Penatalaksanaan Penyakit Ginjal: Identifikasi Dan Klasifikasi Glomerulus Ginjal

Untuk informasi selengkapnya:ali.ma@wecistanche.com

Bagian :Jaringan saraf untuk klasifikasi glomerulus berdasarkan gambar histologis biopsi ginjal

Giacomo Donato Cascaranol, Francesco Saverio Debitontol & dkk.

Abstrak

Latar Belakang: Sistem computer-aided diagnosis (CAD) berdasarkan citra medis dapat mendukung dokter dalam proses pengambilan keputusan. Selama dekade terakhir, para peneliti telah mengusulkan sistem CAD di beberapa domain medis mencapai hasil yang menjanjikan.

Sistem CAD memainkan peran penting dalam patologi digital yang mendukung ahli patologi dalam menganalisis slide biopsi melalui alur kerja standar dan objektif. Dalam pekerjaan yang diusulkan, kami merancang dan menguji modul sistem CAD baru berdasarkan teknik pemrosesan gambar dan pembelajaran mesin, yang tujuannya adalah untuk mengklasifikasikan kondisi yang mempengaruhi sel-sel ginjal (glomeruli) antara sklerotik dan non-sklerotik. Diskriminasi tersebut berguna untuk evaluasi slide biopsi yang dilakukan oleh ahli patologi.

Hasil: Kami mengumpulkan 26 slide digital yang diambil dariginjaldari 19 donor dengan pewarnaan asam-Schiff periodik, Ahli patologi telah melakukan preparasi slide, akuisisi digital, dan anotasi glomeruli. Sebelum mengatur pengklasifikasi, kami mengevaluasi beberapa teknik ekstraksi fitur dari daerah beranotasi. Kemudian, prosedur pengurangan fitur yang diikuti oleh jaringan saraf tiruan yang dangkal memungkinkan pembedaan antara kelas glomeruli. Kami mengevaluasi alur kerja dengan mempertimbangkan kumpulan data independen (yaitu, memproses gambar yang tidak digunakan dalam prosedur pelatihan). Sepuluh proses independen dari algoritme pelatihan, dan evaluasi, memungkinkan pencapaian MCC dan Akurasi 0.95 (±0.01) dan 0,99 (standar deviasi<0.00), respectively.="" we="" also="" obtained="" good="" precision="" (0.9844±0.0111)="" and="" recall="">

Kesimpulan: Hasil pada set tes mengkonfirmasi bahwa alur kerja yang diusulkan konsisten dan dapat diandalkan untuk domain yang diselidiki, dan dapat mendukung praktik klinis untuk membedakan dua kelas glomeruli. Analisis pada kesalahan klasifikasi menunjukkan bahwa gambar yang terlibat biasanya dipengaruhi oleh artefak pewarnaan atau bagian parsial yang ada

Klik untuk dosis Cistanche tubulosa untuk penyakit ginjal

Diskusi

Mengevaluasi pendekatan yang diusulkan pada set pengujian independen, alur kerja klasifikasi mencapai rata-rata MCC dan Akurasi masing-masing {{0}},95 dan 0,99, dan variabilitas rendah selama 10 iterasi independen (MCC std{{5} }.01 dan std Akurasi<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="">

Saat menerapkan dan mengevaluasi alur kerja yang dilaporkan, kami menghadapi dan menguji masalah ketidakseimbangan data umum, yang telah diselesaikan dengan menggunakan MCC sebagai koefisien perbandingan kinerja dan kurva ROC untuk memilih ambang klasifikasi yang optimal. Hasil yang dilaporkan menunjukkan bahwa pengaturan alur kerja yang diusulkan dapat diandalkan untuk domain yang diselidiki, mendukung praktik klinis untuk membedakan dua kelas glomeruli.

Menganalisis glomeruli yang salah diklasifikasikan, kami juga menemukan bahwa gambar input yang sesuai dengan sampel yang salah diklasifikasikan menunjukkan artefak pewarnaan atau sebagian (kebanyakan di tepi); contoh umum disebutkan pada Gambar.1.Dalam praktik klinis, bagaimanapun, ahli patologi membuang gambar tersebut yang juga dapat dikecualikan dalam alur kerja yang diusulkan dengan merancang strategi untuk mendeteksi gambar sebelumnya yang dipengaruhi oleh masalah tersebut.

