醫(yī)學(xué)圖像處理技術(shù)在腎臟疾病中的診斷價(jià)值

阿麗米熱·阿不都熱依木

摘要：評(píng)估腎臟功能及結(jié)構(gòu)的準(zhǔn)確性對(duì)腎臟疾病的診斷和預(yù)后至關(guān)重要。磁共振成像（MRI）、超聲彈性成像（UE）及計(jì)算機(jī)斷層掃描（CT）等先進(jìn)的醫(yī)學(xué)影像技術(shù)能夠無(wú)創(chuàng)檢測(cè)腎臟結(jié)構(gòu)、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(tǒng)醫(yī)學(xué)影像技術(shù)轉(zhuǎn)變?yōu)槿詣?dòng)化診斷工具的能力，并對(duì)腎臟醫(yī)學(xué)影像進(jìn)行定性分析外，紋理分析還與機(jī)器學(xué)習(xí)技術(shù)相結(jié)合，作為腎組織異質(zhì)性的定量分析方式，為預(yù)測(cè)腎臟功能減退提供了輔助診斷依據(jù)，有望成為腎功能診斷的一種新方法。本文總結(jié)了不同的醫(yī)學(xué)影像技術(shù)用于監(jiān)測(cè)腎臟疾病的研究進(jìn)展，并討論了紋理分析和人工智能關(guān)聯(lián)性，以期為臨床腎臟疾病的診斷提供參考。

關(guān)鍵詞：圖像處理；腎臟；人工智能

中圖分類號(hào)：S941.42+7? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?DOI：10.3969/j.issn.1006-1959.2024.04.036

文章編號(hào)：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(lái)，醫(yī)學(xué)圖像處理已成為醫(yī)學(xué)技術(shù)中發(fā)展最快的領(lǐng)域之一，其結(jié)果使臨床醫(yī)生對(duì)人體內(nèi)部病變部位的觀察更直接、更清晰，確診率也更高。20世紀(jì)70年代初，CT的發(fā)明曾引發(fā)了醫(yī)學(xué)影像領(lǐng)域的一場(chǎng)革命，與此同時(shí)，核磁共振成像MRI、超聲成像、數(shù)字射線照相術(shù)、發(fā)射型計(jì)算機(jī)成像和核素成像等也逐步發(fā)展。早期診斷和預(yù)測(cè)慢性腎臟病、腎結(jié)石及腎腫瘤等，可以降低疾病治療成本，減緩腎臟損害的進(jìn)展，避免發(fā)生不可接受的后果[1]。人工智能技術(shù)的飛躍性發(fā)展，特別是深度學(xué)習(xí)方法以及硬件算力的進(jìn)步，極大地推動(dòng)了人工智能在生物醫(yī)學(xué)領(lǐng)域、腎臟病學(xué)領(lǐng)域的發(fā)展。人工智能可以預(yù)測(cè)急性腎損傷的發(fā)生，識(shí)別慢性腎臟病的發(fā)生[2]，亦可在腎臟病理的研究中輔助分析、預(yù)后預(yù)測(cè)和輔助決策?；诖?，本文對(duì)醫(yī)學(xué)圖像處理技術(shù)中的圖像分割、紋理分析、圖像配準(zhǔn)和圖像融合技術(shù)的現(xiàn)狀及其發(fā)展進(jìn)行綜述，以期為其在慢性腎臟疾病中的應(yīng)用提供參考依據(jù)。

1慢性腎臟病

慢性腎臟病（chronic kidney disease，CKD）定義為腎臟結(jié)構(gòu)或功能異常。2012年一項(xiàng)納入47 204例成人的大型橫斷面研究表明[1]，我國(guó)CKD的患病率為10.8%。目前，慢性腎臟病仍然是一個(gè)廣泛存在且較為主要的公共衛(wèi)生問(wèn)題，困擾著全球超過(guò)12%的人口。它的特點(diǎn)是腎功能進(jìn)行性且不可逆轉(zhuǎn)的惡化，并伴有低腎小球?yàn)V過(guò)率（glomerular filtration rate，GFR），最終導(dǎo)致終末期腎病。此時(shí)腎臟完全受損，無(wú)法正常過(guò)濾血液，需要進(jìn)行腎臟透析或移植[3]。評(píng)價(jià)腎功能的常用方法是根據(jù)血清肌酸水平（SCr）估算EGFR，或者通過(guò)組織活檢，進(jìn)行組織病理學(xué)分析。雖然活檢是評(píng)估腎臟微結(jié)構(gòu)和量化腎功能障礙原因的金標(biāo)準(zhǔn)，但它也存在以下缺點(diǎn)。首先，侵襲性手術(shù)與出血和患者可能的疼痛有關(guān)，因此影響了后續(xù)評(píng)估。其次，活組織檢查受限于采樣偏差，因?yàn)樗鼘?duì)通常不包括髓質(zhì)的腎臟中不到1%的組織進(jìn)行采樣，所以它在空間分辨率方面是有限的[4]。

