز میں [24,25]۔ تاہم، کی ڈی ایل پر مبنی انقطاعگردہاس کے برعکس بہتر ایم آر آئی ڈیٹاسیٹس اب بھی ایک غیر ختم ہونے والا موضوع ہے۔ شائع شدہ کاموں کی ایک غیر معمولی مثال کے طور پر جو خاص طور پر گردوں کے DCE-MRI امتحانات کے لیے وقف ہیں، کوئی بھی Haghighi et al کے پیپر کا ذکر کر سکتا ہے۔ [26]۔ انہوں نے CNN کے دو نیٹ ورکس کی تعمیر اور تربیت کی۔ اس جھرنے والے ڈھانچے کا ان پٹ ایک 4D DCE-MR امیج ہے۔ پہلا نیٹ ورک تصویر میں بائیں اور دائیں گردے کو تقریباً مقامی بناتا ہے، جب کہ دوسرا نیٹ ورک گردوں کی سرحدوں کی درست وضاحت کے لیے ذمہ دار ہے۔ تاہم، پرانتستا یا میڈولا میں مزید کوئی تقسیم نہیں کی گئی کیونکہ GFR کا حساب لگانے کے لیے صرف پورے رینل پیرانچیما کا استعمال کیا گیا تھا۔

مندرجہ بالا تحفظات کی روشنی میں، اس مقالے میں پیش کیا گیا نقطہ نظر ایک خودکار الگورتھم کی ضرورت کا جواب ہے جو ایک طرف درست طریقے سے پہچان لے۔گردےDCE-MR امیج کے اندر کمپارٹمنٹس، جب کہ دوسری طرف کسی بھی ریسرچ ٹیم کے ذریعے دوبارہ تیار کرنا نسبتاً آسان ہے۔ لہذا، ہم تجویز کرتے ہیں:

1. کے سیمنٹک سیگمنٹیشن کے لیے CNN فن تعمیر کا استعمال کریں۔گردہparenchyma

2. پرنسپل اجزاء کے تجزیہ (PCA) کے ذریعہ سگنل کی شدت کی لہروں کی تبدیلی سے اخذ کردہ فیچر ایگریگیٹس کے ساتھ پیرنچیمل ووکسلز کی وضاحت کریں،

3. نکالے گئے پی سی اے فیچر ویکٹرز کی درجہ بندی کے ذریعے پرانتستا، میڈولا، اور شرونیی علاقوں میں امتیاز کریں۔

ملازم الگورتھم کی تفصیلات سیکشن 2 میں پیش کی گئی ہیں۔ سیکشن 3 میں، ہم سیگمنٹیشن کے نتائج کا جائزہ لیتے ہیں اور کس طرح ڈیزائن کردہ حل تخمینہ شدہ PK پیرامیٹرز کے استحکام کو متاثر کرتا ہے۔ اس تشخیص کو انجام دینے کے دوران، ہم یہ قیاس بھی کرتے ہیں کہ ایک عالمگیر کمپیوٹنگ اسکیم کی تعمیر ممکن ہے جو کہ صرف تاریخی اعداد و شمار کی بنیاد پر نئے مضامین کے لیے درست سیگمنٹیشن تیار کرنے کے قابل ہو۔ ہمیں یقین ہے کہ اس طرح کی اسکیم کو کلینکس میں وسیع پیمانے پر تقسیم کیا جا سکتا ہے اور اسے حسب ضرورت امیج ایکوزیشن پروٹوکول کے مطابق ڈھالنے کی کوئی کوشش نہیں کی جا سکتی ہے۔ اس مقصد کو حاصل کرنے کے لیے، ہم نے مجوزہ کمپیوٹیشنل عمل کی توثیق کر دی ہے ایک چھوڑے ہوئے ایک مضمون سے باہر۔ ہم نے سیگمنٹیشن اور درجہ بندی کے انجنوں کی ایک سیریز بنائی ہے، جن میں سے ہر ایک کو مریضوں کے مختلف گروپ پر تربیت دی جاتی ہے۔ اس کے بعد، تربیتی مرحلے کے دوران نہ دیکھے گئے موضوع پر دیئے گئے انجن کا تجربہ کیا گیا ہے۔ حاصل شدہ نتائج کی بحث سیکشن 4 میں دی گئی ہے۔

2. مواد اور طریقہ

2.1 مسٹر ڈیٹا

اس مقالے میں پیش کیے گئے تجربات اور الگورتھم کو 10 صحت مند رضاکاروں سے حاصل کردہ 20 پیمائش کے سلسلے کے سیٹ کا استعمال کرتے ہوئے ڈیزائن کیا گیا تھا۔ MRI امتحانات 1.5 T یونٹ (Siemens Magnetom Avanto، Erlangen، Germany) پر کئے گئے تھے۔ ڈیٹا کے حصول کے پروٹوکول نے 10 دن کے وقفے سے ہر مضمون کو دو بار، امیجنگ کو قبول کیا، کنٹراسٹ بڑھا ہوا 3D بگاڑنے والے گریڈینٹ ایکو طریقہ (TE/TR/FA=0.8/2.36/20 .ms/ms/-، in- طیارہ ریزولوشن=2.2 × 2.2 ملی میٹر 2، سلائس کی موٹائی=3 ملی میٹر، حصول میٹرکس=192 × 192، سلائسز کی تعداد=30)۔ کنٹراسٹ ایجنٹ (0.025 mmol/kg GdDOTA) کو 3 mL/s بہاؤ کی شرح پر نس کے ذریعے دیا گیا۔ ہر پیمائش کی ترتیب 2.3 سیکنڈ کے وقفوں پر حاصل کردہ 74 فریموں پر مشتمل ہوتی ہے۔

حرکت کے نمونے کو کم کرنے کے لیے، امیجنگ پروٹوکول کو سانس کی روک تھام پر تصاویر حاصل کرنے کے لیے ڈیزائن کیا گیا تھا۔ سب سے پہلے، آٹھ بیس لائن پری کنٹراسٹ والیومز 18- کے سانس روکنے کے دورانیے میں حاصل کیے گئے تھے۔ گیڈولینیم انجیکشن کے بعد 7 سیکنڈ پر، شرکاء کو ہدایت کی گئی کہ وہ اپنی سانسیں 26 سیکنڈ تک روکے رکھیں تاکہ حرکت سے پاک، فرسٹ پاس پرفیوژن ہو۔ اس کے بعد، فلٹریشن کے مرحلے کے دوران، سانس کی روک تھام کے دورانیے کو 13 سیکنڈ تک کم کر دیا گیا اور 26 سیکنڈ آزاد سانس لینے کے ساتھ ایک دوسرے سے جدا کر دیا گیا۔ سانس لینے میں آسانی کے لیے، مضامین کو ناک سے 1 L/منٹ کی بہاؤ کی شرح سے آکسیجن موصول ہوئی۔

باقیگردہ ہر DCE-MRI ترتیب پر b-spline رجسٹریشن کو عمل میں لا کر پوسٹ پروسیسنگ میں تحریک کو درست کیا گیا۔ اس مقصد کے لیے، ہم نے انسائٹ ٹول کٹ (ITK) سافٹ ویئر لائبریری [27] سے B-splines الگورتھم کے نفاذ کو استعمال کیا۔ ہر ترتیب میں، ہم نے پرفیوژن مرحلے کے وسط پوائنٹ کے مطابق ایک حوالہ فریم کا انتخاب کیا اور پھر اسے ایک مقررہ حجم کے طور پر استعمال کیا جس سے ہر دوسرے (چلنے والا) حجم مماثل تھا۔ B-splines رجسٹریشن مکمل طور پر خود کار طریقے سے انجام دیا گیا تھا، یعنی، دلچسپی کے ٹشوز پر کوئی فیڈیشل پوائنٹس نشان زد نہیں کیے گئے تھے۔ مزید برآں، طریقہ کار ایک کثیر مرحلے کی ترتیب میں شروع کیا گیا تھا۔ ہر مرحلے میں، گرڈ سائز اور سب سیمپلنگ کی شرحوں کی مختلف ترتیبات استعمال کی گئیں۔ ان پیرامیٹرز کی تفصیلی تشریح کے لیے، قاری کو ITK دستاویزات کا حوالہ دیا جاتا ہے۔ مختصراً، انہوں نے مختلف پیمانوں پر تصویروں کی رجسٹریشن کرنے کی اجازت دی- موٹے مماثلت سے شروع ہو کر اور پھر نتیجہ کو بہتر بنانا۔

الگورتھم کے ڈیزائن اور تشخیص کی ضرورت کے لیے، تمام جلدوں کو ایم آر یوروگرافی میں مہارت رکھنے والے ریڈیولوجسٹ کے ذریعہ دستی طور پر تشریح کی گئی تھی۔ ہر ٹائم فریم میں، بائیں اور دائیںگردےبیان کیے گئے تھے۔ اس کے بعد، پرفیوژن اور اخراج کے مراحل سے منسلک دو فریموں میں، پیرینچیمل ووکسلز کو کورٹیکس، میڈولا، یا شرونی کو تفویض کیا گیا تھا۔

امتحانات کے درمیان، رضاکاروں نے iohexol کلیئرنس کے طریقہ کار سے گزرا۔ مضامین کو 5 mL iohexol کی خوراک دی گئی (300 mg I/mL؛ Omnipaque 300, GE Healthcare)۔ پھر، زمینی سچائی کے GFR اقدار کا تعین کیا گیا تاکہ تصویر سے حاصل کردہ پرفیوژن تخمینے کی توثیق کو ممکن بنایا جا سکے۔

شرکاء کو ہدایت کی گئی کہ وہ الکحل اور زیادہ پروٹین والے کھانے سے انکار کریں، ضرورت سے زیادہ جسمانی مشقت سے گریز کریں، عام طور پر امتحان سے کم از کم 2 دن پہلے ہائیڈریٹ ہو جائیں، اور امتحان کے دن کوئی کیفین نہ لیں۔ سکیننگ سیشنز اور iohexol کلیئرنس ٹیسٹ کے درمیان تقابلی امتحان کے حالات کو یقینی بنانے کے لیے، یہ بھی سفارش کی گئی کہ کھانے کے اوقات اور خوراک کو برقرار رکھا جائے۔ تمام رضاکاروں نے مطالعہ میں شرکت کے لیے اپنی تحریری باخبر رضامندی دی جسے ہاکلینڈ یونیورسٹی ہسپتال برجن، ناروے میں ادارہ جاتی جائزہ بورڈ نے منظور کیا تھا۔

2.2 سیگمنٹیشن پائپ لائن کا جائزہ

مجوزہ سیگمنٹیشن پائپ لائن کو شکل 1 میں تصور کیا گیا ہے۔ ابتدائی موٹے سیگمنٹیشن کو U-Net ڈھانچے کے مکمل طور پر عصبی نیٹ ورک کے ذریعے مکمل کیا گیا ہے۔ یہ قدم DCE-MRI ترتیب سے ایک واحد والیومیٹرک امیج کے بعد کے دو جہتی کراس سیکشنز پر انجام دیا گیا تھا۔ یہ تصویر پرانتستا کے علاقے میں سب سے زیادہ سگنل بڑھانے کے فریم سے مطابقت رکھتی ہے جب رینل پیرانچیما کو کارٹیکس اور میڈولا میں تقسیم کرنا واضح طور پر نظر آتا ہے۔

