[论文解读] Deep Learning using K-space Based Data Augmentation for Automated Cardiac MR Motion Artefact Detection

İlkay Öksüz, Bram Ruijsink+7 more|arXiv (Cornell University)|Aug 15, 2018

Acute Ischemic Stroke Management参考文献 12被引用 4

一句话总结

本文提出一种基于k空间数据增强的3D时空卷积神经网络（CNN），用于自动检测心脏磁共振图像中的运动伪影。通过k空间污染模拟真实运动伪影，该方法在包含3,465例CMR扫描的严重类别不平衡的英国生物银行数据集上，显著提升了召回率（最高达0.652）和F1分数（0.722），优于当前最先进方法。

ABSTRACT

Quality assessment of medical images is essential for complete automation of image processing pipelines. For large population studies such as the UK Biobank, artefacts such as those caused by heart motion are problematic and manual identification is tedious and time-consuming. Therefore, there is an urgent need for automatic image quality assessment techniques. In this paper, we propose a method to automatically detect the presence of motion-related artefacts in cardiac magnetic resonance (CMR) images. As this is a highly imbalanced classification problem (due to the high number of good quality images compared to the low number of images with motion artefacts), we propose a novel k-space based training data augmentation approach in order to address this problem. Our method is based on 3D spatio-temporal Convolutional Neural Networks, and is able to detect 2D+time short axis images with motion artefacts in less than 1ms. We test our algorithm on a subset of the UK Biobank dataset consisting of 3465 CMR images and achieve not only high accuracy in detection of motion artefacts, but also high precision and recall. We compare our approach to a range of state-of-the-art quality assessment methods.

研究动机与目标

• 为解决在类似英国生物银行这类大规模心脏MR成像数据集中的自动化运动伪影检测挑战。
• 克服CMR图像质量评估中严重的类别不平衡问题，即高质量图像远多于存在运动伪影的图像。
• 开发一种真实的数据增强策略，通过k空间污染生成合成运动伪影，以提升模型泛化能力。
• 评估基于3D CNN的方法在真实临床CMR数据上相对于最先进机器学习方法和图像质量度量指标的性能。
• 实现在大规模人群研究中全自动、高通量的质量评估，支持准确的心脏功能量化。

提出的方法

• 训练一个3D时空卷积神经网络，将2D+时间的短轴CINE CMR序列分类为含有运动伪影或为高质量图像。
• 图像预处理包括强度归一化和基于运动的感兴趣区域（ROI）提取，区域大小为80×80像素，避免图像缩放。
• 提出一种新颖的基于k空间的数据增强技术，通过污染高质量图像的k空间数据来模拟真实的运动相关伪影（如模糊）。
• k空间污染过程保留相位和幅度信息，生成的伪影与临床运动伪影高度相似，如图1c所示。
• 通过平移变换进一步增强数据，提升模型鲁棒性与泛化能力。
• 采用10折分层交叉验证策略评估性能，指标包括准确率、精确率、召回率和F1分数。

实验结果

研究问题

• RQ1 深度学习模型能否在类似英国生物银行这类大规模真实世界数据集中有效检测心脏MR图像中的运动伪影？
• RQ2 基于k空间的数据增强与传统数据增强相比，在严重类别不平衡的CMR数据集中是否更有效地提升检测性能？
• RQ3 所提出方法在召回率和F1分数方面，相较于最先进图像质量评估技术，优势程度如何？
• RQ4 该模型能否在保持高检测准确率的同时实现高推理速度，适用于临床部署？
• RQ5 与合成或基于图像块的方法相比，使用k空间污染是否能生成更真实的伪影？

主要发现

• 所提出的基于k空间的数据增强方法显著将召回率从无增强时的0.466提升至0.642，证明其在缓解类别不平衡问题上的有效性。
• 结合k空间与平移数据增强后，模型F1分数达到0.722，优于所有其他测试方法，包括Adaboost和传统图像质量度量指标。
• 3D CNN模型实现精确率0.809和召回率0.652，表明其在识别真实伪影病例方面表现强劲。
• 该方法每幅扫描的检测时间小于1ms，支持大规模研究中的实时或高通量处理。
• k空间污染方法生成的伪影高度逼真，与临床运动相关模糊高度相似，经视觉检查和与真实伪影对比验证。
• 该模型不仅优于经典机器学习技术，也优于NIQE和拉普拉斯方差等成熟图像质量度量指标，在召回率和F1分数上均表现更优。