Аутоматска семантичка сегментација циста бубрега на МР сликама пацијената погођених аутозомно доминантном полицистичном болешћу бубрега

Контакт: Аудреи Ху Вхатсапп/хп: 0086 13880143964 Е-пошта:audrey.hu@wecistanche.com

Тимотхи Л. Клине^1,2· Марие Е. Едвардс²· Јеффреи Фетзер¹· Адриана В. Грегори²· Деема Анаам¹· Андрев Ј. Метзгер²· Брадлеи Ј. Ерицксон¹

Апстрактан

СврхаЗа пацијенте са аутозомно доминантним полицистичнимбубрегаболест(АДПКД), успешна диференцијација циста је корисна за аутоматску класификацију фенотипова пацијената, клиничко доношење одлука и прогресију болести. Циљ је био да се развије и процени потпуно аутоматизован метод семантичке сегментације за диференцирање и анализу бубрежних циста код пацијената са АДПКД.

Методе Аутоматизовани приступ дубоког учења који користи конволуциону неуронску мрежу је обучен, потврђен и тестиран на сету од 60 МР Т2-пондерисаних слика. Троструки приступ унакрсној валидацији је коришћен за обуку три модела на различитим скуповима за обуку и валидацију (н=40). Модел ансамбла је затим направљен и тестиран на случајевима задржавања (н=20), при чему је сваки од случајева упоређен са ручним сегментацијама које су извршила два читача. Оцењен је споразум о сегментацији између читача и аутоматизоване методе.

РезултатиУтврђено је да аутоматизовани приступ делује на нивоу варијабилности међу посматрачима. Аутоматски приступ је имао коефицијент Дице (средња вредност ± стандардна девијација) од {{0}}.86 ± 0.10 у односу на Реадер-1 и {{10}}.84 ± {{20}}.11 у односу на Реадер-2. Интеробсервер Дице је био 0.86 ± 0,08. У погледу укупног волумена цисте (ТЦВ), аутоматизовани приступ је имао процентуалне разлике од 3,9 ± 19,1 процената у односу на Реадер-1 и 8,0 ± 24,1 процената у односу на Реадер-2, док је варијабилност међу посматрачима била − 2,0 ± 16,4 проценат .

Закључак Ова студија је развила и потврдила потпуно аутоматизован приступ за обављање семантичке сегментацијебубрегацисте на МР сликама пацијената захваћених АДПКД. Овај приступ ће бити користан за истраживање додатних биомаркера за снимање АДПКД и аутоматско класификовање фенотипова.

Кључне речиАутозомно-доминантни полицистичнибубрегаболест· Семантичка сегментација цисте · Дубоко учење · Магнетна резонанца

Цистанцхе десертицола користи: спречавабубрегаболест

Увод

Аутозомно-доминантни полицистичнибубрегаболест(АДПКД) је најчешћа наследна бубрежна болест, која погађа око 12 милиона људи широм света, и тренутно је четврти водећи узрок затајења бубрега [1, 2]. Његова патологија је таква да континуирани раст циста изазива прогресивно повећање укупног бројабубрегазапремине (ТКВ). Типичан пацијент са АДПКД показује прогресивно смањење бубрежне функције и отприлике 70 процената напредује у завршну бубрежну болест између 40. и 70. године [3, 4].

У бројним студијама се показало да је ТКВ користан предиктор прогресије АДПКД [5–7]. Слично томе, способност да се разграничи и измери цистично оптерећење додатно доприноси нашем знању о прогресији болести, структури и генотипским варијацијама. Добро је познато да су развој и раст циста у снажној корелацији са падом функције бубрега [6, 8]. Поред тога, показало се да постоји директна корелација између раста ТКВ и раста цисте; међутим, брзина којом цисте расту и настају нове цисте зависи од сваког појединца [9]. Штавише, лонгитудиналне студије су откриле да током времена пацијенти са АДПКД доживљавају повећање ТКВ и запремине цисте и смањење укупне запремине паренхима што сугерише да нецистичнабубрегаткивасе замењује са више циста и цистама које се стално увећавају [10]. Занимљиво је да раст цисте и цистични индекс (однос запремине цисте и ТКВ) значајно варирају између ПКД1 и ПКД2 генотипова, пошто пацијенти унутар популације ПКД1 имају тенденцију да развију цисте раније [11, 12]. Додатна анализа цистичног оптерећења и раста има потенцијал да информише о трендовима болести и терапијским стратегијама.