ہم نے فرض کیا کہ ایک سنگل کراس سیکشن کو بائیں اور دائیں اطراف میں تقسیم کیا جا سکتا ہے، ہر ایک 96- پکسل کی چوڑائی۔ دیے گئے سائیڈ پر، یہ ممکن ہے کہ مرکزی طور پر ایک تصویری پیچ کو تلاش کیا جائے جس میں 96- پکسلز اونچائی پوری ہوگردہ. اس طرح، ہم نے اس بات کو یقینی بنایا کہ بائیں اور دائیںگردےالگ الگ الگ اور پراسیس کر رہے ہیں. فی الحال، ہمارے طریقہ کار کو نیٹ ورک آپریشن کے یاد کرنے کے مرحلے کے دوران اس مفروضے کو برقرار رکھنے کی ضرورت ہے۔ تربیت کے دوران، یہ کافی تھا اگر ایک تصویری پیچ میں رینل پیرانچیما کا کم از کم حصہ موجود ہو۔ مزید یہ کہ، 96 × 96 پیچ کا سائز اس مطالعہ میں دستیاب DCE-MRI ڈیٹا کے جہاز کے اندر موجود ریزولوشن میں ایڈجسٹ کیا گیا تھا اور اسے مختلف حصولی ترتیبوں کے تحت تبدیل کیا جانا چاہیے۔

موٹے انقطاع کو بعض اوقات غلط طور پر منقسم پکسلز کے چھوٹے بیرونی کلسٹرز کو مسترد کرنے کے لیے اضافی تطہیر کی ضرورت پڑ سکتی ہے۔ ہمارے الگورتھم میں، منسلک اجزاء کی شناخت کی گئی تھی اور صرف سب سے بڑے کو اگلے مرحلے پر منتقل کیا گیا تھا۔ اضافی طور پر نوٹ کریں کہ اگرچہ ہمارا سیمنٹک سیگمنٹیشن مرحلہ 2D میں انجام دیا گیا تھا، لیکن اس کا اطلاق ایک دیے گئے حجم کے تمام کراس سیکشنز پر کیا گیا تھا۔ اس کے بعد آنے والے تجزیوں کو ووکسیل کے حساب سے مکمل کیا گیا تاکہ 3D کارٹیکس ROI میں تقسیم کیے گئے تمام نیفرونز سے GFR کا مؤثر طریقے سے حساب لگایا جائے۔

ٹائم ڈومین میں تصویری رجسٹریشن کا شکریہ،گردہایک فریم کے لیے تیار کیے گئے ماسک کو ڈائنامک سیریز کے دیگر تمام فریموں پر لاگو کیا جا سکتا ہے۔ اس طرح، رینل ووکسلز کو فیچر ویکٹر تجویز کیا گیا تھا جو ایم آر آئی سگنل کی شدت کی قدروں پر مشتمل تھے جو بعد کے ٹائم پوائنٹس میں ماپا گئے تھے۔ سگنل ڈائنامکس کی مزید عمومی خصوصیات حاصل کرنے کے لیے، ہم نے PCA ٹرانسفارم کا استعمال کرتے ہوئے فیچر ایگریگیٹس نکالے۔ 20 انتہائی معلوماتی مجموعوں کا انتخاب ہر رینل ووکسیل کی وضاحت کے لیے کیا گیا تھا۔ بالآخر، پرانتستا، میڈولا، اور شرونیی خطوں کی عارضی خصوصیات کے درمیان امتیاز کرنے کے لیے تربیت یافتہ ایک درجہ بندی نے ایک مناسب زمرے کے لیے ووکسیل تفویض کیا۔

مجوزہ دو مراحل کے نقطہ نظر کے پیچھے دلیل یہ یقینی بنانا تھا کہ حتمی شناخت زیادہ سے زیادہ پر اعتماد زمینی سچائی تشریحات پر مبنی ہو۔ اگر یہ میڈولا اور شرونی سے پرانتستا کو الگ کرنے کے لئے CNN ہوتا تو عین مطابق ٹارگٹ ماسک بنانے ہوں گے اور تشریح کرنے والے کو یہ فیصلہ کرنے کی ضرورت ہوگی کہ مختلف ٹشوز کے درمیان اصل حد کہاں ہے۔ بہت سے معاملات میں، جزوی حجم کے اثر کی وجہ سے یہ معمولی نہیں تھا۔ لہذا، اس طرح کا فیصلہ، اور اس کے نتیجے میں تربیت یافتہ نیٹ ورک ماڈل، ایک منفرد مبصر کے تجربے کی طرف متعصب ہو سکتا ہے۔ متبادل کے طور پر، ہم نے ایک درجہ بندی کرنے والے کو صرف غیر واضح مقامات سے سگنلز کا استعمال کرتے ہوئے تربیت دینے کا فیصلہ کیا، جیسا کہ ذیل میں بیان کیا گیا ہے۔ بعد میں، فارورڈ پاس کے تخمینے کے دوران، یہ الگورتھم کی ذمہ داری تھی کہ وہ کسی بھی متنازعہ علاقوں سے تعلق رکھنے والے ووکسلز کے ساتھ معروضی طور پر امتیازی سلوک کرے۔

آخر میں، مجوزہ طریقہ کار کی تمام کمپیوٹیشنل اکائیاں — CNN اور کلاسیفائر ماڈل کے ساتھ ساتھ PCA ٹرانسفارمیشن میٹرکس — کو فی الحال پروسیس شدہ ڈیٹا سیٹ سے آزاد مریضوں کے ایک گروپ کے لیے حاصل کیا گیا تھا۔ درج ذیل ذیلی حصوں میں، ہم الگورتھم کے انفرادی ماڈیولز کے نفاذ کی تفصیلات فراہم کرتے ہیں۔

2.3۔ سی این این فار سیمنٹک سیگمنٹیشن

دستیاب U-Net مختلف حالتوں میں، ہم نے [28] پر شائع ہونے والے نفاذ کو استعمال کیا۔ چونکہ یہ اصل مقالے میں بیان کردہ فن تعمیر سے مختلف ہے [20]، اس لیے اس ڈھانچے کی مخصوص خصوصیات، جو ہمارے مطالعے کی ضروریات کے مطابق ہیں، کا خلاصہ پہلے کیا جاتا ہے۔

2.3.1 نیٹ ورک آرکیٹیکچر

U-Net convolutional عصبی نیٹ ورک اصل میں الیکٹران مائکروسکوپک اسٹیک میں نیورونل ڈھانچے کی تقسیم کے لیے تیار کیا گیا تھا اور متعدد دیگر بایومیڈیکل ایپلی کیشنز میں موثر ثابت ہوا۔ جیسا کہ کہا گیا ہے، ہمارے ماڈل کا ان پٹ ایک 2D گرے لیول امیج تھا- ایک واحد 3D DCE-MRI والیوم کا کراس سیکشن پیچ۔ پیچ کا سائز 96 × 96 پکسلز میں ایڈجسٹ کیا گیا تھا (شکل 2 دیکھیں)۔

U-Net کی خصوصیت یہ ہے کہ اس میں دو ہم آہنگی حصے ہوتے ہیں- ایک کنٹریکٹیو اور ایک توسیعی راستہ۔ کنٹریکٹیو پاتھ کا ہدف 3 × 3 فلٹرز کی ایک سیریز کے ساتھ قابل تربیت وزن کے ساتھ کنولوشن انجام دے کر تصویری پکسلز کی شدت کے نمونوں کو انکوڈ کرنا ہے۔ فلٹرز آؤٹ پٹ نیٹ ورک کے اہم پروسیسنگ اجزاء کو چالو کرتے ہیں — نیورونز جنہیں رییکٹیفائیڈ لائنر یونٹس (ReLU) کہتے ہیں۔ وہ تصویری خصوصیات اور آؤٹ پٹ سیگمنٹیشن میپ کے درمیان غیر لکیری تعلقات کو ماڈلنگ کرنے کی اجازت دیتے ہیں۔ اس طرح، انکوڈنگ مرحلے کا موازنہ اس عمل سے کیا جا سکتا ہے جسے ڈیجیٹل امیج پروسیسنگ میں فیچر نکالنے کے طور پر جانا جاتا ہے۔ اس کے بعد میکس پولنگ آپریشن ہوتا ہے جو فیچر کے نقشوں کو نیچے نمونے دیتا ہے۔

مختلف پیمانے کی سطحوں پر تصویری وضاحت کنندگان کو نکالنے کے لیے سنکچن کو چار بار دہرایا جاتا ہے۔ ہر سطح، درحقیقت، ایک بلاک کے ذریعے تشکیل دی گئی ہے جس میں دو ارتعاشی تہوں پر مشتمل ہے، ہر ایک کے بعد ایک بیچ نارملائزیشن پرت ہے، جو ایک دیے گئے بیچ کے اندر آؤٹ پٹ ایمبیڈنگز کے مسلسل اوسط اور معیاری انحراف کو برقرار رکھتی ہے۔ اس طرح، بیچ نارملائزیشن اس بات کو یقینی بناتی ہے کہ کم شدت والی حرکیات والی خصوصیات ان خصوصیات کے برابر اہمیت رکھتی ہیں جن کی حد زیادہ ہے۔ کنولوشن اور نارملائزیشن پرت کے جوڑوں کو ڈراپ آؤٹ پرت سے الگ کیا جاتا ہے، جو تصادفی طور پر 20 فیصد ان پٹ نوڈس کو 0 پر سیٹ کرتی ہے۔ یہ طریقہ کار، صرف تربیتی مرحلے کے دوران فعال ہوتا ہے، نیٹ ورک کو زیادہ فٹ ہونے سے روکتا ہے [29]۔

آخری ڈاون سیمپلنگ بلاک کا آؤٹ پٹ، جسے bottleneck کہا جاتا ہے، کو توسیع یا ضابطہ کشائی کے راستے پر منتقل کیا جاتا ہے۔ یہ کنٹریکٹیو پارٹ کے طور پر اپ سیمپلنگ لیولز کی ایک ہی تعداد سے بنایا گیا ہے اور اس کا بنیادی کام اصل مقامی ریزولوشن کو بازیافت کرنا ہے۔ اس مطالعے میں، اپ سیمپلنگ کو ٹرانسپوزڈ کنولوشن کے ذریعے حاصل کیا گیا۔ ہر ضابطہ کشائی کرنے والا بلاک بھی دو جوڑے کنوولوشنل اور بیچ نارملائزیشن پرتوں پر مشتمل تھا۔ انکوڈنگ بلاکس کے برعکس، تاہم، درمیان میں کوئی ڈراپ آؤٹ میکانزم داخل نہیں کیا گیا تھا۔ مزید برآں، ڈاون سیمپلنگ پاتھ میں نکالے گئے ہائی ریزولوشن فیچر میپس نے نہ صرف بعد میں آنے والی انکوڈنگ لیئرز کو فیڈ کیا بلکہ اپ سیمپلنگ پاتھ کی متعلقہ سطحوں پر ڈیکوڈنگ لیئرز کے ان پٹس سے بھی منسلک کیا گیا۔ ان اضافی کنکشنز نے ڈی کوڈنگ بلاکس کو بحال کرنے میں مدد کی۔گردہسیگمنٹ لوکلائزیشن زیادہ واضح طور پر۔

