医学图像处理技术在肾脏疾病中的诊断价值

阿丽米热·阿不都热依木

摘要：评估肾脏功能及结构的准确性对肾脏疾病的诊断和预后至关重要。磁共振成像（MRI）、超声弹性成像（UE）及计算机断层扫描（CT）等先进的医学影像技术能够无创检测肾脏结构、功能和分子信息，并提示肾脏组织属性和功能的变化。目前，人工智能将传统医学影像技术转变为全自动化诊断工具的能力，并对肾脏医学影像进行定性分析外，纹理分析还与机器学习技术相结合，作为肾组织异质性的定量分析方式，为预测肾脏功能减退提供了辅助诊断依据，有望成为肾功能诊断的一种新方法。本文总结了不同的医学影像技术用于监测肾脏疾病的研究进展，并讨论了纹理分析和人工智能关联性，以期为临床肾脏疾病的诊断提供参考。

关键词：图像处理；肾脏；人工智能

中图分类号：S941.42+7                             文献标识码：A                                 DOI：10.3969/j.issn.1006-1959.2024.04.036

文章编号：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年来，医学图像处理已成为医学技术中发展最快的领域之一，其结果使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。20世纪70年代初，CT的发明曾引发了医学影像领域的一场革命，与此同时，核磁共振成像MRI、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。早期诊断和预测慢性肾脏病、肾结石及肾肿瘤等，可以降低疾病治疗成本，减缓肾脏损害的进展，避免发生不可接受的后果[1]。人工智能技术的飞跃性发展，特别是深度学习方法以及硬件算力的进步，极大地推动了人工智能在生物醫学领域、肾脏病学领域的发展。人工智能可以预测急性肾损伤的发生，识别慢性肾脏病的发生[2]，亦可在肾脏病理的研究中辅助分析、预后预测和辅助决策。基于此，本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行综述，以期为其在慢性肾脏疾病中的应用提供参考依据。

1慢性肾脏病

慢性肾脏病（chronic kidney disease，CKD）定义为肾脏结构或功能异常。2012年一项纳入47 204例成人的大型横断面研究表明[1]，我国CKD的患病率为10.8%。目前，慢性肾脏病仍然是一个广泛存在且较为主要的公共卫生问题，困扰着全球超过12%的人口。它的特点是肾功能进行性且不可逆转的恶化，并伴有低肾小球滤过率（glomerular filtration rate，GFR），最终导致终末期肾病。此时肾脏完全受损，无法正常过滤血液，需要进行肾脏透析或移植[3]。评价肾功能的常用方法是根据血清肌酸水平（SCr）估算EGFR，或者通过组织活检，进行组织病理学分析。虽然活检是评估肾脏微结构和量化肾功能障碍原因的金标准，但它也存在以下缺点。首先，侵袭性手术与出血和患者可能的疼痛有关，因此影响了后续评估。其次，活组织检查受限于采样偏差，因为它对通常不包括髓质的肾脏中不到1%的组织进行采样，所以它在空间分辨率方面是有限的[4]。

MRI具有评估肾脏微结构的组织、扩散、灌注和氧合的潜力，还提供了测量肾脏血流动力学、量化组织松弛时间、大分子和弹性以及表征肾组织代谢物的能力。超声弹性成像（UE）能够识别有关组织机械特性的结构信息。计算机断层扫描（computed tomography，CT）可以提供解剖和功能信息，但仅限于X射线和造影剂注射。核素扫描结合了使用放射性示踪剂的功能和血流灌注测量。医学影像技术在评估肾功能方面无疑是一种很有前途及潜力的医学诊断方式。纹理是从数学计算方程中获得的，它研究灰度级像素的空间排列，并显示它们之间的关系，这些关系通常是人眼无法看到的。考虑到肾脏的结构和肾脏疾病对功能标记物分布的影响，纹理分析有可能反映组织病理学的异质性[5]。将纹理分析引入传统的机器学习方法，通过提供可用于诊断和预测肾功能障碍的额外的数值描述符，扩展了医学成像能力。

