醫學圖像處理技術在腎臟疾病中的診斷價值

阿麗米熱·阿不都熱依木

摘要：評估腎臟功能及結構的準確性對腎臟疾病的診斷和預后至關重要。磁共振成像（MRI）、超聲彈性成像（UE）及計算機斷層掃描（CT）等先進的醫學影像技術能夠無創檢測腎臟結構、功能和分子信息，并提示腎臟組織屬性和功能的變化。目前，人工智能將傳統醫學影像技術轉變為全自動化診斷工具的能力，并對腎臟醫學影像進行定性分析外，紋理分析還與機器學習技術相結合，作為腎組織異質性的定量分析方式，為預測腎臟功能減退提供了輔助診斷依據，有望成為腎功能診斷的一種新方法。本文總結了不同的醫學影像技術用于監測腎臟疾病的研究進展，并討論了紋理分析和人工智能關聯性，以期為臨床腎臟疾病的診斷提供參考。

關鍵詞：圖像處理；腎臟；人工智能

中圖分類號：S941.42+7? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?DOI：10.3969/j.issn.1006-1959.2024.04.036

文章編號：11006-1959（2024）04-0183-05

The Diagnostic Value of Medical Image Processing Technology in Kidney Disease

Almira·Abduriyim

（Health Management Center of Xinjiang Medical University，Urumqi 830011，Xinjiang，China）

Abstract：Evaluating the accuracy of renal function and structure is essential for the diagnosis and prognosis of renal diseases. Advanced medical imaging techniques such as magnetic resonance imaging （MRI）， ultrasound elastography （UE）， and computed tomography （CT） can noninvasively detect renal structure， function， and molecular information， and suggest changes in renal tissue properties and functions. At present， artificial intelligence has the ability to transform traditional medical imaging technology into a fully automated diagnostic tool. In addition to the qualitative analysis of renal medical images， texture analysis is also combined with machine learning technology as a quantitative analysis method of renal tissue heterogeneity. It provides an auxiliary diagnostic basis for predicting renal dysfunction and is expected to become a new method for the diagnosis of renal function. This paper summarizes the research progress of different medical imaging techniques for monitoring renal diseases， and discusses the correlation between texture analysis and artificial intelligence， in order to provide reference for the diagnosis of clinical renal diseases.

Key words：Image processing;Kidney;Artificial intelligence

近20年來，醫學圖像處理已成為醫學技術中發展最快的領域之一，其結果使臨床醫生對人體內部病變部位的觀察更直接、更清晰，確診率也更高。20世紀70年代初，CT的發明曾引發了醫學影像領域的一場革命，與此同時，核磁共振成像MRI、超聲成像、數字射線照相術、發射型計算機成像和核素成像等也逐步發展。早期診斷和預測慢性腎臟病、腎結石及腎腫瘤等，可以降低疾病治療成本，減緩腎臟損害的進展，避免發生不可接受的后果[1]。人工智能技術的飛躍性發展，特別是深度學習方法以及硬件算力的進步，極大地推動了人工智能在生物醫學領域、腎臟病學領域的發展。人工智能可以預測急性腎損傷的發生，識別慢性腎臟病的發生[2]，亦可在腎臟病理的研究中輔助分析、預后預測和輔助決策?；诖?，本文對醫學圖像處理技術中的圖像分割、紋理分析、圖像配準和圖像融合技術的現狀及其發展進行綜述，以期為其在慢性腎臟疾病中的應用提供參考依據。

1慢性腎臟病

慢性腎臟?。╟hronic kidney disease，CKD）定義為腎臟結構或功能異常。2012年一項納入47 204例成人的大型橫斷面研究表明[1]，我國CKD的患病率為10.8%。目前，慢性腎臟病仍然是一個廣泛存在且較為主要的公共衛生問題，困擾著全球超過12%的人口。它的特點是腎功能進行性且不可逆轉的惡化，并伴有低腎小球濾過率（glomerular filtration rate，GFR），最終導致終末期腎病。此時腎臟完全受損，無法正常過濾血液，需要進行腎臟透析或移植[3]。評價腎功能的常用方法是根據血清肌酸水平（SCr）估算EGFR，或者通過組織活檢，進行組織病理學分析。雖然活檢是評估腎臟微結構和量化腎功能障礙原因的金標準，但它也存在以下缺點。首先，侵襲性手術與出血和患者可能的疼痛有關，因此影響了后續評估。其次，活組織檢查受限于采樣偏差，因為它對通常不包括髓質的腎臟中不到1%的組織進行采樣，所以它在空間分辨率方面是有限的[4]。

