[论文解读] Automatic Myocardial Infarction Evaluation from Delayed-Enhancement Cardiac MRI using Deep Convolutional Networks

Kibrom Berihu Girum, Youssef Skandarani+4 more|arXiv (Cornell University)|Oct 30, 2020

Cardiac Imaging and Diagnostics参考文献 13被引用 10

一句话总结

本文提出了一种基于延迟增强心脏磁共振成像（DE-MRI）和临床数据的两阶段深度学习框架，用于自动心肌梗死评估。该方法采用独立的U-Net架构网络分别进行解剖结构（左心室和心肌）与病理区域（梗死灶和无复流区）的分割，并通过心肌掩码进行优化，左心室Dice分数达到93%，心肌Dice分数达到84%，仅使用MRI数据即实现93.3%的分类准确率。

ABSTRACT

In this paper, we propose a new deep learning framework for an automatic myocardial infarction evaluation from clinical information and delayed enhancement-MRI (DE-MRI). The proposed framework addresses two tasks. The first task is automatic detection of myocardial contours, the infarcted area, the no-reflow area, and the left ventricular cavity from a short-axis DE-MRI series. It employs two segmentation neural networks. The first network is used to segment the anatomical structures such as the myocardium and left ventricular cavity. The second network is used to segment the pathological areas such as myocardial infarction, myocardial no-reflow, and normal myocardial region. The segmented myocardium region from the first network is further used to refine the second network's pathological segmentation results. The second task is to automatically classify a given case into normal or pathological from clinical information with or without DE-MRI. A cascaded support vector machine (SVM) is employed to classify a given case from its associated clinical information. The segmented pathological areas from DE-MRI are also used for the classification task. We evaluated our method on the 2020 EMIDEC MICCAI challenge dataset. It yielded an average Dice index of 0.93 and 0.84, respectively, for the left ventricular cavity and the myocardium. The classification from using only clinical information yielded 80% accuracy over five-fold cross-validation. Using the DE-MRI, our method can classify the cases with 93.3% accuracy. These experimental results reveal that the proposed method can automatically evaluate the myocardial infarction.

研究动机与目标

• 开发一种自动检测延迟增强心脏磁共振成像（DE-MRI）中心肌梗死和无复流区域的方法。
• 利用深度卷积神经网络提高解剖结构（左心室和心肌）及病理区域的分割准确性。
• 结合临床信息和/或DE-MRI数据，实现患者自动分类为正常或异常。
• 应对医学图像分割中的挑战，包括低对比度边界、形态可变性及运动伪影。
• 将临床数据与影像特征相结合，以提升诊断分类性能。

提出的方法

• 使用两个独立的编码器-解码器卷积神经网络：一个用于解剖结构分割（左心室和心肌），另一个用于病理区域分割（梗死、无复流、正常心肌）。
• 采用掩码策略，使解剖网络的输出结果限制病理网络的预测结果位于分割出的心肌区域内部。
• 在神经网络架构中使用2D $3\times3$ 卷积、ELU激活函数、批量归一化以及挤压-激励模块。
• 采用 $2\times2$ 最大池化进行下采样，$2\times2$ 转置卷积进行上采样，并通过拼接方式实现跳跃连接。
• 对输入图像进行预处理：对强度值进行零均值化并按标准差归一化，图像尺寸调整为 $256\times256$。
• 将两个网络的输出合并为最终的四分类分割图（LV、MYO、MI、正常MYO），并在三维空间中通过Dice系数、Hausdorff距离和相对体积差异进行评估。

实验结果

研究问题

• RQ1 深度学习框架能否准确地从短轴DE-MRI序列中分割出左心室腔和心肌？
• RQ2 级联网络架构是否能有效检测心肌梗死和无复流区域，同时将预测结果限制在心肌边界内？
• RQ3 临床信息单独使用或与DE-MRI结合使用时，能在多大程度上提升心肌梗死病例的自动分类性能？
• RQ4 与EMIDEC MICCAI 2020挑战赛数据集上的最先进方法相比，该方法在分割准确率和分类性能方面表现如何？
• RQ5 在病理区域分割方面存在哪些局限性，特别是在Dice重叠度和体积一致性等指标上？

主要发现

• 在验证集上，该方法对左心室腔分割的平均Dice分数为0.93 ± 0.018，对心肌分割的平均Dice分数为0.84 ± 0.03。
• 左心室的平均3D Hausdorff距离为6.5 mm，心肌为8.9 mm，表明空间精度可接受。
• 仅使用临床信息进行分类时，在五折交叉验证中准确率达到80%。
• 使用DE-MRI提取的病理分割特征进行分类，准确率达到93.3%，显著优于仅使用临床信息的分类结果。
• 病理区域分割的重叠度较低，梗死灶的Dice分数为0.40 ± 0.10，无复流区域为0.67 ± 0.15，相对体积差异分别为0.242和0.375。
• 该框架在不同图像分辨率和临床变异条件下均表现出稳健性能，验证了其在临床部署中的潜力。