《Biomedical Signal Processing and Control》：Enhancing kidney stone segmentation in computed tomography images through successive scope reduction and intra-framework feature transfer
编辑推荐：
肾结石CT图像分割双阶段深度学习框架，提出逐次范围缩减（SSR）和内部框架特征传递（IFT）方法，通过SSRNet分类筛选有效CT切片，再利用KSSNet实现97.44% Dice系数和95.01% Jaccard指数的精准分割，显著优于现有基准。
Sakib Mahmud|Muhammad E.H. Chowdhury|Tariq O. Abbas|Faycal Bensaali
卡塔尔大学工程学院电气工程系，多哈2713，卡塔尔
摘要
肾结石疾病（KSDs）是最古老的肾脏疾病之一，其病例可追溯到古代历史。由于肾结石的复发性质，患者通常需要终生定期监测。人工智能可以自动化并加速对肾结石的存在、生长和位置的追踪。计算机断层扫描（CT）仍然是诊断KSDs最广泛使用的方法之一。然而，在完整的腹部CT扫描中准确分割肾结石具有挑战性，因为结石体积较小，需要大幅缩小扫描范围才能使深度学习（DL）模型专注于相关区域。虽然传统的基于显著性图的定位方法可以提供结石位置的大致估计，但它缺乏关于结石大小、形状和在肾皮质中具体位置的精确细节。为了解决这些限制，本研究提出了一个基于DL的双阶段框架，用于从CT切片中高效分割肾结石。首先，使用所提出的连续范围缩小（SSR）方法缩小数据集范围，逐步缩小肾脏和结石的关注范围以提高准确性。通过连续范围缩小网络（SSRNet）分类模型，范围缩小后的F1分数达到了94.45%。在范围缩小后的数据集上，肾结石分割网络（KSSNet）模型的dice分数达到了97.44%，Jaccard指数达到了95.01%，显著超过了现有基准。所提出的框架具有鲁棒性，独立于受试者的评估和消融研究证实了其可靠性和计算效率，提出的模型在各自领域超越了现有技术水平，支持其在实际临床应用中的使用。
引言
肾结石疾病（KSDs），也称为肾结石，是由于肾脏内沉积固体矿物质而引起的常见肾脏疾病。当结石在肾脏中形成时，这种情况被称为肾结石症。然而，一旦这些结石从肾盂移动到泌尿系统的其他部分，包括输尿管、膀胱和尿道，就被称为尿结石症[1]。换句话说，肾结石症特指肾脏中的结石，而尿结石症指泌尿系统中的任何部位的结石。关于KSDs的早期证据可以追溯到5000多年前，在埃及木乃伊中发现了结石[2]。如今，KSDs的患病率在全球范围内有所不同，受社会人口统计学、生活方式、饮食、遗传、性别、年龄和环境条件等因素的影响。肥胖、糖尿病、高血压、代谢综合征和痛风等系统性疾病也被认为是KSD的风险因素[1]。根据Lang等人[3]的研究，男性KSD的发病率较高，中年时期达到高峰。由于临床研究的进步和饮食实践的改善，全球KSD的趋势正在下降[3]。尽管由于总体人口的增长，1990年至2019年间病例总数有所增加，但每10万人的年龄标准化发病率（ASIR）显著下降[3]。然而，KSDs仍然具有高度的复发性，结石移除后两年、五年、十年和十五年的复发率分别为约11%、20%、31%和39%[4]。除了与结石形成相关的不适和疼痛外，KSDs还会造成巨大的医疗负担，反复发作可能导致慢性肾脏疾病并需要反复干预。因此，移除结石后的患者通常需要终生定期监测，人工智能（AI）应用可以帮助临床医生追踪结石的存在、位置、生长和其他参数。
肾结石是由矿物质沉积形成的，单个结石可能包含多种矿物质成分，但根据其主要晶体类型进行分类[5]。KSDs的常见原因包括水分摄入不足、体力活动量变化（过多或不足）、肥胖、减肥手术以及高盐或高糖饮食。感染和遗传倾向在某些个体中也可能起作用[6]。结石通常分为四种主要类型：钙结石（草酸钙和磷酸钙）、尿酸结石、磷酸镁铵结石（也称为三磷酸盐结石）和胱氨酸结石，其中钙结石最为常见[5]。虽然传统的临床方法如放射成像、血液或尿液检测以及移除后的结石分析有助于确定结石类型以制定治疗计划，但最近的研究已经探讨了深度学习（DL）来自动化结石分类并辅助临床决策[7]-[8]。例如，Serrat等人[7]使用传统的机器学习（ML）技术识别了八种手术切除的肾结石类型，而Black等人[9]应用深度ML分类器[10]对五种不同的结石成分进行了分类。这些研究突显了DL在实现多类肾结石分类方面的潜力。诊断和治疗肾结石可能很复杂，并且可能因结石的类型、阶段、大小或位置而异[11]。在诊断过程中，临床医生通过患者病史、体格检查以及高分辨率计算机断层扫描（CT）和肾盂输尿管膀胱（KUB）X光等成像技术来确定这些参数[11]。AI可以帮助确定结石的大小、形状和位置，协助临床医生做出关于肾结石治疗的决策，如无需手术的自然排出、冲击波碎石术、输尿管镜检查（或膀胱镜检查）或经皮肾镜取石术/肾镜碎石术（PCNL）[11]。