Како се појављују нови биомаркери за снимање, научници траже брзе и ефикасне методе за изолацију цистичних и нецистичнихбубрегарегиона за дубљу, квантитативну анализу својстава ткива [13, 14]. У прошлости, региони цисте и бубрега су сегментирани ручно, што је веома радно интензивно и субјективно [15]. Предложени су различити полуаутоматизовани приступи сегментацији цисте користећи праг на основу интензитета као иницијализацију [16, 17], као и класичне технике машинског учења као што је груписање к-средњих вредности [18], методе контуре [19] и претходна вероватноћа облика карте [20]. Међутим, потпуно аутоматизовани приступ дубоког учења који користи неуронске мреже има потенцијал да реши аналитичара слике досаде ручног праћења и обезбеди поновљиве и робусне прорачуне и сегментације запремине. Дубоко учење је јединствено за горе поменуте методе сегментације по томе што је модел способан да „научи“ важне карактеристике слике из уноса података који му омогућавају да изврши свој крајњи задатак сегментације. Кроз обуку, модел је способан да детектује обрасце, интензитет пиксела и информације о облику које људском оку можда није лако открити.

Конволуционе неуронске мреже (ЦНН) које почињу са смањењем просторне резолуције праћене обнављањем резолуције су одличне у задацима сегментације медицинске слике на нивоу пиксела/воксела због њихове јединствене архитектуре. Укратко, први део за сажимање је серија конволуционих слојева и слојева који смањују резолуцију који се користе за смањење сложености слике, а други део за проширење је у суштини слика у огледалу прве путање која се користи за комбиновање карактеристика и просторних информација. У-Нет архитектура [21] је једна таква мрежа која је значајно искоришћена у анализи медицинске слике за решавање задатака сегментације. Посебна предност ове архитектуре је да не захтева велики скуп за обуку у поређењу са другим мрежама и даје веома прецизне резултате сегментације.

У овој студији користимо скуп података МР слика ПКДбубрезиса траговима циста два читаоца који служе као темељна истина. Развија се аутоматизовани приступ (модификована архитектура типа У-Нет), а модел ансамбла је успостављен и тестиран на тест скупу података. Модел дубоке неуронске мреже описан у овој студији омогућава семантичку сегментацијубубрегацисте за одређивање укупног волумена цисте (ТЦВ) и може се показати корисним за даљу процену фенотипова болести.

бенефиције цистанцхе туболоса

материјали и методе

Подаци МР слике

Ова ретроспективна студија добила је одобрење од институционалног одбора за преглед на хттпс://гитхуб.цом/ТЛКлине/ АутоКиднеиЦист. МР скенови 60 јединствених пацијената са АДПКД различитог степена озбиљности су узети из наше базе података ПКД слика. У овој анализи су коришћени Т2-скенери са пондерисаним мастима (Н=42) и без засићених мастима (Н=18). МР слике су биле короналне Т2 секвенце брзог спин-еха (ССФСЕ), добијене ГЕ скенером, са величином матрице 256 × 256кЗ (са З довољно великим да покрије пун опсег бубрега унутар снимљеног волумена). Величине воксела слике биле су реда величине 1,5 мм у равни са типичном дебљином пресека од 3,0 мм.

Ручне сегментације

Праћење бубрега и цисте ручно су извршила два аналитичара слика (хттпс://гитхуб.цом/ТЛКлине/АутоК иднеиЦист) са дугогодишњим искуством у извођењу ових праћења. Скуп за обуку/валидацију пратио је један читач, а тестни сет су пратили оба да би се проценила варијабилност међу посматрачима. Протокол анализе слике искључује бубрежну карлицу и васкуларне структуре. Из трагова, ТКВ и ТЦВ су израчунати као број воксела помножен запремином воксела. Сваки аналитичар је био слеп за трагове другог. Ови трагови су извезени као НИфТИ датотеке.

Стратификација података

Од ТКВ сегментација које су генерисане за свако скенирање, скенирања су сортиране у 40 случајева обуке/валидације и 20 случајева за скуп тестова за задржавање. Скуп података за обуку/валидацију имао је 28 случајева засићених мастима и 12 случајева засићених мастима (70 процената засићених мастима). Сет тестова за задржавање имао је 14 случајева засићених мастима и 6 случајева засићених мастима (70 процената засићених мастима).