Gambar 1 Negatif Palsu salah diklasifikasikan oleh model terbaik

Kesimpulan

Dalam karya yang disajikan, kami mengusulkan seluruh alur kerja untuk klasifikasi glomeruli sklerotik dan non-sklerotik. Beberapa algoritma ekstraksi fitur diperiksa dan dievaluasi, dengan dua tipologi fitur yang dipilih: fitur morfologi dan tekstur. Kami mengumpulkan 150 fitur: 2 fitur morfologis dan 148 fitur tekstur yang telah dihitung menggunakan algoritma mrcLBP dan Haralick. Jumlah fitur kemudian dikurangi menjadi 95 menggunakan PCA. Jaringan saraf tiruan yang divalidasi silang dilatih, dan dataset yang tidak seimbang dan masalah penyetelan jaringan dihadapi. Hasil yang diperoleh meningkatkan state-of-the-art dalam melakukan tugas klasifikasi semacam itu.

Di masa depan, kami akan menyelidiki bagaimana meminimalkan jumlah asumsi empiris dalam proses ekstraksi fitur dan menggabungkan klasifikasi berbobot di antara lipatan; selain itu, analisis fitur akan dilakukan untuk mengidentifikasi yang terbaik.

Selain itu, teknik baru untuk menghadapi masalah ketidakseimbangan dataset dan berdasarkan metode oversampling mungkin diselidiki [20]. Juga menarik untuk mengevaluasi pendekatan pembelajaran mendalam [21-24] dan melakukan perbandingan langsung dengan metodologi yang diusulkan dalam makalah ini. Sebuah studi pendahuluan mengenai berbagai teknik segmentasi semantik pembelajaran mendalam yang diterapkan pada WSI telah dilakukan [25]. Akhirnya, alur kerja yang disajikan akan diintegrasikan ke dalam alat CAD lengkap untukginjalanalisis biopsi.

Metode

Dalam penelitian ini, kami menyajikan kerangka kerja CAD yang memungkinkan klasifikasiglomeruluskondisi menggunakan pendekatan berbasis fitur. Solusi yang diusulkan, yang didasarkan pada pemrosesan gambar dan teknik pembelajaran mesin, telah dirancang untuk secara otomatis memberi label masing-masingglomerulussebagai sklerotik atau non-sklerotik. Sebuah representasi rinci dari alur kerja penuh untuk klasifikasi glomeruli digambarkan pada Gambar. 2. Pipa pengolahan dapat diatur menjadi tiga langkah utama: (i) ekstraksi fitur; (i) pengurangan fitur; (i) klasifikasi.

Gbr. 2 Alur kerja ekstraksi fitur dan klasifikasi lengkap

Deskripsi data

Seluruh Gambar Slide dikumpulkan antara Juli 2011 dan Februari 2015 oleh dokter dari Departemen Darurat dan Transplantasi Organ Rumah Sakit Universitas Bari (Italia). Semuaginjalbiopsi dengan pewarnaan PAS dipindai dengan menggunakan Aperio ScanScope CS pada 20× dengan resolusi 0,50 m/piksel. WSI yang telah dipertimbangkan dalam penelitian ini dikumpulkan dari total 26ginjalbiopsi digital dari 19 donor dan disimpan dalam resolusi penuh dalam format file SVS (format file Aperio yang terdiri dari TIFF ubin piramidal dengan metadata dan kompresi non-standar).

Setiap WSI berisi jumlah bagian biopsi yang berbeda (dari satu hingga tujuh). Seluruh dataset yang digunakan menghitung rata-rata empat bagian biopsi per WSI dan jumlah total 105 bagian. Gambar yang dikumpulkan dari dataset yang digunakan dicirikan oleh perbedaan yang luas dalam hal warna dan saturasi, bahkan jika semuanya telah diperlakukan dengan pewarnaan PAS. Contoh perbedaan saturasi dilaporkan pada Gambar. 3.

