[论文解读] Automatic Segmentation and Disease Classification Using Cardiac Cine MR Images

Jelmer M. Wolterink, Tim Leiner+2 more|arXiv (Cornell University)|Aug 3, 2017

Cardiac Imaging and Diagnostics参考文献 12被引用 9

一句话总结

本文提出了一种完全自动化的基于卷积神经网络（CNN）的心脏电影磁共振成像分析方法，用于在心室舒张末期和收缩末期对左心室、右心室和心肌进行分割，随后使用基于提取的定量特征的随机森林分类器，将患者分类为五种心脏疾病类别，准确率达到91%。该流程实现了高精度的分割（左心室、右心室和心肌的Dice分数分别为0.94、0.88和0.87），并可在每例患者5秒内完成。

ABSTRACT

Segmentation of the heart in cardiac cine MR is clinically used to quantify cardiac function. We propose a fully automatic method for segmentation and disease classification using cardiac cine MR images. A convolutional neural network (CNN) was designed to simultaneously segment the left ventricle (LV), right ventricle (RV) and myocardium in end-diastole (ED) and end-systole (ES) images. Features derived from the obtained segmentations were used in a Random Forest classifier to label patients as suffering from dilated cardiomyopathy, hypertrophic cardiomyopathy, heart failure following myocardial infarction, right ventricular abnormality, or no cardiac disease. The method was developed and evaluated using a balanced dataset containing images of 100 patients, which was provided in the MICCAI 2017 automated cardiac diagnosis challenge (ACDC). The segmentation and classification pipeline were evaluated in a four-fold stratified cross-validation. Average Dice scores between reference and automatically obtained segmentations were 0.94, 0.88 and 0.87 for the LV, RV and myocardium. The classifier assigned 91% of patients to the correct disease category. Segmentation and disease classification took 5 s per patient. The results of our study suggest that image-based diagnosis using cine MR cardiac scans can be performed automatically with high accuracy.

研究动机与目标

• 开发一种完全自动化的电影磁共振成像心脏结构分割方法，以支持心脏功能的临床量化。
• 利用图像衍生特征，将患者分类为五种心脏疾病类别——正常、扩张型心肌病、肥厚型心肌病、心肌梗死后心力衰竭以及右心室异常。
• 通过分析分类器后验概率分布，识别出诊断模糊或不确定的患者。
• 在MICCAI 2017 ACDC挑战赛提供的平衡数据集上，评估结合深度学习分割与传统随机森林分类器的两阶段流程的性能。

提出的方法

• 训练了一个具有空洞卷积和批量归一化的U-Net类CNN，用于同时预测心室舒张末期和收缩末期短轴电影磁共振切片的多类别概率图（背景、左心室、右心室、心肌）。
• 网络将解剖对齐的心室舒张末期和收缩末期图像作为双通道输入，以利用时间运动信息提升分割性能。
• 通过将每个体素分配给预测概率最高的类别获得分割结果，并对心室舒张末期和收缩末期输出分别进行softmax归一化。
• 从自动分割中提取定量特征，包括射血分数、心室容积比和心肌质量。
• 在这些特征与患者信息结合的基础上训练随机森林分类器以预测疾病类别，并通过后验概率熵评估模型不确定性。
• 在MICCAI 2017 ACDC数据集的100例训练病例上，采用四折分层交叉验证进行评估，所有图像均经过重采样和强度归一化处理。

实验结果

研究问题

• RQ1 基于深度学习的分割模型能否在自动勾画心脏电影磁共振成像中的左心室、右心室和心肌方面实现高精度？
• RQ2 从自动分割中提取的定量特征能否有效用于高精度地将患者分类为不同的心脏疾病类别？
• RQ3 分类器的后验概率分布在多大程度上反映了诊断不确定性？是否能够识别出诊断模糊或存在矛盾临床指征的患者？
• RQ4 与参考标准分割相比，该两阶段分割-分类流程在诊断准确性和计算效率方面的表现如何？

主要发现

• 所提出的CNN在左心室、右心室和心肌分割中的平均Dice分数分别为0.94、0.88和0.87，表明与手动参考分割具有高度重叠。
• 随机森林分类器在测试集上实现了91%的多类别分类准确率，正确地将91%的患者分配至其参考疾病类别。
• 该方法每例患者仅需5秒即可完成分割与分类，展现出极高的计算效率。
• 分类器后验概率中具有高不确定性的患者（如被错误分类为MINF或正常但参考诊断不同）可被识别，表明该方法在检测模糊病例方面具有实用价值。
• Bland-Altman分析显示，参考分割与自动分割之间在定量指标（如射血分数、容积比）上偏差极小，与临床实践中观察者间差异相当。
• 尚未探索将完整电影序列作为输入，但作者认为未来研究中这可能进一步提升分割与诊断性能。