由于CT扫描捕获的整个腹部体积相对于结石来说非常小，因此精确定位肾结石具有挑战性。大多数研究集中在从CT切片中分类结石，并使用显著性图进行粗略定位[1]，[12]。然而，这种方法缺乏临床所需的精度，因为它不能提供关于结石形状、大小（面积或体积）或在肾皮质中确切位置的详细信息。此外，结石可能存在于一个或两个肾脏中，单个肾脏可能包含多个结石，而显著性图无法可靠地区分或单独检测这些结石。现在，为了从CT数据中实现精确的结石分割，必须进行初步的范围缩小。这种缩小，无论是2D还是3D，都必须具有很高的性能；否则，将会影响下游的肾脏分割性能。在早期的研究中，Babajide等人[13]证明，从手动裁剪的轴向/横向/水平CT切片中分割肾结石可以提高分割效果。虽然其他研究没有广泛采用这种方法进行结石定位，但也可以使用ML自动化范围缩小[14]。基于这一前提，我们的研究提出了一个强大的双阶段肾结石分割流程，通过分类系统地、准确地缩小数据集范围以提高分割性能。本研究的主要贡献如下：
•我们提出了一个用于腹部CT扫描中精确肾结石分割的双阶段框架。第一阶段使用2D深度分类器过滤相关CT切片，而第二阶段使用分割模型准确定位肾脏和结石区域。所提出的方法在这个领域是新颖的。
•我们引入了连续范围缩小（SSR）技术，该技术依次消除非肾脏和非结石切片，确保仅使用相关的肾结石切片进行分割。
•我们提出了框架内的特征转移（IFT）方法，以改善流程中的特征流动，提高肾脏分割的准确性。
•我们提出了两个DL模型：一个用于分类的连续范围缩小网络（SSRNet）和一个用于分割的肾结石分割网络（KSSNet），两者都优于现有的基准。
本文的其余部分组织如下：第2节提供了关于ML在KSD诊断中应用的当前研究的简洁而全面的文献综述。第3节首先概述了所提出的框架，然后详细讨论了新颖的SSR和IFT方法，以及所提出的基于DL的分类和分割模型，并概述了消融研究。第4节涵盖了数据集描述、数据预处理步骤和实验设置，展示了每个研究阶段的结果，并根据质量和性能与领域特定的基准模型进行了评估和比较。最后，第5节总结了本文。
章节片段
文献综述：DL技术在KSD诊断中的应用
基于引言讨论，本节提供了通过各种临床成像技术（特别是CT扫描）诊断KSDs的DL及相关方法的简要概述。
方法论
本节首先对从轴向CT切片中进行肾结石分割的深度学习框架进行了高层次的概述。然后描述了所提出的SSR和IFT策略，接着详细讨论了本研究中开发的网络架构。
结果与讨论
本节对从腹部CT体积中进行肾结石分割的所提出框架进行了详细的定量和定性评估。我们描述了数据集和预处理步骤，报告了主要结果和消融研究，将范围缩小和分割性能与相应领域的基准进行了比较，分析了计算可行性，并讨论了关键限制和未来研究方向。
结论
总之，所提出的框架通过SSR和IFT有效地精化了数据集范围，在CT体积中肾脏结石的语义存在较少的情况下提高了分割性能。通过系统地排除非肾脏和非结石CT切片，分割模型专注于包含肾脏结石的切片，与现有研究相比，取得了出色的像素级dice分数和Jaccard分数。
CRediT作者贡献声明
Sakib Mahmud：撰写——原始草稿、可视化、软件、资源、方法论、调查、正式分析、数据管理、概念化。Muhammad E.H. Chowdhury：撰写——审阅与编辑、验证、监督、资源、项目管理、方法论、资金获取、正式分析、概念化。Tariq O. Abbas：撰写——审阅与编辑、验证、监督、软件、资源、项目管理、方法论、资金获取、正式分析
资助
本研究得到了卡塔尔大学学生资助QUST-1-CENG-2023-795和医学研究委员会资助MRC-01-21-1027的支持。作者对本文中的陈述负全部责任。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