Gambar 3 Contoh glomeruli dengan tingkat kejenuhan yang berbeda pada biopsi ginjal pewarnaan PAS

Pembuatan kumpulan data

Semua glomeruli secara manual diidentifikasi dan diberi label oleh dua lulusan medis. Kemudian, seorang ahli patologi ginjal memvalidasi penjelasan akhir. Prosedurnya terdiri dari menguraikan wilayah glomeruli yang sebenarnya dan memberi label masing-masingglomerulussebagai sklerotik atau non-sklerotik dengan menggunakan alat Aperio ImageScope.

Karena variabilitas yang diperkenalkan dengan anotasi manual, setiap wilayah berlabel dikelilingi oleh kotak pembatas persegi panjang dengan faktor perkiraan berlebih 1,1 untuk setiap dimensi. Kemudian, semua daerah glomeruli yang terdeteksi dan diberi label diekstraksi dan digunakan untuk membuat dataset.

Dataset awal yang diperoleh terdiri dari 428 glomeruli sklerotik dan 2344 glomeruli non-sklerotik, dengan rasio antara kedua kelas 1/5,5. Secara rinci, total 2772 glomeruli diberi label dan rata-rata setiap biopsi dan setiap bagian masing-masing berisi 106 dan 26 glomeruli.

Dataset kemudian dibagi menjadi train dan test set. Secara khusus, 20 persen dari dataset asli telah digunakan sebagai set tes, dan informasi dari target set tes telah digunakan untuk menilai kinerja akhir saja. Pemilihan dilakukan secara acak dengan kendala bahwa jika aglomerulusmuncul di set tes, semua glomeruli lain yang termasuk dalam biopsi yang sama harus muncul di set tes, artinya divisi kereta/tes telah dilakukan pada tingkat biopsi. Konfigurasi dataset terbaru dilaporkan pada Tabel 1.

Ekstraksi fitur

Ekstraksi fitur adalah langkah pertama dari alur kerja yang memungkinkan definisi serangkaian karakteristik yang digunakan untuk membedakan antara dua jenis glomeruli yang berbeda. Berdasarkan penalaran manusia yang digunakan oleh dokter untuk mengatasi masalah tersebut, fitur terbaik untuk menghadapi masalah adalah yang terkait dengan dua teknik pemrosesan citra utama: fitur morfologis dan berbasis tekstur.

Seperti yang disarankan oleh ahli patologi yang terlibat dalam penelitian ini, perbedaan utama antara glomeruli sklerotik dan non-sklerotik adalah tentang bentuk kapsul Bowman, dimensi, dan tekstur karena pembuluh darah. Glomeruli non-sklerotik biasanya ditandai dengan bentuk elips dan adanya kapsul Bowman yang dipisahkan dari berkas kapiler dengan mesangium oleh ruang Bowman. Ansambel inti sel (titik biru pada Gambar 4), lumen kapiler (daerah putih pada Gambar 4), dan matriks mesangial (daerah dengan nada suara yang sama dan tingkat kejenuhan yang berbeda pada Gambar 4) menunjukkan tekstur yang biasa disebut "tekstur delima. Glomeruli sklerotik, sebaliknya, dicirikan oleh peningkatan matriks ekstraseluler yang melenyapkan lumen kapiler dan dengan berkurangnya atau tidak adanya ruang Bowman karena bahan kolagen.

Gambar 4 dan 5 melaporkan contoh non-sklerotik dan sklerotikglomerulus, masing-masing. Perlu dicatat bahwa fine-tuning dari algoritma pemrosesan gambar, termasuk nilai parameter dan konfigurasi algoritma telah dilakukan pada rangkaian kereta saja.

Fitur morfologis

Mengenai fitur morfologi, kami telah mempertimbangkan dua fitur yang terkait dengan kapsul Bowman dan ruang Bowman. Fitur pertama dihitung sebagai jumlah area yang terkait dengan kapsul Bowman, area pembuluh darah, dan ruang antar-kapiler yang ditandai dengan warna putih karena pewarnaan PAS. Deteksi topeng yang menggambarkan wilayah didasarkan pada tiga prosedur pemrosesan gambar paralel yang memperhitungkan saluran dari tiga ruang warna yang berbeda: RGB, CMYK, dan Lab. Secara terperinci:

· saluran hijau ruang warna RGB, karena ini adalah yang paling mewakiliglomerulusstruktur;· komplementer magenta dari model warna CMYK telah dipilih karena signifikansi empiris yang dapat dideteksi dari komponen warna ini (Gbr.3,4 dan 5);

· komponen a dan b ruang warna Lab karena hubungannya dengan penglihatan warna manusia.

