Automatic segmentation of kidneys affected by polycystic kidney disease using U-Net based models

Polycystic kidney disease (PKD) is a genetic disease that causes uncontrolled growth of fluid-filled cysts in the kidney. Kidney enlargement resulting from the expansion of cysts in patients with PKD is continuous and quantifiable and is often associated with the decrease of renal function and subsequent kidney failure. The accurate seg- mentation of cysts and their host kidneys can help doctors monitor kidney expansion quantifying total kidney volumes and evaluate the efficacy of treatments. Being manual segmentation extremely time-consuming and since it needs to be per- formed by an expert, automatic methods are necessary. In this work, fully convolutional networks based on the U-Net architecture are explored for the task of renal and renal cysts automatic segmentation. The two variants that performed better, according to the Dice coefficient, are the U-Net where a batch normalization layer is applied after each pair of 3x3 convolutions, and the one where convolutional layers are replaced by inception blocks. From the accurate segmentation of cysts and their host kidneys, it is possible to compute the portion of total kidney volume occupied by cysts, which is the metric needed by the clinicians. The obtained value is fully comparable to the one captured using manual segmentation, however by automatically performing the segmentation, the time needed to compute the final metric is consistently reduced.

La policistosi renale, nota anche come rene policistico, è una malattia genetica che causa la crescita incontrollata di cisti contenenti un fluido. L’ingrandimento del rene, dovuto alla crescita delle cisti, può impedire la capacità di filtrare del rene. La segmentazione delle cisti e della struttura renale aiuta a monitorare l’espansione del rene quantificandone il volume e a valutare l’efficacia dei trattamenti. La segmentazione manuale richiede l’impiego di molto tempo e la competenza di esperti, per questo motivo è necessario sviluppare un metodo di segmentazione automatica. In questa tesi vengono studiate alcune reti neurali convoluzionali, partendo dalla strut- tura dello U-Net, per la segmentazione automatica dei reni policistici. Le due varianti che hanno raggiunto i risultati migliori, secondo il coefficiente di Dice, sono quella ottenuta aggiungendo allo U-Net uno strato di batch normalization dopo ogni convoluzione 3x3 e quella costruita sostituendo un blocco inception a ogni strato convoluzionale dello U-Net. Dalla accurata segmentazione del rene e delle cisti, è possibile calcolare la porzione di volume occupata dalle cisti, che è il dato utile ai clinici per valutare l’avanzamento della malattia. Il valore ottenuto con la segmentazione automatica è del tutto confrontabile con quello che può essere ricavato dalle segmentazioni manuali, riducendo gli errori dovuti alla manualità del procedimento e, in particolare, riducendo di molto il tempo necessario per ottenere le segmentazioni.