MRI具有評估腎臟微結構的組織、擴散、灌注和氧合的潛力，還提供了測量腎臟血流動力學、量化組織松弛時間、大分子和彈性以及表征腎組織代謝物的能力。超聲彈性成像（UE）能夠識別有關組織機械特性的結構信息。計算機斷層掃描（computed tomography，CT）可以提供解剖和功能信息，但僅限于X射線和造影劑注射。核素掃描結合了使用放射性示蹤劑的功能和血流灌注測量。醫學影像技術在評估腎功能方面無疑是一種很有前途及潛力的醫學診斷方式。紋理是從數學計算方程中獲得的，它研究灰度級像素的空間排列，并顯示它們之間的關系，這些關系通常是人眼無法看到的?？紤]到腎臟的結構和腎臟疾病對功能標記物分布的影響，紋理分析有可能反映組織病理學的異質性[5]。將紋理分析引入傳統的機器學習方法，通過提供可用于診斷和預測腎功能障礙的額外的數值描述符，擴展了醫學成像能力。

以細胞外基質沉積為特征的腎纖維化在慢性腎臟病的發生發展中起著關鍵作用[6]。由于組織細胞的參與，水分子在組織內的流動性是降低的。因此，水擴散可以反映組織的微觀結構。擴散加權成像（diffusion weighted imaging，DWI）是一種磁共振成像方法，它將水分子的運動作為對比，提供水擴散或布朗運動的活體測量，使用強大的雙極磁梯度，以創建接收信號對水運動的敏感性，從而描述組織限制水的方式[4]。表觀擴散系數（apparent diffusion coefficient，ADC）是一個DWI生物標記物，對應于組織內水擴散和微循環的總體測量[4]。體素內非相干運動（the intra-voxel incoherent motion，IVIM）模型是由Le Bihan D等[7]提出的，為了區分毛細血管網絡中血流引起的真擴散或分子水擴散與假擴散或灌流，IVIM得到的參數是與血管外水分子運動或純擴散有關的真擴散（D*）、與血管內水分子運動或灌流有關的偽擴散（D*）以及流動分數（F*）。

DWI已被報道為糖尿病腎臟病情變化的良好預測指標[8]，以及監測移植后腎功能的可靠技術[9]。幾項研究已經表明[9-11]，在動物模型中，DWI作為一種很有前途的成像技術，用于評估腎臟纖維化具有潛在的應用前景。當與腎功能相關時，DWI參數隨腎損害程度的加重而降低（反映為EGFR的降低），而纖維化程度的增加與ADC的降低之間存在很強的相關性。這些參數的降低可以歸因于灌注的減少、限制水分的間質纖維化的存在以及血管的減少[14]。此外，皮質和髓質DWI參數之間的差異與纖維化的百分比呈良好的負相關[15]。ADC在正常對照組、輕度損害組、中度損害組和重度損害組之間有顯著差異，但當按病理類型（微小病變腎小球腎炎、局灶節段性增生性腎小球腎炎、膜性腎病、系膜增殖性腎小球腎炎、腎小球硬化和新月體腎炎）進行分類時，則不同。這可以參考這樣一個事實，即不同的CKD病理類型具有相似的致病特征，導致ADC下降[16]。然而，ADC值因為沒有能力區分健康CKD和Ⅰ期CKD，因此無法早期診斷CKD。在一項研究中提到了與血流灌注相關的D*，該研究表明腎損害伴隨著血流灌注量的減少，IVIM圖應該比ADC圖能更早期發現腎功能障礙[17]。另一方面，使用ADC檢測腎損害的性能好于IVIM參數[12，13，15]。與無糖尿腎病患者相比平均ADC值顯著降低。而糖尿病腎病是導致腎功能衰竭的主要原因之一。