Претходна обрада

Модел је обучен као двоканални приступ са резом МР слике као једним каналом, а сегментацијом бубрега као другим. Имајте на уму да са овим двоканалним приступом, неуронска мрежа учи да идентификује само цисте унутар бубрега. Слике су промењене на величину матрице од 256 × 256 коришћењем интер-кубичне интерполације за МР слике и интерполације најближег суседа за маске сегментације бубрега и цисте. Интензитет сваког МР скенирања је прво нормализован тако да сви имају исти 95. перцентилни ниво, а затим је примењена стандардна скаларна нормализација (нула средња вредност, јединична стандардна девијација).

Модел семантичке сегментације

Архитектура мреже је била слична нашим претходним радовима [22, 23]. Блокови конволуције се састоје од 2Д конволуција, након чега следи испадање (испуштање=0.1), нормализација серије, 2Д конволуције и максимално обједињавање (величина групе=2 ×2). Слојеви веће резолуције имају већа језгра (иду од 7 × 7 до 5 × 5 до 3 × 3 у блоковима низ путању кодера, и обрнуто према путањи декодера) како би научили веће и сложеније типове филтера. Прескочне везе су имплементиране као адитивни слојеви (слично Реснету [24]). Оптимизатор је Адам [25] са почетном стопом учења од 1е-3 и распадом од 1е-5. метрика губитка је метрика сличности коцкица. Модел се обучава за 200 епоха са величином серије=8 и модел са најбољом мером валидације се чува током процеса обуке. Модел је имплементиран у Керасу са ТенсорФлов-ом као позадином. Модел је обучен на Нвидиа Тесла П40 ГПУ (24 ГБ меморије). Улаз за модел је двоканална матрица (256×256×2). Први канал је пресек МР слике, а други је одговарајућа маска бубрега. Излаз је предвиђање за сегментацију цисте. Укупно, три модела су обучена на три различита преклопа за обуку/валидацију, а затим је направљен збирни модел већинског гласања који је примењен на скуп тестова задржавања. Код је доступан на:

Евалуација

Као што је описано у одељку о моделима, скуп за обуку/валидацију је подељен у три дела да би се тренирао на различитим подскуповима података. За сваки део, криве обуке и валидације су генерисане током процеса учења и најбољи модел из сваког прелома је сачуван. Модел већинског ансамбла је затим генерисан и примењен на скуп података теста задржавања. Поређење запремине цисте и индекса цисте извршено је линеарном регресијом, а цистични индекс је такође процењен Бланд–Алтман анализом како би се проценила пристрасност и прецизност мерења. Поред тога, направљени су визуелни слојеви за квалитативну процену аутоматизоване методе, а метрике сличности су генерисане за квантитативну процену. У сваком случају, две сегментације читача су упоређене како би се проценила варијабилност међу посматрачима, а аутоматизовани приступ је упоређен појединачно за сваког читаоца.

Предности пустињске цистанче: побољшавају функцију бубрега

Резултати

Није било значајне разлике између скупова података за обуку, валидацију и тестирање у смислу озбиљности болести (тј. ТКВ). Приказане на слици 1 су расподеле запремине визуелизоване као дијаграми густине језгра. Они су приказани за три набора, као и укупна дистрибуција између обуке/валидације и скупа тестова. Ова укупна дистрибуција је репрезентативна за велики степен варијабилности уочен у популацији пацијената са АДПКД.

Аутоматизована метода је имала сличан тренинг перформанси на три различита прегиба. Слика 2 приказује криве учења за три различита прелома, укључујући и обуку и валидацију Дице вредности током тренинга модела. Тежине модела се ажурирају на скупу за обуку и процењују на крају сваке епохе на посебном скупу за валидацију. Модел са најбољим перформансама валидације се чува током процеса обуке и користи се за развој коначног модела ансамбла.

Аутоматски приступ је био одличан у прецизном сегментирању циста. Приказано на сл. 3 и 4 су поређења линеарне регресије за варијабилност међу посматрачима, аутоматизовану методу у односу на читач-1 и аутоматизовану методу у односу на читач-2 за запремину цисте (слика 3), као и индекс цисте (слика 4). Поред тога, аутоматизована метода је била на сличном нивоу као код људских читача. На слици 5 приказана су Бланд-Алтманова поређења за цистични индекс. Имајте на уму да пацијенти обухватају широк спектар тежине болести, од случајева са врло мало циста, до случајева у којима ће се паренхима бубрега скоро потпуно заменити цистама. Цистични индекс се кретао од ~ 0 до > 90 процената.