جیسا کہ شکل 2 میں دیکھا جا سکتا ہے، انکوڈنگ بلاکس میں convolutional فلٹرز کی بڑھتی ہوئی تعداد شامل ہوتی ہے جو کنٹریکٹو پاتھ میں گہرائی تک جاتی ہے۔ پہلی دو کنوولیشنل پرتوں میں 64 فلٹرز سے شروع ہو کر، فیچر نقشوں کی تعداد 1024 تک پہنچ گئی، جو ہر نیچے نمونے لینے کی سطح پر دگنی ہو رہی ہے۔ اس کے برعکس، توسیعی راستے میں فلٹرز کی تعداد کو ہر ایک اوپر والے قدم پر دو کے فیکٹر سے تقسیم کیا گیا تھا۔ نتیجے کے طور پر، حتمی خصوصیت کے نقشے میں دوبارہ 64 کی گہرائی تھی۔

آخری اپ-سیمپلنگ بلاک کا آؤٹ پٹ 1 × 1- سائز کے فلٹرز کے ساتھ ایک convolutional تہہ سے منسلک تھا۔ اس نے ایک 64- عنصر فیچر ویکٹر کے ساتھ فلٹر کرنل کی پکسل وار کنولیشن کی اور پھر نتیجہ کو آؤٹ پٹ ایکٹیویشن فنکشن میں جمع کرایا۔ ہمارے ڈیزائن میں، ایک سگمائڈ ایکٹیویشن کا استعمال کیا گیا تھا کیونکہ حتمی فیصلہ بائنری تھا — ایک پکسل رینل پیرنچیما یا پس منظر سے تعلق رکھتا تھا۔

2.3.2 تربیت

نیٹ ورک کے وزن کو He et al کے طریقہ کار سے بے ترتیب حالت میں شروع کیا گیا تھا۔ [30]۔ تربیتی عمل DCE-MRI والیومز سے تیار کردہ تصویری پیچ پر کیا گیا، ہر ایک میں ایک، بائیں یا دائیں شامل ہیں۔گردہکراس سیکشن جیسا کہ اوپر بیان کیا گیا ہے، 96 × 96- پکسل امیج پیچ ڈی سی ای کی ترتیب کے حجم سے نکالے گئے تھے جو پرفیوژن مرحلے کے مطابق تھے، یعنی پرانتستا اور میڈولا کے درمیان زیادہ سے زیادہ سگنل کے تضاد کے ٹائم فریم۔ تربیتی تصاویر کی تعداد میں اضافہ کرنے کے لیے، ہر مطالعہ کے لیے، ہم نے درحقیقت تین ایسے ٹائم فریموں کا انتخاب کیا ہے- ایک پرانتستا کے علاقے میں زیادہ سے زیادہ سگنل بڑھانے والا، ایک پہلے والا، اور ایک کامیاب ٹائم فریم۔ ہر تصویر والیوم میں، ایکگردہاوسطاً 12 سلائسوں پر نظر آتا تھا۔ اس نے تقریباً 1440 ٹریننگ پیچ دیے۔

اگرچہ U-Net نیٹ ورک عام طور پر چھوٹے تربیتی نمونوں کا مقابلہ کر سکتے ہیں، ہم نے ڈیٹا کو بڑھانے کے ذریعے ڈیٹا سیٹ کو مزید وسعت دینے کا فیصلہ کیا۔ یہ تصویری پیچ کی 10 مختلف عمودی پوزیشنوں کو چن کر اور تصادفی طور پر اسے افقی سمت میں عکس بنا کر پورا کیا گیا۔ پیچ کی پوزیشنوں کا انتخاب کرتے وقت، ہم نے اس بات کو یقینی بنایا کہ اس نے تصویری مرکز کے کافی بڑے حصے کو گلے لگا لیا ہے جس میں رینل پیرانچیما کے اہم ٹکڑے ہیں (شکل 3 دیکھیں)۔ مجموعی طور پر، تربیت کے لیے دستیاب تصاویر کی تعداد 13,964 تک پہنچ گئی۔ تربیتی تصاویر میں سے ایک تہائی کو توثیق کے مقاصد کے لیے الگ کیا گیا تھا۔

ہم نے 10 مختلف CNN ماڈلز کو تربیت دی، ہر مریض کے لیے ایک۔ کسی مخصوص مضمون کے لیے وقف کردہ ماڈل بناتے وقت، اس کے متعلقہ تصویری پیچ ( قطع نظر امتحانی سیشن کے) کو تربیت اور توثیق کے سیٹ سے ہٹا دیا گیا اور صرف جانچ کے لیے استعمال کیا گیا۔ مستقل سیکھنے کی شرح=0.01 اور رفتار=0.99 کے ساتھ اسٹاکسٹک گریڈینٹ ڈیسنٹ الگورتھم کا استعمال کرتے ہوئے نیٹ ورک کے وزن کو اپ ڈیٹ کیا گیا۔ نقصان کے فنکشن کو بہتر بنانے کے لیے منتخب کیا گیا بائنری کراس اینٹروپی کا معیار تھا، جس کی تعریف

جہاں N ووکسلز کی تعداد ہے، Yi حقیقی ووکسیل لیبل ہے، اور p(Yi) نیٹ ورک کی پیشین گوئی ہے کہ i-th ویکٹر واقعی Yi کلاس سے تعلق رکھتا ہے، 0 < p(Yi) < 1 کے ساتھ۔ کے معیار کی نگرانی کے لیےگردہتربیتی دوروں پر تقسیم، ہم نے جیکارڈ گتانک کا حساب لگایا، اس کے بعد اسے IoU (انٹرسیکشن اوور یونین) کے طور پر نامزد کیا گیا

جہاں K ایک پروسیس شدہ سلائس میں پکسلز کی تعداد کو نامزد کرتا ہے اور y پیشین گوئی شدہ پکسل کیٹیگری ہے۔ یہاں، زمرہ جات کو بولین ویلیو کیا گیا تھا اور ایک پکسل کو True کا لیبل لگایا گیا تھا اگر اس کا تعلقگردہ، غلط ورنہ۔ ہر مضمون کے معاملے میں، اصلاح کا الگورتھم 50 عہدوں کے لیے چلایا گیا تھا۔ ذخیرہ شدہ ماڈل توثیق ڈیٹا سیٹ کے لیے حاصل کردہ نقصان کے فنکشن پر کم از کم سکور کے ساتھ عہد سے مطابقت رکھتا ہے۔

2.4 کی درجہ بندیگردہووکسلز

2.4.1 خصوصیت کا اخراج

مخصوص گردوں کے حصوں کی نمائندگی کرنے والے ووکسلز کا فرق خام سگنل کی شدت کے وقت کے کورسز پر مبنی ہوسکتا ہے۔ تاہم، ہم تجویز کرتے ہیں کہ سگنل ویوفارمز، یعنی 74 عارضی خصوصیات کے ویکٹرز کو پرنسپل کمپوننٹ اینالیسس (PCA) کا استعمال کرتے ہوئے کم جہت کی جگہ میں تبدیل کریں۔ اس تبدیلی کا مقصد نہ صرف نتیجے میں درجہ بندی کے ماڈل کی پیچیدگی کو کم کرنا ہے بلکہ اس کی مزید عمومی خصوصیات کو بھی نکالنا ہے۔گردہٹشو، مختلف مضامین کا نمائندہ۔ مزید برآں، ایک ہی کلینیکل یونٹ میں بھی، DCE امیجنگ کو ایک ترتیب میں انجام دیا جا سکتا ہے، اگرچہ ایک ہی وقت کی حد کا احاطہ کرتا ہے، لیکن اس کا وقتی حل مختلف ہوتا ہے۔ لہذا، ایک فیصلہ سازی کا نظام جو ایک یکساں فیچر پیٹرن کو قبول کرتا ہے، PCA ٹرانسفارمیشن آبجیکٹ کو بطور اڈاپٹر استعمال کرتے ہوئے، متغیر لمبائی کے ان پٹ ڈیٹا ویکٹر پر لاگو کیا جا سکتا ہے۔

ہم نے فرض کیا کہ نکالے گئے PCA اجزاء کو کم از کم 90 فیصد اصل ڈیٹا سیٹ کے تغیر کی وضاحت کرنی چاہیے۔ ہر مضمون کے لیے اس ضرورت کو پورا کرنے کے لیے، کم از کم 20 فیچر ایگریگیٹس بنائے جانے تھے۔ جیسا کہ ہم نے مشاہدہ کیا، اجزاء کی ایک بڑی تعداد اعلی درجہ بندی کی درستگی کا باعث نہیں بنی۔

2.4.2 فیچر ویکٹر کی درجہ بندی

پرانتستا، میڈولا، یا شرونی کو رینل ووکسلز کی تفویض ایک درجہ بندی کرنے والے کے ذریعے کی جاتی ہے جس کی تربیت زیر نگرانی ہوتی ہے۔ ہمارے نقطہ نظر میں، تاریخی اعداد و شمار مناسب فیصلے کے قواعد بنانے کے نمونوں کے طور پر کام کرتے ہیں، جو بعد میں نئے مطالعات پر لاگو ہوتے ہیں۔ ہم نے تمام مضامین میں بہترین اسکیم تلاش کرنے کے لیے تین درجہ بندی الگورتھم کا تجربہ کیا ہے۔ جانچے گئے طریقوں میں لاجسٹک ریگریشن، سپورٹ ویکٹر مشینیں، اور XGBoost فیصلے کے درخت شامل ہیں۔ مندرجہ ذیل میں، ہم ملازم الگورتھم کی خصوصیات کو یاد کرتے ہیں اور بیان کرتے ہیں کہ تربیتی ڈیٹا کیسے تیار کیا گیا تھا۔

ٹرین اور ٹیسٹ ڈیٹا سیٹ.تربیتی ویکٹر دلچسپی والے علاقوں سے حاصل کیے گئے تھے جو متعلقہ پیرنچیمل مقامات پر دستی طور پر بیان کیے گئے تھے۔ تشریحات صرف ووکسلز میں کی گئی تھیں جن کی رکنیت غیر مبہم تھی (ملاحظہ کریں شکل4a،b)، اس طرح ایک تربیت یافتہ درجہ بندی کرنے والے کو مختلف حصوں سے جزوی طور پر بھرے ووکسلز کی صورت میں غالب ٹشو کے زمرے کے بارے میں فیصلہ کرنے دیتا ہے۔ 20 دستیاب امتحانات سے جمع کیے گئے تربیتی ویکٹرز کی تعداد 60،000 کی قدر سے تجاوز کر گئی۔ اس ڈیٹا سیٹ کو 10 فولڈز میں تقسیم کیا گیا تھا، ہر ایک میں ایک مضمون کے علاوہ تمام ڈیٹا ویکٹرز تھے، جنہیں جانچ کے مقاصد کے لیے الگ رکھا گیا تھا۔ ایک دیے گئے فولڈ میں، کلاس کی تقسیم حسب ذیل تھی: پرانتستا—58 فیصد، میڈولا—31 فیصد، شرونی—11 فیصد۔ درجہ بندی کرنے والوں کو مساوی درستگی کے ساتھ زمرہ جات میں امتیاز کرنا سیکھنے کا موقع فراہم کرنے کے لیے، ہر تربیتی تہہ میں پرانتستا اور میڈولا کی نمائندگی کرنے والے ذیلی سیٹوں کو شرونی کے زمرے کے سائز سے مماثل کرنے کے لیے دوبارہ نمونہ بنایا گیا۔ اوسطاً، دوبارہ نمونے لینے کے بعد ترتیب دی گئی تربیت میں 16،000 ویکٹر فی گنا سے زیادہ ہیں۔ دیئے گئے تربیتی فولڈ میں، دونوں امتحانی سیشنوں کا ڈیٹا شامل کیا گیا تھا۔ دوسری طرف، ٹیسٹنگ فولڈز میں مریض اور امتحان کے سیشن کے لحاظ سے 600 سے 4800 ویکٹر ہوتے ہیں۔ درجہ بندی کرنے والوں کا ٹیسٹ سیٹ پر حساب کیے گئے متوازن درستگی کے اسکور کا استعمال کرتے ہوئے جائزہ لیا گیا۔