最近，彌散加權成像被證明有希望區分健康兒童和CKD兒童[腎小球腎炎、溶血性尿毒癥綜合征、狼瘡性腎炎（lupus nephritis，LN）、腎小球硬化和嬰兒腎病是CKD的主要原因[18]。ADC與CKD分期（Ⅰ～Ⅴ期）呈負相關[18]。據報道[19，20]，隨著移植腎功能障礙（平均EGFR為30 ml/min/1.73 m2）的出現，皮質和髓質ADC顯著減少。

2腎結石

國內外對腎盂腎盞與結石形成的解剖學研究是基于尸體及二維影像學測量，有報道稱腎盂出口梗阻、腎盂體積小、腎盂出口相對狹窄等是造成中上盞結石形成的重要因素[21-23]。腎集合系統的解剖結構是腎結石發病機制中的重要因素之一，對制定手術治療方案具有重要意義。對腎盞形態的認識極其重要，因為這是選擇合適的碎石方法的基礎。

超聲彈性成像（ultrasound elastography，UE）能夠檢測組織的機械特性，如（magnetic radiation elastography，MRE）。UE技術基于對在組織內傳播的產生的剪切波的成像，或者基于組織在外部壓縮下的應變分析[24]。剪切波彈性成像（shear wave elastography，SWE）利用聲波通過測量反映組織硬度的剪切波速（shear wave velocity，SWV）來評估組織彈性。有研究顯示[25]，與無功能腎臟相比，功能腎臟的硬度更高，預測性能（敏感性90.9%，特異性85.7%，對錐體僵硬的AUC為0.925）更好，SWV與腎血流和EGFR有很好的相關性。CT在泌尿系結石診斷中具有舉足輕重的價值，而MSCT（螺旋CT）無需注射或口服對比劑，操作簡單，經FBP重建處理后，圖像質量高，能準確清晰顯示結石發生部位、大小和數量，并且對結石繼發征象也能明確診斷。雖然MSCT常規平掃對結石的診斷效果確切，但患者所受的輻射劑量較高，在不影響診斷的前提下降低輻射劑量是CT工作者需思考解決的課題[26]。有報道指出[27]，考慮到結石的高發率和易復發率，需接受或多次接受MSCT檢查的患者眾多，輻射安全性問題需引起重視。

3腎臟囊腫及腫瘤

超聲造影是結合造影劑增強血液的背向散射，增強回聲提高超聲分辨力的技術，周青等[28]研究認為超聲造影有助于提高對腎臟實性腫瘤的定性診斷效能。常規超聲通過多角度回聲判斷囊腫大小、形狀、囊壁及分隔厚度并能清晰觀察大血管血供，但腎臟血流灌注豐富，占心輸出量的20%～25%，分布眾多微小血管，血流速度降低，回聲衰弱，常規超聲難以顯示病灶微循環特征，在囊腫性質鑒別方面存在一定局限性[29]。超聲造影是新型聲學造影檢查，不僅能利用微泡造影劑增加正常組織與病灶回聲信噪比，從而更好觀察臟器內部血流灌注，便于病灶定性診斷，而且可用于CT、MRI造影劑禁忌患者中，適用人群更廣泛。

腎透明細胞癌是常見腎癌類型，其囊性變含大量糖原及脂質且常伴出血壞死，常規回聲表現為低回聲、等回聲。但部分復雜性腎囊腫也可伴隨出血，進而造成感染導致獲取圖像復雜化，呈現囊壁增厚、邊界不清等征象，導致與腎透明細胞癌囊性變混淆。而超聲造影可利用造影劑散射作用增強回聲，清晰觀察微小血管血流供應，掌握病灶周圍微循環情況，評估囊腫內實性成分血供。而且造影劑在腎臟中不會快速被代謝，滲入細小血管，有利于對更小的腎腫瘤組織進行鑒別。此外，研究顯示應用超聲造影后可以明顯提高微小腎癌及小腎癌的檢出率[30]，進一步證實了超聲造影在病灶性質鑒定方面的應用價值。