MRI具有評(píng)估腎臟微結(jié)構(gòu)的組織、擴(kuò)散、灌注和氧合的潛力，還提供了測(cè)量腎臟血流動(dòng)力學(xué)、量化組織松弛時(shí)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(shí)別有關(guān)組織機(jī)械特性的結(jié)構(gòu)信息。計(jì)算機(jī)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(jié)合了使用放射性示蹤劑的功能和血流灌注測(cè)量。醫(yī)學(xué)影像技術(shù)在評(píng)估腎功能方面無(wú)疑是一種很有前途及潛力的醫(yī)學(xué)診斷方式。紋理是從數(shù)學(xué)計(jì)算方程中獲得的，它研究灰度級(jí)像素的空間排列，并顯示它們之間的關(guān)系，這些關(guān)系通常是人眼無(wú)法看到的?？紤]到腎臟的結(jié)構(gòu)和腎臟疾病對(duì)功能標(biāo)記物分布的影響，紋理分析有可能反映組織病理學(xué)的異質(zhì)性[5]。將紋理分析引入傳統(tǒng)的機(jī)器學(xué)習(xí)方法，通過(guò)提供可用于診斷和預(yù)測(cè)腎功能障礙的額外的數(shù)值描述符，擴(kuò)展了醫(yī)學(xué)成像能力。

以細(xì)胞外基質(zhì)沉積為特征的腎纖維化在慢性腎臟病的發(fā)生發(fā)展中起著關(guān)鍵作用[6]。由于組織細(xì)胞的參與，水分子在組織內(nèi)的流動(dòng)性是降低的。因此，水?dāng)U散可以反映組織的微觀結(jié)構(gòu)。擴(kuò)散加權(quán)成像（diffusion weighted imaging，DWI）是一種磁共振成像方法，它將水分子的運(yùn)動(dòng)作為對(duì)比，提供水?dāng)U散或布朗運(yùn)動(dòng)的活體測(cè)量，使用強(qiáng)大的雙極磁梯度，以創(chuàng)建接收信號(hào)對(duì)水運(yùn)動(dòng)的敏感性，從而描述組織限制水的方式[4]。表觀擴(kuò)散系數(shù)（apparent diffusion coefficient，ADC）是一個(gè)DWI生物標(biāo)記物，對(duì)應(yīng)于組織內(nèi)水?dāng)U散和微循環(huán)的總體測(cè)量[4]。體素內(nèi)非相干運(yùn)動(dòng)（the intra-voxel incoherent motion，IVIM）模型是由Le Bihan D等[7]提出的，為了區(qū)分毛細(xì)血管網(wǎng)絡(luò)中血流引起的真擴(kuò)散或分子水?dāng)U散與假擴(kuò)散或灌流，IVIM得到的參數(shù)是與血管外水分子運(yùn)動(dòng)或純擴(kuò)散有關(guān)的真擴(kuò)散（D*）、與血管內(nèi)水分子運(yùn)動(dòng)或灌流有關(guān)的偽擴(kuò)散（D*）以及流動(dòng)分?jǐn)?shù)（F*）。

