[論文レビュー] A Computer Vision Pipeline for Automated Determination of Cardiac Structure and Function and Detection of Disease by Two-Dimensional Echocardiography

Jeffrey Zhang, Sravani Gajjala+14 more|arXiv (Cornell University)|Jun 22, 2017

Cardiovascular Function and Risk Factors参考文献 19被引用数 31

ひとこと要約

本論文は、畳み込みニューラルネットワーク（CNN）を用いて視野の特定、心室のセグメンテーション、心拍周期の位相合わせ、機能および構造の定量的評価を実行する完全自動化されたコンピュータビジョンパイプラインを提示する。射出分数（MAD=5.3%）およびストレイン（MAD=1.5%）において高い正確性を達成し、手動読取に比べて優れた一貫性を示し、肥大型心筋症（AUC=0.93）および心筋アミロイドーシス（AUC=0.84）の検出においても優れた性能を示した。

ABSTRACT

Automated cardiac image interpretation has the potential to transform clinical practice in multiple ways including enabling low-cost serial assessment of cardiac function in the primary care and rural setting. We hypothesized that advances in computer vision could enable building a fully automated, scalable analysis pipeline for echocardiogram (echo) interpretation. Our approach entailed: 1) preprocessing; 2) convolutional neural networks (CNN) for view identification, image segmentation, and phasing of the cardiac cycle; 3) quantification of chamber volumes and left ventricular mass; 4) particle tracking to compute longitudinal strain; and 5) targeted disease detection. CNNs accurately identified views (e.g. 99% for apical 4-chamber) and segmented individual cardiac chambers. Cardiac structure measurements agreed with study report values (e.g. mean absolute deviations (MAD) of 7.7 mL/kg/m2 for left ventricular diastolic volume index, 2918 studies). We computed automated ejection fraction and longitudinal strain measurements (within 2 cohorts), which agreed with commercial software-derived values [for ejection fraction, MAD=5.3%, N=3101 studies; for strain, MAD=1.5% (n=197) and 1.6% (n=110)], and demonstrated applicability to serial monitoring of breast cancer patients for trastuzumab cardiotoxicity. Overall, we found that, compared to manual measurements, automated measurements had superior performance across seven internal consistency metrics with an average increase in the Spearman correlation coefficient of 0.05 (p=0.02). Finally, we developed disease detection algorithms for hypertrophic cardiomyopathy and cardiac amyloidosis, with C-statistics of 0.93 and 0.84, respectively. Our pipeline lays the groundwork for using automated interpretation to support point-of-care handheld cardiac ultrasound and large-scale analysis of the millions of echos archived within healthcare systems.

研究の動機と目的

• コンピュータビジョンを用いて2次元エコーカードログラムを完全自動で解釈するスケーラブルなパイプラインの開発。
• プライマリケアおよび農村地域における心機能評価のアクセス性と費用対効果の向上。
• 特に乳がん患者におけるトラスツズマブ心毒性のための連続的心機能モニタリングの実現。
• 肥大型心筋症や心筋アミロイドーシスを含む特定の心筋症を高い正確性で検出すること。
• 自動化された指標と深層学習を用いて、手動測定に比べて一貫性と信頼性を向上させること。

提案手法

• 深層学習モデルの入力としての標準化を目的とした2次元エコーカードログラムの前処理。
• 視野の自動特定（例：心尖4視野、傍胸骨長軸）のための畳み込みニューラルネットワーク（CNN）の使用。
• 左室および右室の心室腔と内膜境界を明確化するためのCNNベースの画像セグメンテーション。
• 時間的モデリングを用いた心拍周期の位相合わせにより、機能的定量のための拡張期および拡張期の特定。
• 内膜運動からの左室長軸ストレインを計算するための粒子追跡アルゴリズム。
• すべてのコンponentを統合した統一パイプラインにより、自動的な射出分数、心室容量、左室マス、疾患検出が可能となる。

実験結果

リサーチクエスチョン

• RQ1 深層学習に基づくコンピュータビジョンパイプラインは、標準的な2次元エコーカードログラムの視野を正確に特定できるか？
• RQ2 自動セグメンテーションおよび機能的定量が、手動または商業ソフトウェアによる測定と同等またはそれを上回る正確性を達成できるか？
• RQ3 多様なエコーカードログラムに対して、自動パイプラインが射出分数および長軸ストレインを高い一貫性で正確に計算できるか？
• RQ4 肥大型心筋症や心筋アミロイドーシスを含む特定の心筋症を、臨床的に意味のある正確性で検出できるか？
• RQ5 自動分析は、内部的一致性および再現性という観点から、手動測定を上回る性能を示すか？

主な発見

• CNNは心尖4視野の特定において99％の正確性を達成し、心室腔のセグメンテーションにおいても高い正確性を示した。
• 自動左室拡張期体積指数測定値は、研究レポート値（N=2918件）と比較して平均絶対偏差（MAD）が7.7 mL/kg/m²であった。
• 商業ソフトウェア（N=3101件）と比較した場合、パイプラインで算出された射出分数のMADは5.3％であった。
• 長軸ストレイン測定値は、MADが1.5％（n=197）および1.6％（n=110）であり、基準値と強い一致を示した。
• 7つの内部的一致性指標において、自動パイプラインは手動測定を上回り、スピアマン相関の平均増加は0.05（p=0.02）であった。
• 疾患検出アルゴリズムは、肥大型心筋症でAUC=0.93、心筋アミロイドーシスでAUC=0.84を達成し、高い診断性能を示した。