Визуелно је постојала изузетна сагласност између приступа аутоматизоване сегментације и ручних читача. Слика 6 приказује визуелна поређења за један од бољих случајева (горњи ред, коцка=0.98), најгори случај (средњи ред, коцкица=0.50) и просечан случај (доњи ред , коцкица=0.86).

Уопштено говорећи, аутоматизовани приступ није се могао разликовати од варијабилности коју су видела два различита читаоца који су вршили праћење. У табели 1 приказана је статистика сличности која упоређује варијабилност међупосматрача са оном добијеном између аутоматског приступа и Реадер-а-1, као и аутоматског приступа и Реадер-а-2.

екстракт цистанцхе туболоса: актеозид

Дискусија

Дубоко учење у области вештачке интелигенције пружило је научницима безброј алата за ефикасну и темељну процену података, посебно у анализи медицинске слике. Алгоритам развијен у овој студији прецизно је сегментирао бубрежне цисте из ткива бубрега без интервенције корисника. Пре овог модела, приступи разграничавању цистичних структура из ткива органа примењивали су полуаутоматизоване технике прага засноване на интензитету [16, 17, 20]. Једно ограничење приступа заснованог на интензитету је то што, за разлику од ЦТ, вредности МР пиксела могу драстично да варирају између аквизиција, па чак и између пресека у оквиру једне аквизиције, што захтева опсежне технике предобраде да би се подаци на одговарајући начин нормализовали [26]. Штавише, ова техника прага заснованог на интензитету ће у потпуности пропустити сложене цисте које имају нижи интензитет сигнала [16].

Модел представљен у овој студији постигао је средњу Дице скор од 85 процената за сегментацију циста, овај резултат је упоредив са другим најсавременијим техникама примењеним за сегментацију органа. У АДПКД, сви аутоматизовани приступи који користе дубоко учење о којима се говори у литератури фокусирани су на задатак сегментације органа, углавном за сегментацију бубрега. Неки од ових приступа укључују прилагођену ВГГ-16 мрежу коју имплементирају Схарма ет. ал [27] да сегментира бубреге на ЦТ снимцима. Просечна оцена Дице из ове студије је била 86 процената. Кесхвани ет. ал, [28] на сличан начин користио ЦТ скенирање за предвиђање сегментације бубрега, имплементирана је 3Д конволуциона неуронска мрежа са више задатака која је постигла средњу Дице скор од 95 процената. Му ет ал. [29], с друге стране, користио је МР слике да аутоматски генерише сегментацију бубрега користећи В-Нет модел, а пријављени Дице резултат је био 95 процената.

Аутоматски приступ је веома близу упоређен са ручним праћењем у свим метрикама. У смислу линеарних регресија, аутоматизовани приступ је веома близу упоређен са оба читаоца. Поред тога, цистични индекс је имао сличну пристрасност и прецизност као код људи. Већа прецизност се вероватно дугује чињеници да ће аутоматизовани приступ бити доследнији од људског читача. Утврђено је да је највећа разлика виђена у Хаусдорф растојању, што може бити резултат неких мањих лажних позитивних резултата који би се вероватно могли решити једноставном накнадном обрадом (нпр. множењем излаза маске за сегментацију цисте модела са маском бубрега ). Поред тога, визуелни договор је био невероватно јак. Најгори случај, у смислу метрике сличности, био је за веома благу презентацију болести. У овом случају, људски читач може брзо да пружи процену квалитета како би се финализовала сегментација цисте. Генерално, приступ прецизно сегментира цисте широког спектра величина. У овој студији, цисте су измерене до ~ 3-5 мм. Ово је ограничено резолуцијом реконструисане слике, која је у равни реда реда ~ 1,5 мм. Поред тога, највећа циста је имала пречник од 118 мм.