DWI已被報(bào)道為糖尿病腎臟病情變化的良好預(yù)測(cè)指標(biāo)[8]，以及監(jiān)測(cè)移植后腎功能的可靠技術(shù)[9]。幾項(xiàng)研究已經(jīng)表明[9-11]，在動(dòng)物模型中，DWI作為一種很有前途的成像技術(shù)，用于評(píng)估腎臟纖維化具有潛在的應(yīng)用前景。當(dāng)與腎功能相關(guān)時(shí)，DWI參數(shù)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(qiáng)的相關(guān)性。這些參數(shù)的降低可以歸因于灌注的減少、限制水分的間質(zhì)纖維化的存在以及血管的減少[14]。此外，皮質(zhì)和髓質(zhì)DWI參數(shù)之間的差異與纖維化的百分比呈良好的負(fù)相關(guān)[15]。ADC在正常對(duì)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(dāng)按病理類型（微小病變腎小球腎炎、局灶節(jié)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(jìn)行分類時(shí)，則不同。這可以參考這樣一個(gè)事實(shí)，即不同的CKD病理類型具有相似的致病特征，導(dǎo)致ADC下降[16]。然而，ADC值因?yàn)闆](méi)有能力區(qū)分健康CKD和Ⅰ期CKD，因此無(wú)法早期診斷CKD。在一項(xiàng)研究中提到了與血流灌注相關(guān)的D*，該研究表明腎損害伴隨著血流灌注量的減少，IVIM圖應(yīng)該比ADC圖能更早期發(fā)現(xiàn)腎功能障礙[17]。另一方面，使用ADC檢測(cè)腎損害的性能好于IVIM參數(shù)[12，13，15]。與無(wú)糖尿腎病患者相比平均ADC值顯著降低。而糖尿病腎病是導(dǎo)致腎功能衰竭的主要原因之一。

最近，彌散加權(quán)成像被證明有希望區(qū)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(fù)相關(guān)[18]。據(jù)報(bào)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(xiàn)，皮質(zhì)和髓質(zhì)ADC顯著減少。

2腎結(jié)石

國(guó)內(nèi)外對(duì)腎盂腎盞與結(jié)石形成的解剖學(xué)研究是基于尸體及二維影像學(xué)測(cè)量，有報(bào)道稱腎盂出口梗阻、腎盂體積小、腎盂出口相對(duì)狹窄等是造成中上盞結(jié)石形成的重要因素[21-23]。腎集合系統(tǒng)的解剖結(jié)構(gòu)是腎結(jié)石發(fā)病機(jī)制中的重要因素之一，對(duì)制定手術(shù)治療方案具有重要意義。對(duì)腎盞形態(tài)的認(rèn)識(shí)極其重要，因?yàn)檫@是選擇合適的碎石方法的基礎(chǔ)。

超聲彈性成像（ultrasound elastography，UE）能夠檢測(cè)組織的機(jī)械特性，如（magnetic radiation elastography，MRE）。UE技術(shù)基于對(duì)在組織內(nèi)傳播的產(chǎn)生的剪切波的成像，或者基于組織在外部壓縮下的應(yīng)變分析[24]。剪切波彈性成像（shear wave elastography，SWE）利用聲波通過(guò)測(cè)量反映組織硬度的剪切波速（shear wave velocity，SWV）來(lái)評(píng)估組織彈性。有研究顯示[25]，與無(wú)功能腎臟相比，功能腎臟的硬度更高，預(yù)測(cè)性能（敏感性90.9%，特異性85.7%，對(duì)錐體僵硬的AUC為0.925）更好，SWV與腎血流和EGFR有很好的相關(guān)性。CT在泌尿系結(jié)石診斷中具有舉足輕重的價(jià)值，而MSCT（螺旋CT）無(wú)需注射或口服對(duì)比劑，操作簡(jiǎn)單，經(jīng)FBP重建處理后，圖像質(zhì)量高，能準(zhǔn)確清晰顯示結(jié)石發(fā)生部位、大小和數(shù)量，并且對(duì)結(jié)石繼發(fā)征象也能明確診斷。雖然MSCT常規(guī)平掃對(duì)結(jié)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(bào)道指出[27]，考慮到結(jié)石的高發(fā)率和易復(fù)發(fā)率，需接受或多次接受MSCT檢查的患者眾多，輻射安全性問(wèn)題需引起重視。