以细胞外基質沉积为特征的肾纤维化在慢性肾脏病的发生发展中起着关键作用[6]。由于组织细胞的参与，水分子在组织内的流动性是降低的。因此，水扩散可以反映组织的微观结构。扩散加权成像（diffusion weighted imaging，DWI）是一种磁共振成像方法，它将水分子的运动作为对比，提供水扩散或布朗运动的活体测量，使用强大的双极磁梯度，以创建接收信号对水运动的敏感性，从而描述组织限制水的方式[4]。表观扩散系数（apparent diffusion coefficient，ADC）是一个DWI生物标记物，对应于组织内水扩散和微循环的总体测量[4]。体素内非相干运动（the intra-voxel incoherent motion，IVIM）模型是由Le Bihan D等[7]提出的，为了区分毛细血管网络中血流引起的真扩散或分子水扩散与假扩散或灌流，IVIM得到的参数是与血管外水分子运动或纯扩散有关的真扩散（D*）、与血管内水分子运动或灌流有关的伪扩散（D*）以及流动分数（F*）。

DWI已被报道为糖尿病肾脏病情变化的良好预测指标[8]，以及监测移植后肾功能的可靠技术[9]。几项研究已经表明[9-11]，在动物模型中，DWI作为一种很有前途的成像技术，用于评估肾脏纤维化具有潜在的应用前景。当与肾功能相关时，DWI参数随肾损害程度的加重而降低（反映为EGFR的降低），而纤维化程度的增加与ADC的降低之间存在很强的相关性。这些参数的降低可以归因于灌注的减少、限制水分的间质纤维化的存在以及血管的减少[14]。此外，皮质和髓质DWI参数之间的差异与纤维化的百分比呈良好的负相关[15]。ADC在正常对照组、轻度损害组、中度损害组和重度损害组之间有显著差异，但当按病理类型（微小病变肾小球肾炎、局灶节段性增生性肾小球肾炎、膜性肾病、系膜增殖性肾小球肾炎、肾小球硬化和新月体肾炎）进行分类时，则不同。这可以参考这样一个事实，即不同的CKD病理类型具有相似的致病特征，导致ADC下降[16]。然而，ADC值因为没有能力区分健康CKD和Ⅰ期CKD，因此无法早期诊断CKD。在一项研究中提到了与血流灌注相关的D*，该研究表明肾损害伴随着血流灌注量的减少，IVIM图应该比ADC图能更早期发现肾功能障碍[17]。另一方面，使用ADC检测肾损害的性能好于IVIM参数[12，13，15]。与无糖尿肾病患者相比平均ADC值显著降低。而糖尿病肾病是导致肾功能衰竭的主要原因之一。

最近，弥散加权成像被证明有希望区分健康儿童和CKD儿童[肾小球肾炎、溶血性尿毒症综合征、狼疮性肾炎（lupus nephritis，LN）、肾小球硬化和婴儿肾病是CKD的主要原因[18]。ADC与CKD分期（Ⅰ～Ⅴ期）呈负相关[18]。据报道[19，20]，随着移植肾功能障碍（平均EGFR为30 ml/min/1.73 m2）的出现，皮质和髓质ADC显著减少。

2肾结石

国内外对肾盂肾盏与结石形成的解剖学研究是基于尸体及二维影像学测量，有报道称肾盂出口梗阻、肾盂体积小、肾盂出口相对狭窄等是造成中上盏结石形成的重要因素[21-23]。肾集合系统的解剖结构是肾结石发病机制中的重要因素之一，对制定手术治疗方案具有重要意义。对肾盏形态的认识极其重要，因为这是选择合适的碎石方法的基础。

超声弹性成像（ultrasound elastography，UE）能够检测组织的机械特性，如（magnetic radiation elastography，MRE）。UE技术基于对在组织内传播的产生的剪切波的成像，或者基于组织在外部压缩下的应变分析[24]。剪切波弹性成像（shear wave elastography，SWE）利用声波通过测量反映组织硬度的剪切波速（shear wave velocity，SWV）来评估组织弹性。有研究显示[25]，与无功能肾脏相比，功能肾脏的硬度更高，预测性能（敏感性90.9%，特异性85.7%，对锥体僵硬的AUC为0.925）更好，SWV与肾血流和EGFR有很好的相关性。CT在泌尿系结石诊断中具有举足轻重的价值，而MSCT（螺旋CT）无需注射或口服对比剂，操作简单，经FBP重建处理后，图像质量高，能准确清晰显示结石发生部位、大小和数量，并且对结石继发征象也能明确诊断。虽然MSCT常规平扫对结石的诊断效果确切，但患者所受的辐射剂量较高，在不影响诊断的前提下降低辐射剂量是CT工作者需思考解决的课题[26]。有报道指出[27]，考虑到结石的高发率和易复发率，需接受或多次接受MSCT检查的患者众多，辐射安全性问题需引起重视。