Могућност да се аутоматски процени цистично оптерећење отвара врата ретроспективним студијама применом технике представљене овде. Претходне студије су примењивале основне приступе за процену цистичног оптерећења и показале су обећавајућу информативну вредност ових параметара добијених на слици. Претходне краткорочне студије су показале да је толваптан смањио запремину цисте код лечених пацијената са АДПКД када је запремина цисте мерена на малој кохорти [30]. Даљу анализу треба завршити да би се проценило да ли се ови ефекти настављају током дуготрајне примене лека. Аутоматизована метода представљена у овој студији омогућиће брзу и лаку анализу већег скупа података. Праћење раста цисте такође може дати информације о специфичним генотиповима. Једна студија је открила да пацијенти са ПКД1 имају већи број циста од пацијената са ПКД2. Тачније, пацијенти са ПКД1 напредују брже јер се више циста развија рано, а не зато што брже расту [11].

Једно од ограничења ове студије је да је процењивала релативно малу кохорту (н=60). Међутим, генерисање сегментација цисте по златном стандарду трајало је до 8 сати у зависности од тежине болести. Због овог ограничења, развили смо ову конкретну кохорту да обухвати пун опсег фенотипских презентација болести, од бубрега састављених од неколико циста (цистични индекс=0.5 процената) до бубрега са бубрежним паренхимом скоро у потпуности замењеним цисте (цистични индекс=90 процената). Успостављање методе за процену цистичког оптерећења у пуном обиму фенотипова болести учиниће овај приступ снажно генерализујућим. Још једно ограничење је то што не откривамо микроскопске цисте испод резолуције слике. Међутим, ове микроцисте доприносе релативно малом укупном волумену цисте [31]

Будуће студије могу проценити веће кохорте, а могу се истражити аутоматизоване методе за сегментирање и разликовање појединачних циста. Ово ће олакшати аутоматско пребројавање броја циста и процену дистрибуције величине цисте. Ово такође може омогућити аутоматску класификацију типичних од атипичних пацијената, што даје информације о ризику од прогресије и вероватноћи да ће терапије лековима имати користи. Већина критеријума који одвајају атипичне од типичних случајева ослањају се на индекс цисте, број и величину. На пример, пацијент се сматра атипичним ако мање од или једнако 5 циста чини већи или једнак 50 процената ТКВ и постоји блага замена бубрежног ткива од циста [32]. Алат који то аутоматски израчунава омогућио би изузетно брзе и објективне класификације током критичне фазе уписа на студије.

Структура и састав цисте се такође сматрају веома информативним када се процењује АДПКД. Када се цистични региони разграниче од бубрежног паренхима, може се извршити даља анализа на основу интензитета и/или текстуре да би се одредио проценат или дистрибуција сложених циста. Типично, ове сложене цисте карактеришу „тамнији“ интензитети на Т2-пондерисаним МР сликама. Наизглед, здраво ткиво паренхима може се анализирати на сличан начин након изоловања из већих циста. Други приступ ће бити укључивање вишеструких аквизиција слика (нпр. комбиновање Т1- и Т2-пондерисаних МР слика) како би се помогло не само у сегментацији циста већ и да би се помогло у њиховој класификацији. Проширење на друге модалитете снимања (нпр. ЦТ) и органа (нпр. јетра) ће такође бити важно да би се обезбедила свеобухватна карактеризација ПКД фенотипа и извођење великих студија где су помешани подаци о слици (нпр. ултразвук, компјутерска томографија и/ или магнетна резонанца) доступни су за различите пацијенте, а присутне су и ванбубрежне манифестације (нпр. ПЛД).

Закључци

Развили смо потпуно аутоматизовани метод за семантичку сегментацију циста бубрега са МР слика пацијената захваћених АДПКД. Метода је у рангу са људским читаоцима и биће корисна у будућим ретроспективним и проспективним студијама за процену фенотипова пацијената и укупног цистичког оптерећења.

Референце

1. ПА Габов, "Аутозомно доминантна болест полицистичних бубрега", Н Енгл Ј Мед, вол. 329, бр. 5, стр. 332-42, 29. јул 1993.

2. ПЦ Харрис и ВЕ Торрес, "Полицистична болест бубрега", Анну Рев Мед, вол. 60, стр. 321-37, 2009

3. АБ Цхапман ет ал., "Аутосомно-доминантна болест полицистичних бубрега (АДПКД): резиме са Конференције о болестима бубрега: побољшање глобалних исхода (КДИГО)," Киднеи Инт, вол. 88, бр.