腎囊腫是常見的腎臟良性疾病，單純性腎囊腫在CT上多表現為水樣密度（CT值多＜20 HU）并且密度均勻，易于與其他腫瘤性病變鑒別[31]。當囊腫內伴發出血、感染或包含某些高密度物質時，在CT平掃上病灶表現為高密度，稱之為高密度腎囊腫。高密度腎囊腫在平掃CT上很難與腎細胞癌鑒別，尤其是小腎癌[32]。最新的研究表明[33]，高密度腎囊腫的平掃CT值常常高于正常的腎實質（45～66 HU），且大多數的高密度腎囊腫密度均勻，因而CT特征可能會對預測病變的性質有幫助。

4人工智能在醫學成像中的應用

人工智能（artificial intelligence，AI）是指將由人完成的智力任務改為由計算機自動化完成。機器學習（machine learning，ML）是人工智能技術的核心，其通過所使用的算法使計算機無需顯式編程就能從大量的數據中進行學習。深度學習（deep learning，DL）是ML的特殊類別。作為機器學習領域的一個新興研究方向，深度學習受到人腦工作方式的啟發，是一種利用深度神經網絡求解特征表達的學習過程[34]。深度學習已經成功地應用于器官分割、腎臟總體積測定、慢性心肌勾畫、腦微出血檢測和肺結節分類。深層網絡最初由醫療臨床數據提供，包括年齡、血壓、血糖、血肌酐等屬性，并已超過所有傳統的機器學習技術[35]。在腎功能評估、CKD預測和診斷方面，DL已經顯表現出良好的前景，無論是單獨使用還是由組織質地分支網絡提供服務。最近的研究主要集中于深度網絡的臨床應用，包括健康腎臟與慢性腎臟病腎臟的鑒別，正常腎臟與先天畸形腎臟的鑒別，不同腎臟疾病的分類，如腎結石、腎囊腫和腫瘤，以及預測EGFR。

4.1紋理分析? 紋理分析被廣泛應用于不同的醫學成像模式，并已顯示其能力是一種強大的計算機輔助診斷工具，有助于臨床決策（如肝臟病變分化、乳腺癌分類等）以及分割任務（如CT和超聲圖像上的腎臟分割）[36]。從CT和MR圖像提取的紋理參數在肝纖維化和增加的異質性之間顯示出良好的相關性[37]。由于組織纖維化在CKD的發展過程中起著重要的作用。對腎臟圖像的紋理分析可能是一個很好的預測腎功能障礙的指標。在腎功能評估方面，紋理分析應用于MR、US以及核素成像。與機器學習技術相結合，紋理分析被證明是一種很好的補充工具，可以為醫生服務，特別是在疾病的早期階段發現CKD進展時。采用紋理分析的研究側重于不同的臨床應用，包括通過區分健康志愿者和輕度或非嚴重腎損害患者來檢測早期腎功能障礙，鑒別健康和病變腎臟，評估結構與纖維化成分和EGFR的關系，鑒別非排斥移植腎的排斥反應，預測ADPKD患者進展為CKD，最重要的是預測CKD的5個階段。此外，通過紋理分析在超聲腎臟圖像上評估與CKD相關的纖維化沉積和腎臟損害[38]。

4.2人工智能在圖像分割中的應用? 分割是腹部圖像分析中的關鍵步驟，具有不同的應用，包括手術規劃、計算機輔助監測、定性或定量的提取、視覺特征、圖像引導干預。腎臟分割可以在放射科醫生進行定性評估之前為其提供服務，在從輸入圖像中提取特征之前需要對腎臟進行分割，以得到一個全自動化的腎臟檢測和狀態評估軟件工具。在臨床研究中采用了不同的分割方法，以避免人工勾畫腎臟和觀察者的干預。腎臟識別通常半自動或自動執行。由于腹部圖像灰度相似，形狀和位置變化較大，常采用半自動分割。它需要各種干預機制，例如識別初始種子、樣本在腎組織和背景中的定位、用圓形輪廓對腎臟進行預分割，定義參數范圍[38]。

5總結

早期診斷和預測CKD，可以降低疾病治療成本，減緩腎臟損害的進展。MRI被證明是一個強大的工具，通過評估腎功能和雙側腎臟的結構來評估腎臟組織。MRI嵌入了幾個序列，反映了不同的腎臟屬性和功能，包括擴散、灌注、充氧、組織彈性成像、血流動力學等。UE利用其低成本和易獲得性的優勢，也提供了與MRE一樣通過測量腎臟硬度來監測CKD的有希望的結果，但UE研究得出的相互矛盾的結果使MRE更適合于腎臟僵硬的評估。人工智能在腎結石、腎腫瘤及腎囊腫等疾病中的應用逐漸增多，未來會有更多的臨床實用性研究。

參考文獻：

[1]Zhang L，Wang F，Wang L，et al.Prevalence of chronic kidney disease in China： a cross-sectional survey[J].Lancet，2012，379（9818）：815-822.