لاجسٹک رجعت۔لاجسٹک ریگریشن کلاسیفائر اس امکان کو ماڈل کرتا ہے کہ فیچر ویکٹر دو زمروں میں سے کسی ایک سے تعلق رکھتا ہے۔ الگورتھم ٹریننگ ڈیٹا کے لیے ایک لکیری فنکشن کو فٹ کرتا ہے اور دیے گئے ڈیٹا پوائنٹ کے لیے ریگریشن مساوات کا نتیجہ لاجسٹک ٹرانسفارم میں جمع کر دیا جاتا ہے۔

جہاں p(yi|xi) Yi e {{{0}}، 1} کے ساتھ ڈیٹا پوائنٹ xi دیئے گئے کلاس yi کے امکان کو ظاہر کرتا ہے، جبکہ ویٹ ویکٹر w intercept w0 کے ساتھ مل کر فٹڈ ریگریشن کا تعین کرتا ہے۔ لائن

اس طرح، مساوات (3) کا اطلاق بائنری درجہ بندی کے مسائل پر ہوتا ہے۔ لہذا، تین رینل ریجنز کی صورت میں، یا تو تین ایک بمقابلہ آرام کی درجہ بندی کی جانی چاہیے، یا ایک کثیر الجہتی ریگریشن ماڈل فٹ ہے [31]۔ اپنے تجربات میں، ہم مؤخر الذکر کا استعمال کرتے ہیں۔ لکیری ماڈل کے پیرامیٹرز ڈبلیو L2 ریگولرائزیشن کی اصطلاح کے ساتھ لاگ نقصان لاگت کے فنکشن کو کم سے کم کرکے پایا جاتا ہے:

جہاں ہمارے مطالعہ میں K=3 اور pi,c پیش گوئی شدہ امکان ہے کہ ویکٹر کلاس c سے تعلق رکھتا ہے۔ اوپر کی اصلاح کا مسئلہ Scikit-Learn پیکیج [33] میں نافذ کردہ Stochastic Average Gradient (SAG) ڈیسنٹ الگورتھم [32] کے ساتھ حل کیا گیا۔ ہم نے بڑے ڈیٹا سیٹس کے لیے اس کی سفارش اور L2 ریگولرائزیشن کے لیے سپورٹ کی وجہ سے SAG کا انتخاب کیا۔

ویکٹر مشینوں کو سپورٹ کریں۔ سپورٹ ویکٹر مشینیں (SVM) الگورتھم کی ایک کلاس تشکیل دیتی ہیں جو مختلف زمروں میں امتیاز کرتے ہوئے زیادہ سے زیادہ مارجن ہائپرپلین بناتی ہیں [34]۔ ویکٹر x کی زمرہ کی رکنیت کے بارے میں فیصلہ ہائپر پلین مساوات کے نشان سے طے ہوتا ہے۔

جہاں میں تربیتی مثال کے اشاریہ کی نشاندہی کرتا ہوں، xi ایک متعلقہ فیچر ویکٹر ہے اور Yi اس کا حقیقی کلاس لیبل ہے۔ اس ماڈل کو تربیتی اعداد و شمار میں فٹ کرتے وقت، ایک محدود چوکور اصلاح کا مسئلہ حل ہو جاتا ہے۔ نتیجتاً، غیر صفر Langrage multipliers ai کا ایک سیٹ پایا جاتا ہے، جو اپنے متعلقہ سپورٹ ویکٹر xi اور شفٹ پیرامیٹر b کے ساتھ تلاش کی گئی باؤنڈری کے مقام اور واقفیت کا تعین کرتا ہے۔

(5) میں ڈاٹ پروڈکٹ کو کرنل فنکشن سے تبدیل کیا جا سکتا ہے تاکہ SVM کو غیر لکیری مسائل پر لاگو کیا جا سکے۔ کرنل ٹرک واضح طور پر فیچر ویکٹرز کو اعلیٰ جہت کی جگہ میں تبدیل کرتی ہے، جس میں الگ کرنے والے ہائپرپلین کا تعین کرنا ممکن ہو جاتا ہے۔ شکل 4c شرکاء میں سے ایک کے لیے تربیتی ویکٹر سب سیٹ کی تقسیم کو ظاہر کرتا ہے۔ یہ تصور 20 پی سی اے فیچر ایگریگیٹس کی جگہ سے ڈیٹا کو ٹی ڈسٹری بیوٹڈ اسٹاکسٹک پڑوسی ایمبیڈنگ (TSNE) طریقہ [35] کا استعمال کرتے ہوئے تین جہتوں کی جگہ میں تبدیل کرکے حاصل کیا گیا تھا۔ یہ دیکھا جا سکتا ہے، کہ اگرچہ پرانتستا، میڈولا، اور شرونی طبقوں کی لکیری علیحدگی قابل فہم ہے، لیکن علیحدگی کی حد کو کچھ غیر لکیری فعل کے ذریعے بہتر انداز میں بنایا جا سکتا ہے۔ ہمارے تجربات میں، بہترین نتائج کو ریڈیل بیس فنکشن کرنل کے ذریعے یقینی بنایا گیا۔

جہاں|| é2-معمول کو ظاہر کرتا ہے۔ چونکہ حقیقی ڈیٹا سیٹس میں، کلاسز کی کامل علیحدگی نایاب ہے، اس لیے اصلاح کا معیار اجازت دیتا ہے- ایک اضافی طریقہ پیرامیٹر کے ذریعے جسے عام طور پر حرف C کے ساتھ نامزد کیا جاتا ہے- ڈیٹا پوائنٹس کی ایک مخصوص تعداد کو فیصلہ کی حد کی خلاف ورزی کرنے کی اجازت دیتا ہے۔ اور سی پیرامیٹرز SVM ماڈل کی پیچیدگی میں الٹا حصہ ڈالتے ہیں۔ لہذا، ہم نے پانچ گنا کراس توثیق کے تجربے میں مکمل گرڈ سرچ الگورتھم کا استعمال کرتے ہوئے ان کی اقدار کو ٹیون کیا۔ بہترین نتائج کی اطلاع=0.05 اور

C = 1.

XGBoost فیصلے کے درخت۔ایکسٹریم گریڈینٹ بوسٹنگ (XGBoost) کا تصور چن اور گیسٹرین [36] نے متعارف کرایا تھا تاکہ درجہ بندی اور ریگریشن ٹریز (CART) کے ایک جوڑے کی تربیت کو آسان بنایا جا سکے۔ کلاسک بے ترتیب جنگلات کے برعکس، سیکھنے کا الگورتھم ریگولرائزیشن میکانزم اور ورسٹائل مقصدی نقصان کے افعال کے استعمال کو باقاعدہ بناتا ہے۔ ان فوائد کی بدولت، یہ حال ہی میں بڑے، اعلیٰ جہتی ڈیٹا سیٹوں پر مشتمل مشین لرننگ کے متعدد مسائل میں موثر ثابت ہوا ہے۔

XGBoost کے جوڑ کی تعمیر نام نہاد اضافی تربیت کی حکمت عملی پر مبنی ہے۔ ہر قدم t پر، ماڈل میں ایک نیا درخت شامل کیا جاتا ہے جو مجموعی نقصان کو کم کرتا ہے۔

جہاں tü 1) کلاس لیبل ہے جس کی پیشن گوئی ابھی تک بنائے گئے جوڑ کے ذریعے کی گئی ہے، l پیشین گوئی اور حقیقی لیبل Yi کے درمیان غلطی کی پیمائش کرتا ہے، جب کہ ft T پتیوں کے درخت کی ساخت سے مطابقت رکھتا ہے، جو ڈیٹا ویکٹر کے ساتھ ہر ایک کو اسکور wq تفویض کرتا ہے۔ (xi)، q ایک فنکشن کے ساتھ جو درخت کے دیے ہوئے پتے پر ڈیٹا پوائنٹ xi مختص کرتا ہے۔ T اور وزن دونوں ہی ریگولرائزیشن کی اصطلاح کی وضاحت کرتے ہیں۔

جہاں اور λ پیرامیٹرز درخت کے سائز کے اثر کو کنٹرول کرتے ہیں اور جرمانے کی قیمت پر سکور چھوڑتے ہیں۔ ہمارے مطالعے میں استعمال ہونے والی ترتیب میں، اور λ کو بالترتیب {{0}.1 اور 0.9 پر سیٹ کیا گیا تھا۔ مزید برآں، جوڑ میں درختوں کی تعداد 10 کے برابر تھی، اور ایک درخت کی زیادہ سے زیادہ اجازت شدہ گہرائی 4 تھی۔ آخر کار، ہم نے soft-max فنکشن کو ایک معروضی معیار کے طور پر استعمال کیا۔

2.5 فارماکوکینیٹک ماڈلنگ

IoU گتانک کے استعمال کے ساتھ براہ راست تقسیم کے نتائج کا جائزہ لینے کے علاوہ، ہم نے تصویر سے حاصل شدہ GFR اقدار کا زمینی سچائی iohexol پر مبنی پیمائشوں سے بھی موازنہ کیا۔ جی ایف آر کے تعین کے مقصد کے لیے، ہم نے کام کیا۔گردہ-مخصوص دو ٹوکری فلٹریشن ماڈل (2CFM) [5]۔ اس پی کے ماڈل نے رینل ٹشو کو انٹراواسکولر (IV) اور ایکسٹرا سیلولر ایکسٹرا واسکولر (EEV) خالی جگہوں میں گلا دیا اور ماڈلنگ کی مدت میں کوئی نلی نما بہاؤ نہیں سمجھا۔ اگرچہ ماڈل کو کارٹیکس یا پورے رینل پیرینچیما میں رینل پرفیوژن کا اندازہ لگانے کے لیے استعمال کیا جا سکتا ہے، لیکن GFR کا حساب لگاتے وقت صرف پہلے والے علاقے پر ہی غور کرنا پڑتا ہے۔

