[论文解读] 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 31

一句话总结

本文提出了一种全自动的二维超声心动图计算机视觉流程，利用卷积神经网络（CNN）识别视图、分割心脏腔室、分期心脏周期，并量化功能与结构。该方法在射血分数（MAD=5.3%）和应变（MAD=1.5%）方面实现了高精度，相较于手动测量具有更优的一致性，并在检测肥厚型心肌病（AUC=0.93）和心脏淀粉样变性（AUC=0.84）方面表现出色。

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.

研究动机与目标

• 开发一种完全自动化、可扩展的计算机视觉流程，用于解读二维超声心动图。
• 提高初级医疗和农村医疗环境中心脏功能评估的可及性和成本效益。
• 实现心脏健康的连续监测，尤其针对乳腺癌患者中的曲妥珠单抗相关心肌毒性。
• 以高精度检测特定心脏疾病，如肥厚型心肌病和心脏淀粉样变性。
• 通过自动化指标和深度学习，实现一致性与可靠性优于手动测量。

提出的方法

• 对二维超声心动图图像进行预处理，以标准化深度学习模型的输入。
• 使用卷积神经网络（CNN）实现视图的自动识别（例如，心尖四腔心室、胸骨旁长轴视图）。
• 基于CNN的图像分割，以勾勒左心室和右心室腔室及心内膜边界。
• 通过时间建模对心脏周期进行分期，以识别舒张末期和收缩末期，用于功能量化。
• 使用粒子追踪算法，基于心内膜运动计算左心室纵向应变。
• 将所有组件整合为统一流程，实现自动化的射血分数、心腔容积、左心室质量及疾病检测。

实验结果

研究问题

• RQ1 基于深度学习的计算机视觉流程能否准确识别标准的二维超声心动图视图？
• RQ2 自动化分割与功能量化能否达到或超过手动测量或商用软件的精度？
• RQ3 该流程能否在不同超声心动图研究中可靠地计算射血分数与纵向应变，并保持高度一致性？
• RQ4 该流程能否以临床相关的精度检测特定心肌病，如肥厚型心肌病和心脏淀粉样变性？
• RQ5 在内部一致性与可重复性方面，自动化分析是否优于手动测量？

主要发现

• CNN在识别心尖四腔心室视图方面达到99%的准确率，且在心脏腔室分割方面也表现出高准确率。
• 与研究报告值相比，自动化左心室舒张末期容积指数测量的平均绝对偏差（MAD）为7.7 mL/kg/m²（N=2918项研究）。
• 与商用软件相比，该流程计算的射血分数MAD为5.3%（N=3101项研究）。
• 纵向应变测量的MAD分别为1.5%（n=197）和1.6%（n=110），表明与参考标准具有高度一致性。
• 在七项内部一致性指标中，自动化流程优于手动测量，平均斯皮尔曼等级相关系数提高0.05（p=0.02）。
• 疾病检测算法在肥厚型心肌病中的AUC为0.93，在心脏淀粉样变性中的AUC为0.84，表明具有优异的诊断性能。