3肾脏囊肿及肿瘤

超声造影是结合造影剂增强血液的背向散射，增强回声提高超声分辨力的技术，周青等[28]研究认为超声造影有助于提高对肾脏实性肿瘤的定性诊断效能。常规超声通过多角度回声判断囊肿大小、形状、囊壁及分隔厚度并能清晰观察大血管血供，但肾脏血流灌注丰富，占心输出量的20%～25%，分布众多微小血管，血流速度降低，回声衰弱，常规超声难以显示病灶微循环特征，在囊肿性质鉴别方面存在一定局限性[29]。超声造影是新型声学造影检查，不仅能利用微泡造影剂增加正常组织与病灶回声信噪比，从而更好观察脏器内部血流灌注，便于病灶定性诊断，而且可用于CT、MRI造影剂禁忌患者中，适用人群更广泛。

肾透明细胞癌是常见肾癌类型，其囊性变含大量糖原及脂质且常伴出血坏死，常规回声表现为低回声、等回声。但部分复杂性肾囊肿也可伴随出血，进而造成感染导致获取图像复杂化，呈现囊壁增厚、边界不清等征象，导致与肾透明细胞癌囊性变混淆。而超声造影可利用造影剂散射作用增强回声，清晰观察微小血管血流供应，掌握病灶周围微循环情况，评估囊肿内实性成分血供。而且造影剂在肾脏中不会快速被代谢，渗入细小血管，有利于对更小的肾肿瘤组织进行鉴别。此外，研究显示应用超声造影后可以明显提高微小肾癌及小肾癌的检出率[30]，进一步证实了超声造影在病灶性质鉴定方面的应用价值。

肾囊肿是常见的肾脏良性疾病，单纯性肾囊肿在CT上多表现为水样密度（CT值多＜20 HU）并且密度均匀，易于与其他肿瘤性病变鉴别[31]。当囊肿内伴发出血、感染或包含某些高密度物质时，在CT平扫上病灶表现为高密度，称之为高密度肾囊肿。高密度肾囊肿在平扫CT上很难与肾细胞癌鉴别，尤其是小肾癌[32]。最新的研究表明[33]，高密度腎囊肿的平扫CT值常常高于正常的肾实质（45～66 HU），且大多数的高密度肾囊肿密度均匀，因而CT特征可能会对预测病变的性质有帮助。

4人工智能在医学成像中的应用

人工智能（artificial intelligence，AI）是指将由人完成的智力任务改为由计算机自动化完成。机器学习（machine learning，ML）是人工智能技术的核心，其通过所使用的算法使计算机无需显式编程就能从大量的数据中进行学习。深度学习（deep learning，DL）是ML的特殊类别。作为机器学习领域的一个新兴研究方向，深度学习受到人脑工作方式的启发，是一种利用深度神经网络求解特征表达的学习过程[34]。深度学习已经成功地应用于器官分割、肾脏总体积测定、慢性心肌勾画、脑微出血检测和肺结节分类。深层网络最初由医疗临床数据提供，包括年龄、血压、血糖、血肌酐等属性，并已超过所有传统的机器学习技术[35]。在肾功能评估、CKD预测和诊断方面，DL已经显表现出良好的前景，无论是单独使用还是由组织质地分支网络提供服务。最近的研究主要集中于深度网络的临床应用，包括健康肾脏与慢性肾脏病肾脏的鉴别，正常肾脏与先天畸形肾脏的鉴别，不同肾脏疾病的分类，如肾结石、肾囊肿和肿瘤，以及预测EGFR。