Contoh penerapan proses pada glomeruli non-sklerotik dan sklerotik dilaporkan masing-masing pada Gambar 6 dan 7.

Ekstraksi topeng untuk saluran hijau dari ruang warna RGB dan untuk saluran magenta dari model warna CMYK mengikuti langkah pemrosesan gambar yang sama:

1. Binarisasi: untuk menjaga piksel yang terkait dengan putih

daerah nilai ambang batas telah secara empiris ditetapkan ke 190 [16];

2. Operator morfologi: untuk membersihkan citra yang diperoleh

dari langkah sebelumnya, telah digunakan erosi, dilatasi, dan penyaringan median dengan disk dengan radius mulai dari l hingga 3 sebagai elemen pembentuk;

3. Kontur aktif: untuk membersihkan bentuk topeng yang diperoleh, algoritma kontur aktif [26] telah digunakan dengan 200 iterasi (jumlah iterasi yang dipilih menghindari pemulusan ekstrim dariglomerulusmembentuk).

Topeng ketiga dihitung dari komponen a dan b ruang warna Lab. Matriks ab telah digunakan sebagai input untuk algoritma pengelompokan k-means [27]. Secara khusus, jumlah cluster secara empiris diatur ke 5, dan jumlah pengulangan proses clustering diatur ke 3 untuk mengatur posisi centroid cluster awal yang berbeda untuk menghindari minimum lokal. Topeng dihitung kemudian dengan mempertahankan hanya piksel-piksel yang termasuk dalam cluster dengan nilai intensitas skala abu-abu rata-rata terbesar. Kemudian langkah 2 dan 3 dari proses segmentasi green-magenta diterapkan.

Akhirnya, tiga topeng telah digunakan untuk menghitung topeng terakhir dengan menggunakan kriteria mayoritas: hanya piksel milik setidaknya dua topeng yang disimpan. Algoritma analisis tekstur yang diperoleh digunakan: Local Binary Pattern (LBP) dan fitur Haralick.

Seperti yang telah diusulkan dalam [13], LBP warna multi-radial (mrcLBP) adalah variasi yang cocok dari LBP klasik untuk menghadapi masalah identifikasi. Secara rinci, ini mempertimbangkan penerapan algoritma LBP ke tiga saluran warna RGB dengan nilai radius yang berbeda (1,3, 9, dan 27) dan dengan invarian terhadap rotasi. Konfigurasi seperti itu diterapkan pada RGB mentahglomerulusgambar-gambar. Fitur yang diperoleh adalah sepuluh untuk setiap radius, sehingga diperoleh jumlah total 120 fitur (10 fitur per radius, 4 radius, tiga saluran).

Kumpulan fitur berbasis tekstur kedua didasarkan pada fitur Haralick. Empat Matriks Co-kejadian Tingkat Abu-abu, satu untuk setiap arah, telah dihitung; kemudian, 14 indeks Haralick dihitung, menghasilkan 56 fitur. Untuk mengurangi angka ini, rata-rata dan rentang di antara empat arah kemudian dihitung. Oleh karena itu, jumlah fitur terakhir adalah 28 (14 rata-rata dan 14 jangkauan, satu untuk setiap fitur Haralick). Sebagai hasil dari ekstraksi fitur tekstur, total 148 fitur dihitung.

Fitur pra-pemrosesan

Seperti dijelaskan di atas, proses ekstraksi fitur menghasilkan 150 fitur yang mempertimbangkan karakteristik morfologi dan tekstur glomeruli. Principal Component Analysis (PCA) diaplikasikan sebagai algoritma reduksi fitur untuk mengurangi korelasi antar fitur yang berbeda yang akan digunakan sebagai input pada langkah klasifikasi. Sebelum PCA, setiap fitur dinormalisasi Z-score.