تصور شدہ رینل ریجن سے آزادانہ طور پر، ماڈل کو ایک ناپے ہوئے سگنل S(t) میں فٹ کرنے کے لیے، ایک متعلقہ اوسط تصویر کی شدت کے ٹائم کورس کو ارتکاز ویوفارم Ctissue(t) میں تبدیل کیا جانا چاہیے۔ ہم نے اسے تدریجی بازگشت ترتیب میں ایڈجسٹ [37] میں بیان کردہ تبدیلی کا استعمال کرتے ہوئے پورا کیا۔ دوسری طرف، 2CFM ماڈل کے ذریعہ بیان کردہ C ٹشو(t) مساوات کے زیر انتظام ہے۔

جہاں C آرٹیریل ان پٹ فنکشن، VP — پلازما والیوم فریکشن، اور C — CA خون کے پلازما میں ارتکاز کو ظاہر کرتا ہے۔ (9) میں پہلی اصطلاح ای ای وی اسپیس میں CA کے ارتکاز کی نمائندگی کرتی ہے، جب کہ دوسری اصطلاح IV اسپیس میں ارتکاز کا احاطہ کرتی ہے جو کہ ویسکولر امپلس رسپانس فنکشن (VIRF) کے ساتھ آرٹیریل ان پٹ فنکشن کو شامل کرکے حاصل کی گئی ہے، جس کی تعریف اس طرح کی گئی ہے۔

اس طرح، VIRF کیپلیری بیڈ کے ذریعے CA کے بہاؤ کی نسبت AIF کی تاخیر اور بازی کو ماڈل کرتا ہے۔ متغیرات Tg — بازی کا وقت مستقل، اور X — تاخیر کا وقفہ، حجم کے کسر VP اور منتقلی مستقل Ktrans کے ساتھ مل کر 2CFM ماڈل پیرامیٹرز کا مکمل سیٹ بناتے ہیں۔ ان کا تخمینہ عام طور پر غیر لکیری کم سے کم مربع (NLLS) وکر فٹنگ کے طریقہ کار میں کیا جاتا ہے۔ ٹرسٹ ریجن-ریفیکٹیو طریقہ [38]، جو اس مطالعہ میں استعمال ہوتا ہے، NLLS کے مسئلے کو عددی طور پر حل کرنے کے لیے استعمال ہونے والے ممکنہ اصلاح کاروں میں سے ایک ہے۔ ڈاون سمپلیکس طریقوں کے برعکس، یہ پیرامیٹر کی قدروں پر پابندیاں قائم کرنے کی اجازت دیتا ہے اور اس طرح اس بات کو یقینی بناتا ہے کہ حتمی تخمینے جسمانی رینج میں آتے ہیں۔ ہمارے مطالعے میں قیاس کردہ رکاوٹوں کو جدول 1 میں درج کیا گیا ہے۔

ہم نے Python میں لکھے ہوئے کسٹم سافٹ ویئر میں 2CFM ماڈل کی اصلاح کے لیے الگورتھم کو لاگو کیا، جو [39] پر ڈاؤن لوڈ کے لیے دستیاب ہے۔ الگورتھم ہر مریض کے لیے کارٹیکس ریجنز کا استعمال کرتے ہوئے شروع کیا گیا یا تو اوپر بیان کردہ سیگمنٹیشن پائپ لائن کے ذریعے خود بخود حاصل کیا گیا یا دستی طور پر تشریح کی گئی۔ کسی بھی صورت میں، AIF کا تعین خود بخود ہمارے طریقہ کار کا استعمال کرتے ہوئے کیا گیا تھا جو پہلے [40] میں شائع ہوا تھا۔

2.6۔ شماریاتی تجزیہ

DCE-MR امیج سیگمنٹیشن کے عمل کو خودکار بنانے کے مقاصد میں سے ایک مستحکم اور دوبارہ قابل پرفیوژن تخمینے کو یقینی بنانا ہے۔ اس لیے، ہم نے متعلقہ (بار بار) نمونوں کے لیے طالب علم کا ٹی ٹیسٹ کیا تاکہ مساوی GFR یعنی دو امتحانی واقعات پر تخمینہ لگایا جا سکے۔ مزید یہ کہ، ہم نے ریپیٹ ایبلٹی گتانک کا حساب لگایا جس کی وضاحت [41]

جہاں σdiff ایک ہی موضوع پر بنائے گئے GFRs کے درمیان فرق کا معیاری انحراف ہے اور ╱pooldenotes تمام پیمائشوں کا اوسط۔ مقدار ′2σdiff کو واحد پیمائش معیاری انحراف (σsm) بھی کہا جاتا ہے، ممکنہ طور پر کئی مسلسل پیمائشوں کے جوڑوں میں فرق کے معیاری انحراف کا تخمینہ ہے [42]۔ ریپیٹ ایبلٹی اسسمنٹ کے علاوہ، تصویر پر مبنی GFR تخمینہ کی تولیدی صلاحیت کا بلینڈ – آلٹ مین پلاٹوں کا استعمال کرتے ہوئے جائزہ لیا گیا۔ بالآخر، خود کار طریقے سے پائے جانے والے گردوں کے حصوں کے لیے حاصل کردہ تجزیہ کے نتائج کا دستی تشریحات سے موازنہ کیا گیا۔

Cistanche آرام کر سکتے ہیںگردےمؤثر طریقے سے

3. نتائج

شکل 5 حصہ لینے والے مضامین میں سے دو کے لیے سیمنٹک سیگمنٹیشن نیٹ ورک کے مثال کے نتائج دکھاتا ہے اور ساتھ ہی زمینی سچائی کے تشریحی ماسک بھی۔ متعلقہ تربیتی عمل کو شکل 6 میں تصور کیا گیا ہے، جو تربیت اور توثیق کے سیٹ دونوں کے لیے نقصان اور تشخیصی میٹرکس کے ارتقاء کی منصوبہ بندی کرتا ہے۔ کوئی مشاہدہ کر سکتا ہے، کہ ابتدائی چند دوروں کے بعد، تربیت اور توثیق کے سیٹ کے لیے IoU منحنی خطوط ایک دوسرے کے قریب آ گئے اور نیٹ ورک اوورفٹنگ حالت میں داخل نہیں ہوا۔ اس کے ساتھ ہی، نقصان کے فنکشن میں یکسر کمی واقع ہوئی، جس نے ثابت کیا کہ نیٹ ورک نے عام کرنے کی صلاحیت حاصل کر لی ہے۔ دستی تشریحات اور خودکار طور پر پائے جانے والے کے درمیان مماثلت کے IoU گتانکگردہاہم حصوں سے منقطع بیرونی جزیروں کو ہٹانے کے بعد حاصل ہونے والے علاقوں کو جدول 2 میں جمع کیا گیا ہے۔ تمام مضامین اور مطالعات کے لیے اوسط IoU=0.94 اور یہ بعد میں لاتعلق دکھائی دیا۔

اگلے مرحلے میں، پیرینچیمل ووکسلز کو گردوں کے الگ الگ حصوں میں درجہ بندی کیا گیا تھا۔ تین ٹیسٹ شدہ درجہ بندیوں کا موازنہ جدول 3 میں پیش کیا گیا ہے۔ یہ تین میٹرکس کے حوالے سے ہر طریقہ کا جائزہ لیتا ہے — متوازن درستگی، یاد کرنا، اور درستگی۔ مؤخر الذکر دو گردوں کے ہر زمرے کے لئے الگ سے طے کیے گئے تھے۔ متوازن درستگی میٹرک مخصوص کلاسوں کے لیے حاصل کردہ حقیقی مثبت شرحوں کی اوسط کے طور پر حاصل کی گئی تھی۔ پیش کردہ تمام اسکورز 20 ٹیسٹ مضامین سے زیادہ اوسط قدر تھے۔ تین ٹیسٹ شدہ درجہ بندی کرنے والوں نے حقیقی مثبت شرحوں (تقریباً 95 فیصد) کے لحاظ سے ایک جیسی کارکردگی حاصل کی۔ مجموعی طور پر، تاہم، یہ SVM ہی تھا جس نے بہترین متوازن درستگی (96 فیصد) کی نمائش کی اور جھوٹی مثبت شناختوں سے بچنے کے لیے دیگر طریقوں سے بھی زیادہ صلاحیت حاصل کی۔ یہ خاص طور پر ظاہر تھا۔

شرونیی علاقے کے لیے، جہاں لاجسٹک ریگریشن اور XGBoost درجہ بندی کے ذریعے پیش کردہ 89 فیصد کے مقابلے میں درستگی=92 فیصد ہے۔

درجہ بندی کی درستگی کی اعلی شرحوں کا ترجمہ یکساں طور پر اچھے انقطاع کے نتائج (ٹیبل 2) میں کیا گیا، جس کا دوبارہ جائزہ جیکارڈ کوفیشینٹ کا استعمال کرتے ہوئے کیا گیا۔ تاہم، اس بار، اس کا حساب ہر علاقے کے لیے الگ سے طے کیے گئے IoUs کے مجموعہ کے طور پر کیا گیا تھا اور پھر اس کی حمایت سے وزن کیا گیا تھا، یعنی کسی مخصوص طبقے کی نمائندگی کرنے والے زمینی سچائی کے ووکسلز کی تعداد۔ دوسرے کاموں کے ساتھ موازنہ کو فعال کرنے کے لیے، ہم نے فارمولے کے ساتھ جیکارڈ کی حاصل کردہ شرحوں کو ڈائس کوفیشینٹس (F1-اسکور) میں دوبارہ شمار کیا۔

اپنے الگورتھم کا استعمال کرتے ہوئے، ہم نے بائیں جانب پرانتستا کلاس کے لیے اوسط جیکارڈ گتانک حاصل کیا۔گردہ93.2 فیصد کے برابر دوسرے خطوں کے معاملے میں، IoU تقریباً 91 فیصد کے برابر ہے، سوائے بائیں جانب شرونی طبقے کےگردہ جہاں یہ 90.1 فیصد تک گر گیا۔ عمدہ تقسیم کے معیار کی مثالوں کا تجزیہ کرکے بصری طور پر تصدیق کی جاسکتی ہے۔گردہ شکل 7 میں دکھائے گئے خطوں میں سڑنا۔ وسیع تناظر میں تشخیص کو فعال کرنے کے لیے، ہم نے ادب میں تجویز کردہ دو متبادل طریقوں کے ساتھ تقسیم کاری بھی کی۔ پہلا ڈسکریٹ ویولیٹ ٹرانسفارم (DWT) کا استعمال کرتے ہوئے ڈیبیچیز-4 ویولیٹ کے ساتھ DCE سگنل کی خصوصیات کو نکالنے پر مشتمل ہے، جیسا کہ وضع کیا گیا ہے، جیسا کہ [12] میں۔ پھر ہم نے SVM الگورتھم کی مدد سے DWT قابلیت ویکٹر کی درجہ بندی کی۔ دوسرے مقابلے کے طریقے میں، PCA فیچر ویکٹرز کو k-means الگورتھم (k=3 کے ساتھ) کا استعمال کرتے ہوئے کلسٹر کیا گیا، جیسا کہ [14] میں بیان کیا گیا ہے۔ یہ دوسرا طریقہ کارٹیکس اور میڈولا کے درمیان مناسب طریقے سے فرق کرنے میں ناکام رہا۔ دونوں خطوں کی نمائندگی کرنے والے ووکسلز کی اکثریت کو ایک مشترکہ جھرمٹ میں قبول کیا گیا تھا اور زیادہ تر کراس سیکشنز پر صرف شرونی کو پیرینچیما کے خود مختار حصے کے طور پر تسلیم کیا گیا تھا۔ کلسٹرنگ کے ذریعے حاصل کردہ نتائج کے برعکس، DWT پر مبنی ووکسلز کی تفصیل کا استعمال کرتے ہوئے زیر نگرانی طریقے سے تیار کیے گئے علاقے زیادہ درست ہیں۔ تاہم، پی سی اے فیچر ویکٹر کے مقابلے میں غلط شناختوں کی تعداد بظاہر زیادہ ہے۔ SVM درجہ بندی کے لیے حاصل کردہ متوازن درستگی کا اسکور اس معاملے میں صرف 78 فیصد تھا۔ Xgboost، لکیری رجعت، اور ہمارے مطالعہ میں بہترین SVM/PCA الگورتھم کے ساتھ ان متبادل تقسیم کاری اسکیموں کے مقداری موازنہ کے لیے جدول 3 کی آخری دو قطاریں دیکھیں۔