4.1纹理分析  纹理分析被广泛应用于不同的医学成像模式，并已显示其能力是一种强大的计算机辅助诊断工具，有助于临床决策（如肝脏病变分化、乳腺癌分类等）以及分割任务（如CT和超声图像上的肾脏分割）[36]。从CT和MR图像提取的纹理参数在肝纤维化和增加的异质性之间显示出良好的相关性[37]。由于组织纤维化在CKD的发展过程中起着重要的作用。对肾脏图像的纹理分析可能是一个很好的预测肾功能障碍的指标。在肾功能评估方面，纹理分析应用于MR、US以及核素成像。与机器学习技术相结合，纹理分析被证明是一种很好的补充工具，可以为医生服务，特别是在疾病的早期阶段发现CKD进展时。采用纹理分析的研究侧重于不同的临床应用，包括通过区分健康志愿者和轻度或非严重肾损害患者来检测早期肾功能障碍，鉴别健康和病变肾脏，评估结构与纤维化成分和EGFR的关系，鉴别非排斥移植肾的排斥反应，预测ADPKD患者进展为CKD，最重要的是预测CKD的5个阶段。此外，通过纹理分析在超声肾脏图像上评估与CKD相关的纤维化沉积和肾脏损害[38]。

4.2人工智能在图像分割中的应用  分割是腹部图像分析中的关键步骤，具有不同的应用，包括手术规划、计算机辅助监测、定性或定量的提取、视觉特征、图像引导干预。肾脏分割可以在放射科医生进行定性评估之前为其提供服务，在从输入图像中提取特征之前需要对肾脏进行分割，以得到一个全自动化的肾脏检测和状态评估软件工具。在临床研究中采用了不同的分割方法，以避免人工勾画肾脏和观察者的干预。肾脏识别通常半自动或自动执行。由于腹部图像灰度相似，形状和位置变化较大，常采用半自动分割。它需要各种干预机制，例如识别初始种子、样本在肾组织和背景中的定位、用圆形轮廓对肾脏进行预分割，定义参数范围[38]。

5总结

早期诊断和预测CKD，可以降低疾病治疗成本，减缓肾脏损害的进展。MRI被证明是一个强大的工具，通过评估肾功能和双侧肾脏的结构来评估肾脏组织。MRI嵌入了几个序列，反映了不同的肾脏属性和功能，包括扩散、灌注、充氧、组织弹性成像、血流动力学等。UE利用其低成本和易获得性的优势，也提供了与MRE一样通过测量肾脏硬度来监测CKD的有希望的结果，但UE研究得出的相互矛盾的结果使MRE更适合于肾脏僵硬的评估。人工智能在肾结石、肾肿瘤及肾囊肿等疾病中的应用逐渐增多，未来会有更多的临床实用性研究。

参考文献：

[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]张秀容，汪云霞，何世娟.宜宾地区泌尿系结石1628例临床分析[J].检验医学与临床，2011，8（18）：2211-2212.

[22]金锡御，俞天麟．泌尿外科手术学[M].北京：人民军医出版社，2004：97．

[23]段中阳，李昕.肾结石形成解剖学因素研究[J].创伤与急危重病医学，2018，6（1）：12-13，17.

[24]钟婷婷，刘艳君，张云飞，等.不同体位及部位对实时剪切波弹性成像技术对正常肾脏的影响[J].中国超声医学杂志，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，周星辉，吴钢飞，等.螺旋CT低剂量扫描在诊断泌尿系结石中的应用价值[J].基层医学论坛，2021，25（1）：95-96.

[27]葛广忠.低剂量CT在泌尿系结石诊断中的诊断效能及对图像质量的影響[J].中国继续医学教育，2021，13（18）：110-115.

[28]周青，陈琴.超声造影对肾脏实性肿瘤的定性诊断价值[J].中国医学影像学杂志，2018，26（8）：602-605，611.

[29]刘雪，杨崇一，杨丰强，等.彩色多普勒超声联合超声造影用于肾实质性肿瘤鉴别诊断的临床观察[J].中华全科医学，2022，20（3）：458-460，472.

[30]李翠仙，黄备建，薛立云，等.比较超声造影诊断微小肾细胞癌（MRCC）及15 mm小肾细胞癌（SRCC）的应用价值[J].复旦学报（医学版），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]刘春林，杨渊峰，王杭.高密度肾囊肿诊治18例分析[J].复旦学报：医学版，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

编辑/王萌