[论文解读] Automated Diagnosis of Cardiovascular Diseases from Cardiac Magnetic Resonance Imaging Using Deep Learning Models: A Review

Mahboobeh Jafari, Afshin Shoeibi+12 more|arXiv (Cornell University)|Oct 26, 2022

Cardiac Imaging and Diagnostics被引用 5

一句话总结

本篇综述整合了基于深度学习（DL）的经心脏磁共振（CMR）影像自动诊断心血管疾病（CVDs）的最新进展。该综述评估了DL架构、CMR分析中的挑战以及临床应用，突出显示了在冠状动脉疾病和心肌病等主要CVD类型中，诊断准确率、效率以及早期检测的潜力均得到提升。

ABSTRACT

In recent years, cardiovascular diseases (CVDs) have become one of the leading causes of mortality globally. CVDs appear with minor symptoms and progressively get worse. The majority of people experience symptoms such as exhaustion, shortness of breath, ankle swelling, fluid retention, and other symptoms when starting CVD. Coronary artery disease (CAD), arrhythmia, cardiomyopathy, congenital heart defect (CHD), mitral regurgitation, and angina are the most common CVDs. Clinical methods such as blood tests, electrocardiography (ECG) signals, and medical imaging are the most effective methods used for the detection of CVDs. Among the diagnostic methods, cardiac magnetic resonance imaging (CMR) is increasingly used to diagnose, monitor the disease, plan treatment and predict CVDs. Coupled with all the advantages of CMR data, CVDs diagnosis is challenging for physicians due to many slices of data, low contrast, etc. To address these issues, deep learning (DL) techniques have been employed to the diagnosis of CVDs using CMR data, and much research is currently being conducted in this field. This review provides an overview of the studies performed in CVDs detection using CMR images and DL techniques. The introduction section examined CVDs types, diagnostic methods, and the most important medical imaging techniques. In the following, investigations to detect CVDs using CMR images and the most significant DL methods are presented. Another section discussed the challenges in diagnosing CVDs from CMR data. Next, the discussion section discusses the results of this review, and future work in CVDs diagnosis from CMR images and DL techniques are outlined. The most important findings of this study are presented in the conclusion section.

研究动机与目标

• 系统回顾2015年至2022年间发表的关于深度学习在基于CMR的心血管疾病诊断中应用的同行评审研究，聚焦于最先进的深度学习模型。
• 识别CMR图像分析中的关键技术挑战，包括数据量大、对比度低以及切片变异等问题。
• 评估深度学习模型在检测主要CVD（如冠状动脉疾病、心肌病和先天性心脏病）方面的性能与临床适用性。
• 概述将深度学习整合到临床CMR工作流程中的当前局限性及未来研究方向。
• 全面概述深度学习技术、CMR扫描方案以及心血管疾病诊断结果。

提出的方法

• 系统回顾2015年至2022年间发表的关于深度学习在CMR基心血管疾病诊断中应用的同行评审研究。
• 根据架构对深度学习模型进行分类，包括2D和3D卷积神经网络（CNNs）、U-Net变体以及基于Transformer的模型。
• 分析CMR成像方案，包括电影MRI、延迟钆增强（LGE）以及T1/T2映射序列。
• 评估数据预处理技术（如归一化、配准和增强）在提升模型泛化能力方面的作用。
• 通过标准指标（如准确率、敏感性、特异性以及AUC-ROC）比较不同CVD类型下模型的性能。
• 综合分析临床环境中数据稀缺性、标注变异性以及模型可解释性相关挑战。

实验结果

研究问题

• RQ1 哪些深度学习架构在从CMR图像中检测心血管疾病方面展现出最高的诊断准确率？
• RQ2 在将深度学习应用于CMR数据时，主要的技术与临床挑战是什么？当前如何应对这些挑战？
• RQ3 与传统放射科阅片相比，基于深度学习的方法在速度、一致性以及诊断信心方面表现如何？
• RQ4 深度学习在CMR中用于特定CVD的早期检测与监测方面，最具前景的应用是什么？
• RQ5 临床采用深度学习模型进行常规CMR诊断的主要障碍是什么？

主要发现

• 深度学习模型，尤其是3D-CNN和基于U-Net的架构，在检测左心室功能障碍和心肌纤维化等疾病时表现出高诊断准确率（AUC > 0.90）。
• 基于深度学习的心脏结构分割（如左心室、右心室）相比人工勾画，显著降低了观察者间差异，提高了可重复性。
• 在多序列CMR数据（如电影序列、LGE、T1映射）上训练的模型，相比单序列方法，在检测细微病理改变方面表现更优。
• 尽管在研究环境中表现强劲，临床部署仍受限，主要因对可解释性、数据偏差的担忧以及缺乏大规模验证。
• 可解释人工智能（XAI）技术的引入正成为提升临床医生信任度与获得监管批准的关键推动因素。
• 未来研究应聚焦于联邦学习、多中心验证以及实时推理，以支持临床决策。