3腎臟囊腫及腫瘤

超聲造影是結(jié)合造影劑增強(qiáng)血液的背向散射，增強(qiáng)回聲提高超聲分辨力的技術(shù)，周青等[28]研究認(rèn)為超聲造影有助于提高對(duì)腎臟實(shí)性腫瘤的定性診斷效能。常規(guī)超聲通過(guò)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(guī)超聲難以顯示病灶微循環(huán)特征，在囊腫性質(zhì)鑒別方面存在一定局限性[29]。超聲造影是新型聲學(xué)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(nèi)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(xì)胞癌是常見(jiàn)腎癌類型，其囊性變含大量糖原及脂質(zhì)且常伴出血壞死，常規(guī)回聲表現(xiàn)為低回聲、等回聲。但部分復(fù)雜性腎囊腫也可伴隨出血，進(jìn)而造成感染導(dǎo)致獲取圖像復(fù)雜化，呈現(xiàn)囊壁增厚、邊界不清等征象，導(dǎo)致與腎透明細(xì)胞癌囊性變混淆。而超聲造影可利用造影劑散射作用增強(qiáng)回聲，清晰觀察微小血管血流供應(yīng)，掌握病灶周圍微循環(huán)情況，評(píng)估囊腫內(nèi)實(shí)性成分血供。而且造影劑在腎臟中不會(huì)快速被代謝，滲入細(xì)小血管，有利于對(duì)更小的腎腫瘤組織進(jìn)行鑒別。此外，研究顯示應(yīng)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(jìn)一步證實(shí)了超聲造影在病灶性質(zhì)鑒定方面的應(yīng)用價(jià)值。

腎囊腫是常見(jiàn)的腎臟良性疾病，單純性腎囊腫在CT上多表現(xiàn)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(dāng)囊腫內(nèi)伴發(fā)出血、感染或包含某些高密度物質(zhì)時(shí)，在CT平掃上病灶表現(xiàn)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(xì)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(shí)質(zhì)（45～66 HU），且大多數(shù)的高密度腎囊腫密度均勻，因而CT特征可能會(huì)對(duì)預(yù)測(cè)病變的性質(zhì)有幫助。

4人工智能在醫(yī)學(xué)成像中的應(yīng)用

人工智能（artificial intelligence，AI）是指將由人完成的智力任務(wù)改為由計(jì)算機(jī)自動(dòng)化完成。機(jī)器學(xué)習(xí)（machine learning，ML）是人工智能技術(shù)的核心，其通過(guò)所使用的算法使計(jì)算機(jī)無(wú)需顯式編程就能從大量的數(shù)據(jù)中進(jìn)行學(xué)習(xí)。深度學(xué)習(xí)（deep learning，DL）是ML的特殊類別。作為機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)新興研究方向，深度學(xué)習(xí)受到人腦工作方式的啟發(fā)，是一種利用深度神經(jīng)網(wǎng)絡(luò)求解特征表達(dá)的學(xué)習(xí)過(guò)程[34]。深度學(xué)習(xí)已經(jīng)成功地應(yīng)用于器官分割、腎臟總體積測(cè)定、慢性心肌勾畫、腦微出血檢測(cè)和肺結(jié)節(jié)分類。深層網(wǎng)絡(luò)最初由醫(yī)療臨床數(shù)據(jù)提供，包括年齡、血壓、血糖、血肌酐等屬性，并已超過(guò)所有傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)[35]。在腎功能評(píng)估、CKD預(yù)測(cè)和診斷方面，DL已經(jīng)顯表現(xiàn)出良好的前景，無(wú)論是單獨(dú)使用還是由組織質(zhì)地分支網(wǎng)絡(luò)提供服務(wù)。最近的研究主要集中于深度網(wǎng)絡(luò)的臨床應(yīng)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(jié)石、腎囊腫和腫瘤，以及預(yù)測(cè)EGFR。

