[论文解读] Automated cardiovascular magnetic resonance image analysis with fully convolutional networks

Wenjia Bai, Matthew Sinclair+21 more|arXiv (Cornell University)|Oct 25, 2017

Cardiac Imaging and Diagnostics参考文献 24被引用 4

一句话总结

本文提出了一种基于全卷积网络（FCN）的方法，用于在短轴和长轴心血管磁共振（CMR）图像中自动分割心脏结构。该模型在4,875名英国生物银行受试者的数据上进行训练，包含93,500个像素级标注，其在测量左心室和右心室容积、射血分数及心肌质量方面达到人类水平的准确性，左心室腔的Dice分数为0.94，与手动勾画相比，舒张末期容积的平均绝对差异为6.1 mL。

ABSTRACT

Cardiovascular magnetic resonance (CMR) imaging is a standard imaging modality for assessing cardiovascular diseases (CVDs), the leading cause of death globally. CMR enables accurate quantification of the cardiac chamber volume, ejection fraction and myocardial mass, providing information for diagnosis and monitoring of CVDs. However, for years, clinicians have been relying on manual approaches for CMR image analysis, which is time consuming and prone to subjective errors. It is a major clinical challenge to automatically derive quantitative and clinically relevant information from CMR images. Deep neural networks have shown a great potential in image pattern recognition and segmentation for a variety of tasks. Here we demonstrate an automated analysis method for CMR images, which is based on a fully convolutional network (FCN). The network is trained and evaluated on a large-scale dataset from the UK Biobank, consisting of 4,875 subjects with 93,500 pixelwise annotated images. The performance of the method has been evaluated using a number of technical metrics, including the Dice metric, mean contour distance and Hausdorff distance, as well as clinically relevant measures, including left ventricle (LV) end-diastolic volume (LVEDV) and end-systolic volume (LVESV), LV mass (LVM); right ventricle (RV) end-diastolic volume (RVEDV) and end-systolic volume (RVESV). By combining FCN with a large-scale annotated dataset, the proposed automated method achieves a high performance on par with human experts in segmenting the LV and RV on short-axis CMR images and the left atrium (LA) and right atrium (RA) on long-axis CMR images.

研究动机与目标

• 为解决临床中CMR图像手动分割耗时且主观的问题，开发一种自动化、客观的替代方法。
• 支持大规模人群影像研究，例如英国生物银行，该研究需要对数以万计的CMR扫描进行高通量、高精度的分析。
• 证明深度学习模型可在多种心脏视图下对心脏结构的分割达到或超过人类专家的表现。
• 基于大规模、公开可用、人工标注的数据集，建立自动化CMR分析的基准。

提出的方法

• 通过端到端训练全卷积网络（FCN），在短轴和长轴CMR图像上实现心脏结构的像素级分割。
• 通过跳跃连接实现多尺度特征融合，以提高分割中的定位精度。
• 在包含4,875名英国生物银行受试者的大规模数据集上进行训练，共包含93,500张人工标注图像，覆盖左心室和右心室、左心房和右心房。
• 通过交叉熵损失与Dice损失的组合优化网络，以提升边界检测能力和分割一致性。
• 数据预处理包括强度归一化、图像缩放和增强，以提高泛化能力和鲁棒性。
• 后处理包括形态学操作和轮廓优化，以确保解剖学上合理的分割输出。

实验结果

研究问题

• RQ1 全卷积网络是否能在短轴和长轴CMR图像中实现对心脏结构分割的人类水平性能？
• RQ2 该自动化方法的性能与人类专家之间的观察者间变异相比如何？
• RQ3 深度学习在多大程度上可减少手动CMR图像分析所耗费的时间和主观性？
• RQ4 大规模、公开可用的标注数据集是否能够支持开发出稳健且可泛化的CMR分析模型？

主要发现

• 在600例短轴图像测试集中，该方法对左心室腔的平均Dice分数为0.94，左心室心肌为0.88，右心室腔为0.90。
• 与人工测量相比，自动测量的平均绝对差异为：左心室舒张末期容积6.1 mL，收缩末期容积5.3 mL，左心室质量6.9 g。
• 对于右心室容积，舒张末期容积的平均绝对差异为8.5 mL，收缩末期容积为7.2 mL。
• 在长轴图像中，该模型对左心房（2-chamber视图）的Dice分数为0.93，对左心房（4-chamber视图）为0.95，对右心房（4-chamber视图）为0.96。
• 该自动化方法的性能与人类观察者间变异相当，表明其具备临床应用潜力。
• 该方法可实现在每项研究数秒内自动、快速、客观地量化临床相关指标，如射血分数和每搏量。