رینل پرانتستا میں اوسط سگنلز کا تعین کرنے کے لیے انقطاع کے مرحلے کے نتائج استعمال کیے گئے تھے۔ اس سگنل کو پھر 2CFM فارماکوکینیٹک ماڈل میں لگایا گیا تھا۔ تصویر 8 یہ بتاتی ہے کہ کس طرح سنگل-گردہglomerular فلٹریشن کی شرحاس طرح حاصل کردہ (SK-GFR) دستی تشریحات کا استعمال کرتے ہوئے اخذ کردہ متعلقہ اسکورز کے مطابق ہے۔ خودکار اور دستی تقسیم کے بعد حاصل کردہ تمام مضامین اور مطالعات میں اوسط SK-GFR قدریں یکساں ہیں (56 بمقابلہ 55 mL/min/1.73 m2) اور مشاہدہ کیا گیا فرق اعداد و شمار کے لحاظ سے غیر معمولی ہے (T-statistic=0.75, p-value=0.46)۔ مزید برآں، پیمائش کی دو اقسام کے درمیان لکیری فٹ بالترتیب MR امتحانی سیشن 1 اور 2 کے لیے r2=0.13 اور 0.49 کے ساتھ ان کی اچھی مطابقت کو ثابت کرتا ہے۔

شکل 9 میں دکھائے گئے بلینڈ-آلٹ مین پلاٹ ہمیں زمینی سچائی iohexol پر مبنی شرحوں کے ساتھ کل GFRs کے معاہدے کا اندازہ لگانے کی اجازت دیتے ہیں۔ Bland-Altman طریقہ کے اطلاق سے پہلے، پیمائش کی عام تقسیم کی تصدیق Shapiro-Wilk ٹیسٹ کے ذریعے کی گئی تھی۔ حاصل شدہ p-values ​​متعلقہ پلاٹ کے افسانوں میں دی گئی ہیں۔ MR امتحانی سیشن 1 کے لیے مطلق قدروں کے لحاظ سے اوسط فرق دستی تقسیم کے لیے چھوٹا تھا ( ü0.8 بمقابلہ ü7.4 mL/min/1.73 m2)۔ سیشن 2 کی صورت میں، ╱d کی اقدار تقسیم کے طریقوں کے درمیان مطابقت رکھتی تھیں، حالانکہ حوالہ کے طریقہ کار کے ساتھ معاہدہ کمزور تھا۔ تاہم، مجوزہ الگورتھم قدرے بہتر کارکردگی کا مظاہرہ کرتا دکھائی دیا ( ü 12.9 بمقابلہ ü 14.1 mL/min/1.73 m2)۔ حاصل کردہ نتائج کی بنیاد پر، یہ فیصلہ نہیں کیا جا سکا کہ کون سی سیگمنٹیشن اپروچ معاہدے کی محدود حد کو یقینی بناتی ہے۔ سیشن 1 کی صورت میں، موازنہ نے دستی تقسیم کو پسند کیا (π=31.3 بمقابلہ 35.5 mL/min/1.73 m2)۔ تاہم، تمام تجربات میں معاہدے اور اعتماد کے وقفوں کی تنگ ترین حدیں سیشن 2 اور خودکار لیبلنگ (π=25.1 mL/min/1.73 m2) کے لیے حاصل کی گئیں۔ دونوں سیگمنٹیشن اپروچز نے دہرائے جانے کے قابل نتائج (جدول 4 دیکھیں) کی قیادت کی جس میں 30.2 فیصد کے برابر تغیر کے گتانک کے ساتھ بدترین صورت میں (دستی تقسیم، بائیںگردہ)۔ بظاہر، خودکار سیگمنٹیشن نے دستی ہم منصبوں کے مقابلے میں دو گنا کم تغیر کے گتانک کے ساتھ بہتر استحکام کو یقینی بنایا۔ متعلقہ نمونوں کے لیے طالب علم کے ٹی-ٹیسٹ میں حاصل کردہ p-قدریں اعتماد کی سطح سے اوپر تھیں=0.05 جو کہ SK-GFR پیمائش کے مشاہدہ شدہ ذرائع کے درمیان کوئی اہم فرق نہ ہونے کے کالعدم مفروضے کے خلاف ناکافی ثبوت دکھاتی ہیں۔ تاہم، بائیں گردے اور دستی سیگمنٹیشن کے لیے حساب کی گئی p-value نسبتاً کم تھی۔ مزید تفتیش، ممکنہ طور پر ایک بڑا نمونہ شامل ہے، اس معاملے میں پیمائش کے دوبارہ ہونے کی تصدیق یا مسترد کرنے کے لیے ضروری ہے۔

4. بحث

اس مطالعے کا بنیادی مقصد ایک موثر طریقہ وضع کرنا تھا۔گردہDCE-MR امیجز میں سیگمنٹیشن۔ ہم نے پہلے شائع شدہ کاموں میں جزوی طور پر تجویز کردہ تصورات کو ایک یکساں کمپیوٹیشنل فریم ورک میں ملایا۔ یہ کڈنی پیرنچیما کے موٹے سیمنٹک سیگمنٹیشن کو قبول کرتا ہے، ایم آر سگنل ٹائم کورسز کی پی سی اے تبدیلی کو ووکسلز کی عددی نمائندگی پیدا کرنے کے لیے اور پھر ان کی درجہ بندی کو فعال کرتا ہے تاکہ پرانتستا، میڈولا، اور شرونی میں گردوں کے بافتوں کی ٹھیک سیگمنٹیشن پیدا کی جا سکے۔ مجوزہ نقطہ نظر درست نتائج کی طرف لے جاتا ہے، جس سے جیکارڈ کوفیشینٹ کے لحاظ سے 94 فیصد کی شرح سے گردے کی شناخت ممکن ہو جاتی ہے۔ مخصوص رینل کمپارٹمنٹس کی تقسیم IoU کے ساتھ 90 فیصد اور 93 فیصد (96-95 فیصد ڈائس گتانک) کے درمیان حاصل کی جا سکتی ہے، ٹشو کی قسم پر منحصر ہے۔

دوسرے شائع شدہ نتائج کا حوالہ دیتے وقت، حاصل کردہ تناسب یا تو اچھی طرح سے ہیں یا قدرے کم۔ [14] میں، صحت مندوں کے لیے ڈائس سکورگردہ99 فیصد (کورٹیکس)، 98 فیصد (میڈولا)، اور 96 فیصد (شرونی) کی سطح پر تقسیم کی اطلاع ملی۔ تاہم، نقلی اعداد و شمار کے لیے یہ بھی دکھایا گیا تھا کہ تصویری شور نمایاں طور پر درستگی کو 82-85 فیصد تک گرا سکتا ہے۔ چونکہ اس میں استعمال ہونے والے امیجنگ پروٹوکول اور ہمارے مطالعے میں مقامی اور وقتی ریزولوشن کے حوالے سے فرق ہے، اس لیے 1–2 فیصد کی حد میں مشاہدہ شدہ تضادات کو ہمارے مطالعے میں شور کی مختلف سطحوں سے منسوب کیا جا سکتا ہے۔ [15] میں پیڈیاٹرک مریضوں کے ایک گروپ میں موازنہ اسکیننگ کے حالات استعمال کیے گئے تھے۔ اس میں مشاہدہ کیا گیا اوسط F1-اسکور پورے کے لیے 93 فیصد کے برابر تھا۔گردہ، اور رینل کورٹیکس کے لیے 86 فیصد۔ [12] میں درستگی کے اسکور کا استعمال کرتے ہوئے کلسٹرنگ کی بنیاد پر تقسیم کا جائزہ لیا گیا۔ اوسط حاصل کردہ نتائج یہ تھے: 88 فیصد - کارٹیکس، 91 فیصد - میڈولا، اور 98 فیصد - شرونی۔ ان اقدار کو اجتماعی طور پر متوازن درستگی کے اسکور کے طور پر کہا جا سکتا ہے جو کہ دیئے گئے حصے کے سائز کو مدنظر رکھتا ہے۔ اس طرح، ہمارا SVM ماڈل درجہ بندی کی درستگی کی پیشکش کرنے والے کلسٹرنگ پر مبنی نقطہ نظر کو پیچھے چھوڑتا دکھائی دیتا ہے، ساتھ ہی ساتھ 96 فیصد کی سطح پر ریکال کی شرحیں یہاں تک کہ سب سے بڑے کارٹیکس خطے کے لیے بھی۔

آخر کار، CNN نیٹ ورک پوری کی پہچان کے لیے وقف ہو گیا۔گردہ[26] میں بیان کردہ نے ہمارے U-Net ڈیزائن سے کم کارکردگی دکھائی، عام امتحانی مضامین کے لیے F1-اسکور=91.4 فیصد حاصل کیا۔

الگورتھم ٹریننگ-ریکال کنفیگریشن کی روشنی میں سیگمنٹیشن کے نتائج میں دیکھے گئے اختلافات کو بھی دیکھا جانا چاہیے۔ کچھ متبادل طریقوں کے برعکس [11,14]، ہماری حکمت عملی مریض سے آزاد ہے۔ ایک بار جب سیمنٹک سیگمنٹیشن اور درجہ بندی کے ماڈلز بنائے جاتے ہیں، تو ان کا اطلاق نئے مطالعات پر ہوتا ہے، جن کا سامنا تربیتی سیٹ میں نہیں ہوتا ہے۔ لہٰذا، مریض کی مخصوص خصوصیات شناخت کے طریقہ کار کی رہنمائی نہیں کر سکتیں اور ہو سکتا ہے تربیت یافتہ ماڈل کے مطابق نہ ہوں، جس سے مجموعی درستگی کی شرح کم ہو جاتی ہے۔ مزید برآں، جیسا کہ اوپر زیر بحث آیا، پرانتستا، میڈولا، اور شرونی کے درمیان سرحدوں پر جزوی حجم کے اثر کی وجہ سے، حوالہ دستی سیگمنٹیشنز کے حوالے سے کچھ غیر یقینی صورتحال باقی ہے جسے رپورٹ شدہ میٹرکس کا تجزیہ کرتے وقت دھیان میں رکھنا چاہیے۔ اگرچہ SVM درجہ بندی کو احتیاط سے منتخب کردہ، ٹشو کے مخصوص زمینی سچائی کے اشاروں پر تربیت دی گئی تھی، توثیق کے اعداد و شمار، جن میں گردوں کے تمام ووکسلز کو اپنانا ضروری ہے، پھر بھی مبصر تشریحات کی سبجیکٹیوزم کا شکار ہو سکتا ہے۔