4.1紋理分析? 紋理分析被廣泛應(yīng)用于不同的醫(yī)學(xué)成像模式，并已顯示其能力是一種強(qiáng)大的計(jì)算機(jī)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(wù)（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(shù)在肝纖維化和增加的異質(zhì)性之間顯示出良好的相關(guān)性[37]。由于組織纖維化在CKD的發(fā)展過(guò)程中起著重要的作用。對(duì)腎臟圖像的紋理分析可能是一個(gè)很好的預(yù)測(cè)腎功能障礙的指標(biāo)。在腎功能評(píng)估方面，紋理分析應(yīng)用于MR、US以及核素成像。與機(jī)器學(xué)習(xí)技術(shù)相結(jié)合，紋理分析被證明是一種很好的補(bǔ)充工具，可以為醫(yī)生服務(wù)，特別是在疾病的早期階段發(fā)現(xiàn)CKD進(jìn)展時(shí)。采用紋理分析的研究側(cè)重于不同的臨床應(yīng)用，包括通過(guò)區(qū)分健康志愿者和輕度或非嚴(yán)重腎損害患者來(lái)檢測(cè)早期腎功能障礙，鑒別健康和病變腎臟，評(píng)估結(jié)構(gòu)與纖維化成分和EGFR的關(guān)系，鑒別非排斥移植腎的排斥反應(yīng)，預(yù)測(cè)ADPKD患者進(jìn)展為CKD，最重要的是預(yù)測(cè)CKD的5個(gè)階段。此外，通過(guò)紋理分析在超聲腎臟圖像上評(píng)估與CKD相關(guān)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(yīng)用? 分割是腹部圖像分析中的關(guān)鍵步驟，具有不同的應(yīng)用，包括手術(shù)規(guī)劃、計(jì)算機(jī)輔助監(jiān)測(cè)、定性或定量的提取、視覺(jué)特征、圖像引導(dǎo)干預(yù)。腎臟分割可以在放射科醫(yī)生進(jìn)行定性評(píng)估之前為其提供服務(wù)，在從輸入圖像中提取特征之前需要對(duì)腎臟進(jìn)行分割，以得到一個(gè)全自動(dòng)化的腎臟檢測(cè)和狀態(tài)評(píng)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(yù)。腎臟識(shí)別通常半自動(dòng)或自動(dòng)執(zhí)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(dòng)分割。它需要各種干預(yù)機(jī)制，例如識(shí)別初始種子、樣本在腎組織和背景中的定位、用圓形輪廓對(duì)腎臟進(jìn)行預(yù)分割，定義參數(shù)范圍[38]。

5總結(jié)

早期診斷和預(yù)測(cè)CKD，可以降低疾病治療成本，減緩腎臟損害的進(jìn)展。MRI被證明是一個(gè)強(qiáng)大的工具，通過(guò)評(píng)估腎功能和雙側(cè)腎臟的結(jié)構(gòu)來(lái)評(píng)估腎臟組織。MRI嵌入了幾個(gè)序列，反映了不同的腎臟屬性和功能，包括擴(kuò)散、灌注、充氧、組織彈性成像、血流動(dòng)力學(xué)等。UE利用其低成本和易獲得性的優(yōu)勢(shì)，也提供了與MRE一樣通過(guò)測(cè)量腎臟硬度來(lái)監(jiān)測(cè)CKD的有希望的結(jié)果，但UE研究得出的相互矛盾的結(jié)果使MRE更適合于腎臟僵硬的評(píng)估。人工智能在腎結(jié)石、腎腫瘤及腎囊腫等疾病中的應(yīng)用逐漸增多，未來(lái)會(huì)有更多的臨床實(shí)用性研究。

參考文獻(xiàn)：

[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(qū)泌尿系結(jié)石1628例臨床分析[J].檢驗(yàn)醫(yī)學(xué)與臨床，2011，8（18）：2211-2212.

[22]金錫御，俞天麟．泌尿外科手術(shù)學(xué)[M].北京：人民軍醫(yī)出版社，2004：97．

[23]段中陽(yáng)，李昕.腎結(jié)石形成解剖學(xué)因素研究[J].創(chuàng)傷與急危重病醫(yī)學(xué)，2018，6（1）：12-13，17.

[24]鐘婷婷，劉艷君，張?jiān)骑w，等.不同體位及部位對(duì)實(shí)時(shí)剪切波彈性成像技術(shù)對(duì)正常腎臟的影響[J].中國(guó)超聲醫(yī)學(xué)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(jié)石中的應(yīng)用價(jià)值[J].基層醫(yī)學(xué)論壇，2021，25（1）：95-96.

[27]葛廣忠.低劑量CT在泌尿系結(jié)石診斷中的診斷效能及對(duì)圖像質(zhì)量的影響[J].中國(guó)繼續(xù)醫(yī)學(xué)教育，2021，13（18）：110-115.

[28]周青，陳琴.超聲造影對(duì)腎臟實(shí)性腫瘤的定性診斷價(jià)值[J].中國(guó)醫(yī)學(xué)影像學(xué)雜志，2018，26（8）：602-605，611.

[29]劉雪，楊崇一，楊豐強(qiáng)，等.彩色多普勒超聲聯(lián)合超聲造影用于腎實(shí)質(zhì)性腫瘤鑒別診斷的臨床觀察[J].中華全科醫(yī)學(xué)，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(xì)胞癌（MRCC）及15 mm小腎細(xì)胞癌（SRCC）的應(yīng)用價(jià)值[J].復(fù)旦學(xué)報(bào)（醫(yī)學(xué)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(fù)旦學(xué)報(bào)：醫(yī)學(xué)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