[2]Jiang K，Tang H，Mishra PK，et al.Measurement of murine kidney functional biomarkers using DCE-MRI： A multi-slice TRICKS technique and semi-automated image processing algorithm[J].Magn Reson Imaging，2019，63：226-234.

[3]Saha A，Saha A，Mittra T.Performance Measurements of Machine Learning Approaches for Prediction and Diagnosis of Chronic Kidney Disease （CKD）[C]//the 2019 7th International Conference.2019.

[4]Baues M，Dasgupta A，Ehling J，et al.Fibrosis imaging： Current concepts and future directions[J].Adv Drug Deliv Rev，2017，121：9-26.

[5]Ding J，Xing Z，Jiang Z，et al.Evaluation of renal dysfunction using texture analysis based on DWI， BOLD， and susceptibility-weighted imaging[J].Eur Radiol，2019，9（5）：2293-2301.

[6]Leung G，Kirpalani A，Szeto SG，et al.Could MRI Be Used To Image Kidney Fibrosis？ A Review of Recent Advances and Remaining Barriers[J].Clin J Am Soc Nephrol，2017，12（6）：1019-1028.

[7]Le Bihan D，Breton E，Lallemand D，et al.Separation of diffusion and perfusion in intravoxel incoherent motion MR imaging[J].Radiology，1988，168（2）：497-505.

[8]Deng Y，Yang B，Peng Y，et al.Use of intravoxel incoherent motion diffusion-weighted imaging to detect early changes in diabetic kidneys[J].Abdom Radiol （NY），2018，43（10）：2728-2733.

[9]Chen L，Ren T，Zuo P，et al.Detecting impaired function of renal allografts at the early stage after transplantation using intravoxel incoherent motion imaging[J].Acta Radiol，2019，60（8）：1039-1047.

[10]Audureau E，Chivet A，Ursu R，et al.Prognostic factors for survival in adult patients with recurrent glioblastoma： a decision-tree-based model[J].J Neurooncol，2018，136（3）：565-576.

[11]Gaillard F，Pavlov P，Tissier AM，et al.Use of computed tomography assessed kidney length to predict split renal GFR in living kidney donors[J].Eur Radiol，2017，27（2）：651-659.

[12]Ding J，Chen J，Jiang Z，et al.Assessment of renal dysfunction with diffusion-weighted imaging： comparing intra-voxel incoherent motion （IVIM） with a mono-exponential model[J].Acta Radiol，2016，57（4）：507-512.

[13]Cai XR，Yu J，Zhou QC，et al.Use of intravoxel incoherent motion MRI to assess renal fibrosis in a rat model of unilateral ureteral obstruction[J].J Magn Reson Imaging，2016，44（3）：698-706.

[14]Hennedige T，Koh TS，Hartono S，et al.Intravoxel incoherent imaging of renal fibrosis induced in a murine model of unilateral ureteral obstruction[J].Magn Reson Imaging，2015，33（10）：1324-1328.

[15]Friedli I，Crowe LA，de Perrot T，et al.Comparison of readout-segmented and conventional single-shot for echo-planar diffusion-weighted imaging in the assessment of kidney interstitial fibrosis[J].J Magn Reson Imaging，2017，46（6）：1631-1640.

[16]Li Q，Li J，Zhang L，et al.Diffusion-weighted imaging in assessing renal pathology of chronic kidney disease： A preliminary clinical study[J].Eur J Radiol，2014，83（5）：756-762.

[17]Ichikawa S，Motosugi U，Ichikawa T，et al.Intravoxel incoherent motion imaging of the kidney： alterations in diffusion and perfusion in patients with renal dysfunction[J].Magn Reson Imaging，2013，31（3）：414-417.