Seperti yang dinyatakan sebelumnya, fine-tuning pengolahan citra dan algoritma klasifikasi telah dilakukan hanya pada rangkaian kereta. Algoritma pengurangan fitur, sebaliknya, tidak membutuhkan atau menggunakan informasi label. Oleh karena itu, penerapan PCA dapat dijalankan pada seluruh dataset atau hanya pada dataset pelatihan, dengan kelebihan dan kekurangan yang berbeda. Kedua solusi diterapkan pada dataset, dan karena kompleksitas masalah klasifikasi, 99,9 persen varians telah dipilih sebagai nilai ambang. Akhirnya, 95 dan 93 fitur diperoleh ketika PCA masing-masing telah diterapkan ke seluruh dataset dan train set saja. Karena kedua pendekatan menghasilkan jumlah fitur yang serupa, kami telah memilih untuk memperhitungkan semua informasi di dalam kumpulan data, sehingga jumlah fitur yang dipertimbangkan untuk fase klasifikasi adalah 95.

Klasifikasi glomerulus

Langkah-langkah klasifikasi glomeruli didasarkan pada JST dan secara khusus pada arsitektur JST dangkal. Desain arsitektur JST dan penyetelan parameternya diambil dengan mempertimbangkan rangkaian rangkaian saja, sedangkan semua hasil yang dilaporkan dan diskusi kinerja mengacu pada rangkaian pengujian (lihat Hasil dan Pembahasan). K-fold (k disetel ke 10) digunakan sebagai teknik validasi silang untuk menggeneralisasi, menghindari overfitting, dan mendapatkan pengklasifikasi yang independen dari kumpulan data input tertentu. Beberapa inisialisasi jaringan untuk setiap lipatan dan pemungutan suara keras di antara lipatan digunakan baik untuk memperoleh independensi dari inisialisasi jaringan tertentu dan untuk menghitung label kelas lipatan keseluruhan.

Parameter pelatihan tetap adalah sebagai berikut: satu lapisan tersembunyi, transit, dan softmax sebagai fungsi aktivasi untuk lapisan tersembunyi dan lapisan keluaran, masing-masing; cross-entropy sebagai fungsi kerugian; gradien konjugasi skala sebagai algoritma backpropagation. Kriteria penghentian awal pelatihan, berdasarkan set validasi, diterapkan untuk mempromosikan generalisasi dan untuk menghindari over-fitting; kriteria berhenti terjadi jika kinerja pada set validasi tidak menurun di dalam jendela geser 6 zaman.

Jumlah neuron dari lapisan tersembunyi telah dipilih sebagai berikut. Kinerja 95 jaringan dibandingkan. Secara rinci, beberapa jaringan dengan ukuran lapisan tersembunyi mulai dari 1 hingga 95 dilatih (perlu diingat bahwa 95 adalah jumlah fitur input). Di antara 95 topologi yang dievaluasi, satu dengan ukuran lapisan tersembunyi sama dengan 27 telah dipilih berdasarkan nilai PKS terbaik yang dihitung sebagai PKS rata-rata lipatan. Sebuah representasi grafis dari tren PKS dan indeks akurasi ditunjukkan pada Gambar.10; konfigurasi Jaringan Syaraf Tiruan akhir dirangkum dalam Tabel 6.

Masalah set data yang tidak seimbang

Seperti dilaporkan di atas, set pelatihan dipengaruhi oleh distribusi yang sangat tidak seimbang antara glomeruli sklerotik dan non-sklerotik (5,5 glomeruli non-sklerotik untuk setiap glomeruli sklerotik dan non-sklerotik).glomerulus). Untuk menghindari overfitting dalam fase pelatihan, augmentasi data tidak dianggap sebagai solusi yang sesuai karena fitur yang dipilih tidak berubah terhadap transformasi gambar utama. Oleh karena itu, kami mempertimbangkan pendekatan berikut.