قطعی تقسیم کے نتائج پیدا کرنے کی مشاہدہ طاقت کے علاوہ، ہماری حکمت عملی ایک فائدہ مند خصوصیت رکھتی ہے۔ چونکہ ہم تصویری ووکسلز کو مناسب تفویض کرنے کے لیے ایک زیر نگرانی درجہ بندی کا استعمال کرتے ہیں۔گردہخطوں میں، ایک علیحدہ لیبلنگ قدم کی ضرورت نہیں ہے۔ کلسٹرنگ کے معاملے میں، ہر ایک کلسٹر کے اصل زمرے کی تشریح کے لیے کچھ معلومات فراہم کرنا ضروری ہے، اگر پورے طریقہ کار کی آٹومیشن کو یقینی بنایا جائے۔

جیسا کہ شکل 10 میں واضح کیا گیا ہے، خودکار اور دستی تشریحات کے درمیان بنیادی طور پر تضاد کے دو ذرائع ہیں۔ سب سے پہلے، کارٹیکس اور میڈولری اہرام کے درمیان سرحد مبہم ہے اور متعلقہ ووکسلز جزوی طور پر دونوں قسموں سے بھرے ہوئے ہیں۔

گردوں کے ٹشو کی. اگرچہ خودکار طریقہ کارٹیکس کلاس میں ایسے ووکسلز کو شامل کرنے کا رجحان رکھتا ہے، لیکن ماہر کے ذریعہ انہیں اکثر میڈولا کے طور پر نامزد کیا جاتا ہے۔ دوسری طرف، یہاں تک کہ دستی تقسیم بھی اس سلسلے میں مطابقت نہیں رکھتی جو کہ ووکسلز کی کلاس کے بارے میں من مانی فیصلہ کرنے میں دشواری کو ثابت کرتی ہے جہاں جزوی حجم کا اثر غالب ہے۔ دوم، جھوٹے پتہ لگانے کا مشاہدہ کیا جا سکتا ہے مثلاً، خارجی کارٹیکل کناروں پر۔ ان اثرات کو ٹائم ڈومین میں تصاویر کی غلط رجسٹریشن سے منسوب کیا جا سکتا ہے۔ لاگو بی-اسپلائن رجسٹریشن کا طریقہ اس مطالعہ کی ضرورت کے لیے بہتر نہیں بنایا گیا تھا اور یہ ہماری مستقبل کی تفتیش کا موضوع بنی ہوئی ہے۔

کئے گئے تجربات نے یہ بھی ظاہر کیا کہ مجوزہ سیگمنٹیشن الگورتھم امیج پر مبنی SK-GFR تخمینہ کی تکرار کو بہتر بناتا ہے۔ تغیر کے حسابی گتانک بائیں اور دائیں کے لیے 14.5 فیصد اور 17.5 فیصد تھے۔گردےبالترتیب دستی تشریحات کے معاملے میں، ہم نے CoV=30.2 فیصد اور 29.4 فیصد حاصل کیا۔ ان نتائج کو آزاد عوامل، جیسے خوراک اور دن کے وقت کی وجہ سے قدرتی GFR تغیرات کے حوالے سے اندازہ لگایا جانا چاہیے۔ یہ توقع کی جاتی ہے کہ سیرم کریٹینائن کی سطح، جو کہ GFR کے ساتھ اچھی طرح سے تعلق رکھتی ہے، 10 فیصد تک تبدیلی کی ڈگری حاصل کر سکتی ہے [43]۔ لہذا، تقریبا کے CoV. 15 فیصد طریقہ کار کی اچھی تکرار کی نشاندہی کرتا ہے جو خودکار استعمال کرتا ہے۔گردہانقطاع مزید برآں، حاصل کردہ ریپیٹ ایبلٹی میٹرکس دوسری جگہوں پر پیش کی گئی اقدار کی حد میں آتے ہیں، جیسے کہ [44] CoV=32 فیصد اور 27 فیصد، جبکہ [13] میں، CoV=17.5 فیصد اور 15.4 فیصد بائیں اور دائیںگردےبالترتیب تاہم، بعد کے مطالعے میں، CoV کا حساب صرف σsm کے تناسب اور تمام پیمائشوں کے وسط کے حساب سے کیا گیا، بغیر ′2 کے اضافی عنصر کے۔ اگر اس اصلاحی عنصر کی عکاسی کی جاتی ہے، تو ان کے رپورٹ کردہ CoVs 24.7 فیصد اور 21.8 فیصد بن جاتے ہیں، جو ہمارے نتائج کے کافی قریب ہیں۔

ہمارے مطالعے کی تین حدود کو بڑھایا جا سکتا ہے۔ سب سے پہلے، تصویری پیچ میں فرضی تقسیم سیمنٹک سیگمنٹیشن نیٹ ورک کو سیکھنے کی طرف مائل کر سکتی ہے۔گردہمقامات صرف پیچ کناروں میں سے ایک کے قریب۔ لہٰذا، ہمارے ماڈلز کی مزید ترقی میں، اس بات کا مطالعہ کیا جائے گا کہ اگر حصول کے میدان کو مختلف طریقے سے ترتیب دیا جائے تو الگورتھم کس طرح کارکردگی کا مظاہرہ کرتا ہے۔ دوم، سیگمنٹیشن الگورتھم صرف صحت مند مضامین کا استعمال کرتے ہوئے ڈیزائن کیا گیا تھا۔ رینل پیرانچیما کے ٹھیک سیگمنٹیشن کی صورت میں اس کے خاص طور پر اہم نتائج ہو سکتے ہیں۔ درجہ بندی کے ماڈل کو بیمار گردے کے لیے ایڈجسٹ کرنے کے لیے کلاسوں کی تعداد کو صرف تین زمروں (کورٹیکس، میڈولا، اور شرونی) تک بڑھانے کی ضرورت پڑ سکتی ہے تاکہ گردوں کے بافتوں کے گھاووں کی متنوع وقتی خصوصیات کو ظاہر کیا جا سکے۔ تیسرا، GFR کا حساب لگانے کے لیے، ہم نے 2CFM ماڈل کو منقسم پرانتستا میں تخمینہ شدہ DCE سگنل پر لگایا۔ جزوی حجم کے اثر کی وجہ سے، دستی اور خودکار دونوں طرح کی تقسیم کچھ ووکسلز کو میڈلری کے طور پر درجہ بندی کر سکتی ہے، حالانکہ ان میں رینل گلومیرولی ہوتی ہے۔ اس طرح کے ووکسلز کو نظر انداز کرنا تصویر سے ماخوذ اور iohexol پر مبنی GFR پیمائش کے درمیان مشاہدہ شدہ تضادات کی ایک وجہ ہو سکتی ہے۔ اس مسئلے پر قابو پانے کے لیے، کچھ مصنفین [5] پورے گردے کے ROI کو استعمال کرنے کی تجویز پیش کرتے ہیں تاکہ یہ یقینی بنایا جا سکے کہ رینل فلٹریشن میں تعاون کرنے والے تمام ووکسلز PK ماڈل فٹنگ کے عمل میں شامل ہیں۔ تاہم، ہم نے پایا کہ یہ نقطہ نظر ہمارے مطالعے میں دستیاب ڈیٹا سیٹس کے لیے GFR کے قابل ذکر حد سے زیادہ تخمینہ کا باعث بنتا ہے۔ لہذا، مستقبل میں، ہم گہری سیکھنے پر مبنی سپر ریزولوشن تکنیکوں کو لاگو کرنے کا ارادہ رکھتے ہیں اور کارٹیکل ووکسلز کی زیادہ درست تشریحات حاصل کرنے کی کوشش کرتے ہیں۔

مزید یہ کہ سیمنٹک سیگمنٹیشن کے لیے مکمل طور پر 3D اپروچ کا فائدہ اٹھایا جانا چاہیے۔ یہ توقع کی جا سکتی ہے کہ ایک نیورل نیٹ ورک جو پوری ایم آر والیوم کو پروسیس کرنے کے قابل ہو زیادہ درست طریقے سے پیدا کرے گا۔گردہاضافی گہرائی سے متعلق معلومات کی بدولت تشریحات۔ تاہم، تربیت کے لیے دستیاب مطالعات کی نسبتاً کم تعداد کی وجہ سے اس مطالعے میں مسئلہ کو دو جہتوں تک کم کرنا پڑا۔ 2D کراس سیکشنز میں والیومیٹرک امیجز کے گلنے سے ٹریننگ ڈیٹا سیٹ میں نمایاں اضافہ ہوتا ہے۔

آخر کار، جیسا کہ پہلے بیان کیا گیا، مجوزہ نقطہ نظر کو چھٹی کے ایک مضمون کے انداز میں درست کیا گیا۔ مؤثر، 10 آزاد نیورل نیٹ ورک اور درجہ بندی کرنے والے ماڈلز بنائے گئے تھے۔ ایک جائز سوال یہ ہے کہ ان ماڈلز کو اس مطالعے میں دستیاب نمونے کے باہر سے نئے مضامین پر کیسے لاگو کیا جا سکتا ہے۔ ایک آپشن یہ ہوگا کہ ایک جوڑا بنایا جائے اور ووٹنگ کا طریقہ کار متعارف کرایا جائے۔ متبادل طور پر، پورے 10-موضوع کے نمونے کی بنیاد پر ایک نئی سیگمنٹیشن اسکیم کو تربیت دی جا سکتی ہے (موٹے اور باریک دونوں مراحل کو اپناتے ہوئے)۔ نئے ڈیٹا سیٹس کے حوالے سے اس کی کارکردگی اوپر پیش کیے گئے نتائج سے موازنہ ہونی چاہیے۔

cistanche آرام کر سکتے ہیںگردہدرد، مزید جاننے کے لیے یہاں کلک کریں۔

5. نتائج

نتیجہ اخذ کرنے کے لیے، اس مقالے میں ہم نے مقداری تشخیص کی حمایت کے لیے ایک کمپیوٹیشنل فریم ورک کا مظاہرہ کیا۔گردہگردوں کے حصوں کی تقسیم کا ایک خودکار طریقہ فراہم کرکے پرفیوژن۔ حاصل کردہ درستگی کے نتائج ڈیزائن کردہ طریقہ کار کے قابل اعتماد عمل کو ثابت کرتے ہیں۔ مزید برآں، ہمارے تجربات میں، ویولیٹ ٹرانسفارمز اور کلسٹرنگ الگورتھم پر مبنی پرانتستا، میڈولا، اور شرونی طبقوں کو امتیازی سلوک کرنے کے متبادل طریقے کم مؤثر طریقے سے انجام دیتے ہیں۔ خود کار طریقے سے پائے جانے والے حصوں کی بنیاد پر SK-GFR پیمائش کی تکرار دستی پروسیسنگ کے نتائج کے مقابلے میں بہتر ہوتی ہے اور دوسرے شائع شدہ نتائج کے ساتھ بھی اچھے معاہدے میں رہتی ہے۔ ڈیزائن کردہ سیگمنٹیشن کا طریقہ امیج سے اخذ کردہ پرفیوژن پیرامیٹرز کے مقصدیت کو بڑھانے اور گردوں کی خرابیوں کی ممکنہ طور پر تیز تر تشخیص کی اجازت دیتا ہے۔ یہ نتائج DCE-MR امیجنگ کے کلینیکل اطلاق کو ایک معمول کے طریقہ کار کے طور پر قریب لاتے ہیں۔گردہتشخیص آخر میں، تحقیق سے ایپلیکیشن ڈومین میں اس تبدیلی کو آسان بنانے کے لیے، ہم فارماکوکینیٹک ماڈلنگ کے لیے اپنا سافٹ ویئر فریم ورک [39] پر دستیاب کرتے ہیں۔ ذخیرہ میں DCE سگنل پر مبنی فیچر نکالنے اور درجہ بندی کے لیے اسکرپٹ بھی شامل ہیں۔