[18]Dillman JR，Benoit SW，Gandhi DB，et al.Multiparametric quantitative renal MRI in children and young adults： comparison between healthy individuals and patients with chronic kidney disease[J].Abdom Radiol （NY），2022，47（5）：1840-1852.

[19]Bane O，Hectors SJ，Gordic S，et al.Multiparametric magnetic resonance imaging shows promising results to assess renal transplant dysfunction with fibrosis[J].Kidney Int，2020，97（2）：414-420.

[20]Carbone SF，Gaggioli E，Ricci V，et al.Diffusion-weighted magnetic resonance imaging in the evaluation of renal function： a preliminary study[J].Radiol Med，2007，112（8）：1201-1210.

[21]張秀容，汪云霞，何世娟.宜賓地區泌尿系結石1628例臨床分析[J].檢驗醫學與臨床，2011，8（18）：2211-2212.

[22]金錫御，俞天麟．泌尿外科手術學[M].北京：人民軍醫出版社，2004：97．

[23]段中陽，李昕.腎結石形成解剖學因素研究[J].創傷與急危重病醫學，2018，6（1）：12-13，17.

[24]鐘婷婷，劉艷君，張云飛，等.不同體位及部位對實時剪切波彈性成像技術對正常腎臟的影響[J].中國超聲醫學雜志，2016，32（10）：911-913.

[25]Elbahnasy AM，Shalhav AL，Hoenig DM，et al.Lower caliceal stone clearance after shock wave lithotripsy or ureteroscopy： the impact of lower pole radiographic anatomy[J].J Urol，1998，159（3）：676-682.

[26]李超平，周星輝，吳鋼飛，等.螺旋CT低劑量掃描在診斷泌尿系結石中的應用價值[J].基層醫學論壇，2021，25（1）：95-96.

[27]葛廣忠.低劑量CT在泌尿系結石診斷中的診斷效能及對圖像質量的影響[J].中國繼續醫學教育，2021，13（18）：110-115.

[28]周青，陳琴.超聲造影對腎臟實性腫瘤的定性診斷價值[J].中國醫學影像學雜志，2018，26（8）：602-605，611.

[29]劉雪，楊崇一，楊豐強，等.彩色多普勒超聲聯合超聲造影用于腎實質性腫瘤鑒別診斷的臨床觀察[J].中華全科醫學，2022，20（3）：458-460，472.

[30]李翠仙，黃備建，薛立云，等.比較超聲造影診斷微小腎細胞癌（MRCC）及15 mm小腎細胞癌（SRCC）的應用價值[J].復旦學報（醫學版），2015，42（2）：174-180.

[31]Jonisch AI，Rubinowitz AN，Mutalik PG，et al.Can high-attenuation renal cysts be differentiated from renal cell carcinoma at unenhanced CT？[J].Radiology，2007，243（2）：445-450.

[32]劉春林，楊淵峰，王杭.高密度腎囊腫診治18例分析[J].復旦學報：醫學版，2008，35（1）：4.

[33]Suh M，Coakley FV，Qayyum A，et al.Distinction of renal cell carcinomas from high-attenuation renal cysts at portal venous phase contrast-enhanced CT[J].Radiology，2003，228（2）：330-334.

[34]Bukowy JD，Dayton A，Cloutier D，et al.Region-Based Convolutional Neural Nets for Localization of Glomeruli in Trichrome-Stained Whole Kidney Sections[J].J Am Soc Nephrol，2018，29（8）：2081-2088.

[35]Kline TL，Korfiatis P，Edwards ME，et al.Image texture features predict renal function decline in patients with autosomal dominant polycystic kidney disease[J].Kidney Int，2017，92（5）：1206-1216.

[36]Daginawala N，Li B，Buch K，et al.Using texture analyses of contrast enhanced CT to assess hepatic fibrosis[J].Eur J Radiol，2016，85（3）：511-517.

[37]Conze PH，Kavur AE，Cornec-Le Gall E，et al.Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks[J].Artif Intell Med，2021，117：102109.

[38]Materka A.Texture analysis methodologies for magnetic resonance imaging[J].Dialogues Clin Neurosci，2004，6（2）：243-250.

稿日期：2023-01-14；修回日期：2023-03-08

編輯/王萌