Pertama, kami telah mempertimbangkan penggunaan PKS sebagai perbandingan kinerja umum di antara lipatan. Seperti yang dilaporkan dalam Persamaan. 4, PKS memperhitungkan negatif palsu dan positif palsu serta menghitung koefisien korelasi antara kelas yang diprediksi dan target. Koefisien ini dapat berkisar dalam interval [-1;1], di mana 1 menunjukkan prediksi sempurna,-1 ketidaksepakatan lengkap, dan 0 setara dengan prediktor acak. Seperti yang dinyatakan dalam [28], di antara skor kinerja biasa, PKS adalah satu-satunya yang memperhitungkan rasio ukuran matriks konfusi, dan dinyatakan sebagai indeks kinerja yang lebih baik daripada akurasi atau skor F1 pada kumpulan data yang tidak seimbang.

Mengenai pemilihan nilai ambang klasifikasi yang benar, kurva Receiving Operating Characteristic (ROC) telah digunakan. Dua pendekatan dianalisis. Yang pertama (Pendekatan A) mengasumsikan nilai optimal sebagai titik perpotongan pertama antara kurva ROC dan garis dengan kemiringan yang sama dengan rasio antara jumlah total sampel negatif dan positif dan geser dari sudut kiri atas Plot ROC((FPR, TPR)=(0,1)). Sedangkan, pendekatan kedua (Pendekatan B)[29] mengevaluasi titik jarak minimum (lihat Persamaan.5) dari titik (0,1) dari ROCplot.

Perbandingan dua metode (Pendekatan A dan Pendekatan B) dalam hal indeks kinerja yang berbeda (Persamaan 1, 2,3, dan 4) dilaporkan pada Tabel 7. Karena dalam domain medis, prediksi yang benar dari positif ke penyakit lebih penting daripada prediksi negatif, daya ingat yang lebih tinggi lebih disukai, sehingga Pendekatan B dipilih.

Referensi

1. Neuen BL, Chadban SJ, Demaio AR, Johnson DW, Perkovic V.Penyakit ginjal kronisdan agenda PTM global.BMJ Global Health.2017.

2. Wang H, Naghavi M, Allen C, Barber RM, Carter A, Casey DC, dkk. Harapan hidup global, regional, dan nasional, semua penyebab kematian, dan kematian penyebab spesifik untuk 249 penyebab kematian, 1980-2015:analisis asistematis untuk Global Burden of Disease Study 2015.The Lancet. 2016;6:66.

3. Wolfe RA, AshbyVB, Milford EL, Ojo AO, Ettenger RE, Agodoa LYC, dkk. Perbandingan kematian pada semua pasien dialisis, pasien dialisis menunggu transplantasi, dan penerima transplantasi kadaver pertama. N Engl J Med.2002;6:66.

4. Port FK, Wolfe RA, Mauger EA, Berling DP, Jiang K. Perbandingan probabilitas kelangsungan hidup untuk pasien dialisis vs penerima transplantasi ginjal kadaver. J Am Med Assoc. 1993;6:66.

5. Liyanage, NinomiyaTJha V, Neal B, Patrice HM, Okpechil, dkk. Word-5.[akses luas ke pengobatan untukpenyakit ginjal stadium akhir: tinjauan sistematis. The Lancet.2015;666.

6. Cecka JM. Pendaftaran transplantasi ginjal ilmiah UNOS-sepuluh tahunginjaltransplantasi. Klin Transpl. 19976:66.

7. Jaringan Bersatu untuk Berbagi Organ. Laporan Tahunan 2004

8. Perico N, Ruggenenti P, Scalamogna M, Remuzzi G.Mengatasi kelangkaan donorginjal: bagaimana menggunakan yang terbaik yang kita miliki.Am J Nephrol. 2003;6:66.

9. Moore PS, Farney AC, Sundberg AK, Rohr MS, Hartmann EL, Iskandar SS, dkk.Transplantasi ginjal ganda: perbandingan kasus-kontrol dengantransplantasi ginjal tunggaldari donor standar dan kriteria yang diperluas.Transplantasi. 2007;6:66.

10. RemuzziG, GrinyoJ, Ruggenenti P Bertini M, Cole EH, Milford EL, dkk. Pengalaman awal dengantransplantasi ginjal gandapada orang dewasa menggunakan kriteria donor yang diperluasTransplantasi ginjalGrup (DKG.JAm Soc Nephrol. 1999;6:66.