مصنف کی شراکتیں:تصورات، اے کے؛ طریقہ کار، AK، اور EE؛ سافٹ ویئر، اے کے؛ توثیق، اے کے؛ رسمی تجزیہ، اے کے؛ تفتیش، اے کے؛ وسائل، EE اور AL؛ ڈیٹا کیوریشن، EE؛ تحریر - اصل مسودہ کی تیاری، اے کے؛ تحریر - جائزہ اور ترمیم، AL اور EE؛ تصور، اے کے؛ نگرانی، AL؛ پروجیکٹ ایڈمنسٹریشن، اے کے تمام مصنفین نے مخطوطہ کے شائع شدہ ورژن کو پڑھا اور اس سے اتفاق کیا ہے۔

فنڈنگ:اس تحقیق کو کوئی بیرونی فنڈ نہیں ملا۔

ادارہ جاتی جائزہ بورڈ کا بیان:یہ مطالعہ ہیلسنکی کے اعلامیے کے مطابق کیا گیا تھا، اور پروٹوکول کی منظوری علاقائی کمیٹی برائے طبی تحقیقی اخلاقیات — ویسٹرن ناروے (REC West 2012/1869) نے دی تھی۔

باخبر رضامندی کا بیان:تمام مضامین نے مطالعہ میں حصہ لینے سے پہلے شمولیت کے لیے اپنی باخبر رضامندی دی۔

ڈیٹا کی دستیابی کا بیان:اس مطالعہ میں استعمال ہونے والی DCE-MR تصاویر دستیاب نہیں کی جا سکتیں کیونکہ شرکاء کی طرف سے دستخط شدہ تحریری رضامندی حاصل شدہ ڈیٹا کی عوامی سطح پر تقسیم کے معاہدے کا احاطہ نہیں کرتی تھی۔

مفادات میں تضاد:مصنفین مفادات کے تصادم کا اعلان نہیں کرتے ہیں۔

حوالہ جات

1. زبیل، جے آر؛ لارسن، جی؛ کوفیل، جے؛ ڈھکن.؛ اینڈرسن، جے کے؛ وزن، CJ تخمینہ لگانے کے لیے گردوں کی بیماری کی مساوات میں خوراک کی تبدیلی کا استعمال گلومیرولر فلٹریشن کی شرحیورولوجک ادب میں. جے اینڈورول۔ 2016، 30، 930-933۔

2. Delaney، P.؛ ایبرٹ، این. میلسم، ٹی. گیسپاری، ایف۔ ماریت، سی۔ کیولیئر، ای. Björk, J.; کرسٹینسن، اے. Nyman, U.; پورینی، ای. ET رحمہ اللہ تعالی. پیمائش کے لیے Iohexol پلازما کلیئرنسگلوومیرولر فلٹریشن کی شرحکلینیکل پریکٹس اور تحقیق میں: ایک جائزہ۔ حصہ 1: پیمائش کیسے کریں۔گلوومیرولر فلٹریشن کی شرحiohexol کے ساتھ؟ کلینگردہJ. 2016, 9, 682–699.

3. اینیٹ، ایل. ہرموئے، ایل۔ Peeters, F.; جمار، ایف. Dehoux, JP; وان بیئرز، بی ای گلومیرولر فلٹریشن ریٹ: ڈائنامک کنٹراسٹ بڑھا ہوا ایم آر آئی اور خرگوش میں کارٹیکل کمپارٹمنٹ ماڈل کے ساتھ تشخیصگردہ. جے میگن گونج. امیجنگ 2004، 20، 843–849۔

4. سوربرون، ایس پی؛ مائیکلی، ایچ جے؛ Reiser, MF; Schoenberg، SO MRI-انسان میں پرفیوژن اور گلوومیرولر فلٹریشن کی پیمائشگردہایک الگ کرنے والا ٹوکری ماڈل کے ساتھ۔ تفتیش کریں۔ ریڈیول 2008، 43، 40–48۔

5. Tofts، P.؛ کٹاجار، ایم. Mendichovszky, I.; پیٹرز، اے. گورڈن، I. رینل فلٹریشن اور ویسکولر پیرامیٹرز کی درست پیمائش کے متحرک کنٹراسٹ-بڑھے ہوئے MRI کے لیے دو ٹوکری ماڈل کا استعمال کرتے ہوئےگردہحقیقت پسندانہ نارمل اقدار دیتا ہے۔ یور ریڈیول 2012، 22، 1320–1330۔

6. چن، بی؛ Zhang, Y.; گانا، X. وانگ، ایکس؛ ژانگ، جے؛ فینگ، J. ایک ترمیم شدہ دو کمروں کے ماڈل کا استعمال کرتے ہوئے متحرک کنٹراسٹ-اینانسڈ MRI کے ساتھ رینل فنکشن کا مقداری تخمینہ۔ PLOS ONE 2014, 9, e105087۔

7. کٹاجار، ایم. Mendichovszky, I.; Tofts, P.; گورڈن، I. DCE-MRI رینوگرافی میں AIF ROI سلیکشن کی اہمیت: رینل پرفیوژن اور فلٹریشن کی تولیدی صلاحیت اور تغیر۔ یور جے ریڈیول 2010, 74, e154–e160۔

8. لی، وی ایس؛ روسنیک، ایچ. بوکاچیوا، ایل۔ ہوانگ، اے جے؛ Oesingmann, N.; چن، Q. کور، ایم. پرنس، کے. گانا، ٹی. کریمر، ای ایل؛ ET رحمہ اللہ تعالی. ایم آر رینوگرافی سے رینل فنکشن کی پیمائش اور ایک آسان ملٹی کمپارٹمنٹل ماڈل۔ ایم۔ J. Physiol.-Renal Physiol. 2007, 292, F1548–F1559۔

9. پٹلک، سی ایس؛ Blasberg، RG ایک سے زیادہ وقت کے اپٹیک ڈیٹا سے خون سے دماغ کی منتقلی کے مستقل کی گرافیکل تشخیص۔ جنرلائزیشنز جے سیریب خون کا بہاؤ میٹاب۔ 1985، 5، 584-590۔

10. ہیکسٹین، این. Heckrodt, J.; راؤ، واحد کی WS پیمائشگردہگلوومیرولر فلٹریشن کی شرح کنٹراسٹ بڑھا ہوا ڈائنامک گریڈینٹ-ایکو سیکوینس اور رٹ لینڈ-پٹلک پلاٹ تکنیک کا استعمال کرتے ہوئے۔ جے میگن گونج. امیجنگ 2003، 18، 714–725۔

11. Zöllner، F.؛ سانس، آر. Rogelj، P.؛ Ledesma-Carbayo، M. Rørvik, J.; سینٹوس، اے. Lundervold, A. 3D DCE-MRI کی تشخیصگردےغیر سخت تصویری رجسٹریشن اور ووکسیل ٹائم کورسز کی تقسیم کا استعمال۔ کمپیوٹنگ میڈ. امیجنگ گراف۔ 2009، 33، 171–181۔

12. لی، ایس. Zöllner، F.؛ میرم، اے. پینگ، وائی؛ Roervik, J.; لنڈرولڈ، اے. Schad، L. انسان کے DCE-MRI میں گردوں کے حصوں کی ویولیٹ پر مبنی سیگمنٹیشنگردہ: مریضوں اور صحت مند رضاکاروں میں ابتدائی نتائج۔ کمپیوٹنگ میڈ. امیجنگ گراف۔ 2012، 36، 108–118۔

13. Eikefjord, E.; اینڈرسن، ای. Hodneland, E.; ہینسن، ای. سوربرون، ایس. Svarstad, E.; لنڈرولڈ، اے. Rørvik، J. صحت مند شرکاء میں رینل فنکشن کی ڈائنامک کنٹراسٹ بڑھا ہوا MRI پیمائش۔ ایکٹا ریڈیول۔ 2017، 58، 748–757۔

14. یانگ، ایکس۔ لی منہ، ایچ. چینگ، کے ٹی ٹی؛ سنگ، کے ایچ؛ لیو، W. DCE-MRI امیجز میں رینل کمپارٹمنٹ سیگمنٹیشن۔ میڈ. تصویر مقعد. 2016، 32، 269–280۔

15. یورک، یو۔ Hargreaves, BA; وسنا والا، 3D-GrabCut اور بے ترتیب جنگلات کا استعمال کرتے ہوئے MR urography کے لیے SS آٹومیٹک رینل سیگمنٹیشن۔ میگن گونج. میڈ. 2018، 79، 1696–1707۔

16. Lundervold, AS; Lundervold, A. MRI پر توجہ مرکوز کرتے ہوئے میڈیکل امیجنگ میں گہری تعلیم کا جائزہ۔ Z. Für Med. طبیعیات 2019، 29، 102–127۔

17. خان، ز. یحییٰ، ن. الصیح، کے. علی، SSA؛ Meriaudeau, F. T2W MRI میں پروسٹیٹ کے سیمنٹک سیگمنٹیشن کے لیے ڈیپ نیورل نیٹ ورکس کی تشخیص۔ سینسر 2020، 20، 3183۔

18. Shelhamer, E.; لانگ، جے؛ ڈیرل، ٹی مکمل طور پر کنوولیشنل نیٹ ورکس فار سیمنٹک سیگمنٹیشن۔ آئی ای ای ای ٹرانس۔ پیٹرن مقعد. مچ انٹیل۔ 2017، 39، 640–651۔

19. بدری نارائنن، وی۔ کینڈل، اے. Cipolla, R. SegNet: تصویری سیگمنٹیشن کے لیے ایک گہری کنولوشنل انکوڈر-ڈیکوڈر آرکیٹیکچر۔ آئی ای ای ای ٹرانس۔ پیٹرن مقعد. مچ انٹیل۔ 2017، 39، 2481–2495۔

20. Ronneberger، O.؛ فشر، پی. بروکس، T. U-Net: بایومیڈیکل امیج سیگمنٹیشن کے لیے Convolutional Networks. میڈیکل امیج کمپیوٹنگ اور کمپیوٹر اسسٹڈ انٹروینشن پر 18ویں بین الاقوامی کانفرنس کی کارروائی میں، میونخ، جرمنی، 5-9 اکتوبر 2015؛ صفحہ 234-241۔