4. ЕМ Спитховен и сарадници, „Терапија замене бубрега за аутозомно доминантну болест полицистичних бубрега (АДПКД) у Европи: преваленција и преживљавање--анализа података из ЕРА-ЕДТА регистра,“ Непхрол Диал Трансплант, вол. 29 Додатак 4, стр. ив15-25, септембар 2014,

5. РД Перроне и сарадници, "Укупни волумен бубрега је прогностички биомаркер опадања бубрежне функције и прогресије до крајње фазе бубрежне болести код пацијената са аутозомно доминантном полицистичном болешћу бубрега", Киднеи Инт Реп, вол. 2, бр. 3, стр. 442-450, мај 2017, ДОИ:

6. АБ Цхапман ет ал., "Вумен бубрега и функционални исходи код аутозомно доминантне полицистичне болести бубрега", Цлин Ј Ам Соц Непхрол, вол. 7, бр. 3, стр. 479-86, мар 2012

7. ЈЈ Грантхам, АБ Цхапман и ВЕ Торрес, "Прогресија волумена код аутосомно доминантне полицистичне болести бубрега: главни фактор који одређује клиничке исходе", Цлин Ј Ам

10. БФ Кинг, ЈЕ Реед, ЕЈ Бергстралх, ПФ Схееди, 2. и 1505-11, август 2000. [Онлине]. Доступно: хттпс://ввв.нцби.нлм.

11. ПЦ Харрис и сарадници, "Број циста, али не и стопа раста цисте је повезана са мутираним геном код аутозомно доминантне полицистичне болести бубрега", Ј Ам Соц Непхрол, вол. 17, бр. 11, стр. 3013-9, новембар 2006, хттпс://дои.орг/10.1681/АСН.2006080835.

12. ЈЈ Грантхам, "Механизми прогресије код аутозомно доминантне полицистичне болести бубрега", Киднеи Инт Суппл, вол. 63, стр. С93-7, децембар 1997. [Онлине]. Доступно: хттпс://ввв.нцби.нлм.них. гов/Пубмед/9407432.

13. ТЛ Клине и сарадници, "Слике текстуре слике предвиђају пад функције бубрега код пацијената са аутозомно доминантном полицистичном болешћу бубрега," Киднеи Инт, вол. 92, бр. 5, стр. 1206-1216, новембар 2017, хттпс://дои.орг/10.1016/ј.кинт.2017.03.02.

14. ТЛ Клине ет ал., "Квантитативни МРИ бубрега код бубрежне болести," Абдом Радиол (НИ), вол. 43, бр. 3, стр. 629-638, мар 2018

15. КТ Бае, ПК Цоммент, и Ј. Лее, "Волуметријско мерење бубрежних циста и паренхима помоћу МРИ: фантоми и пацијенти са полицистичном болешћу бубрега", Ј Цомпут Ассист Томогр, вол. 24, бр. 4, стр. 614-9, јул-авг 2000

16. КТ Бае ет ал., "Нова методологија за процену бубрежних циста код полицистичне болести бубрега", Ам Ј Непхрол, вол. 39, бр. 3, стр. 210- 7, 2014

17. АБ Цхапман и сарадници, "Структура бубрега у раној аутозомно доминантној полицистичној болести бубрега (АДПКД): Конзорцијум за радиолошке студије о болести полицистичних бубрега (ЦРИСП) кохорта," Киднеи Инт, вол. 64, бр. 3, стр. 1035-45, септембар 2003,

18. К. Бае ет ал., "Сегментација појединачних бубрежних циста са МР слика код пацијената са аутозомно доминантном полицистичном болешћу бубрега", Цлин Ј Ам Соц Непхрол, вол. 8, бр. 7, стр. 1089-97, јул 2013, ДОИ: хттпс://дои.орг/10.2215/ЦЈН.10561012.

19. ТЛ Клине, МЕ Едвардс, П. Корфатис, З. Аккус, ВЕ Торрес и БЈ Ерицксон, "Полуаутоматизована сегментација полицистичних бубрега у Т2- пондерисаним МР сликама", АЈР Ам Ј Роентгенол, вол. 207, бр. 3, стр. 605-13, септембар 2016, хттпс://дои.орг/10.2214/ АЈР.15.15875.

20. И. Ким ет ал., "Аутоматизована сегментација јетре и циста јетре са ограничених абдоминалних МР слика код пацијената са аутосомно доминантном полицистичном болешћу бубрега", Пхис Мед Биол, вол. 61, бр. 22, стр. 7864-7880, новембар 21 2016, ДОИ:

цистанцхе здравствене предности: побољшати функцију бубрега