[论文解读] Human-level CMR image analysis with deep fully convolutional networks.

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

Medical Image Segmentation Techniques被引用 33

一句话总结

本文提出一种深度全卷积网络（FCN），用于心血管磁共振（CMR）图像的自动化、人类水平分析。该模型在包含4,875名受试者、93,500张像素级标注图像的大规模数据集上进行训练，其在左心室容积、射血分数和心肌质量量化方面的表现与专家放射科医生相当。

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 a wealth of information for sensitive and specific 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 dataset of unprecedented size, consisting of 4,875 subjects with 93,500 pixelwise annotated images, which is by far the largest annotated CMR dataset. By combining FCN with a large-scale annotated dataset, we show for the first time that an automated method achieves a performance on par with human experts in analysing CMR images and deriving clinical measures. We anticipate this to be a starting point for automated and comprehensive CMR analysis with human-level performance, facilitated by machine learning. It is an important advance on the pathway towards computer-assisted CVD assessment.

研究动机与目标

• 解决CMR图像手动分析耗时且主观的临床挑战。
• 开发一种自动化方法，实现在CMR图像分析中与人类专家相当的诊断准确性。
• 利用深度学习实现CMR扫描中心脏结构的鲁棒、像素级分割。
• 证明大规模全卷积网络在具有临床相关性的医学图像分析中的可行性。
• 为基于机器学习的计算机辅助、全面CMR评估建立基础。

提出的方法

• 采用全卷积网络（FCN）对CMR图像中的心脏结构进行端到端、像素级分割。
• 模型在包含4,875名受试者的大型数据集上进行训练，该数据集包含93,500张像素级标注的CMR图像——迄今最大的此类数据集。
• FCN架构支持在整个图像上进行密集预测，保留空间分辨率以实现精确的解剖定位。
• 使用支持端到端分割任务学习的损失函数对网络进行优化。
• 采用心脏分割和临床量化标准指标对方法进行评估。
• 通过与专家水平人类阅片者对比来验证其临床相关性。

实验结果

研究问题

• RQ1 深度全卷积网络能否在CMR图像分析中实现人类水平的表现？
• RQ2 大规模像素级标注数据集是否显著提升自动化CMR分析的准确性？
• RQ3 基于FCN的方法能否可靠地从CMR图像中推导出射血分数和心肌质量等临床相关指标？
• RQ4 该自动化方法在定量心脏评估中与专家人类阅片者的性能相比如何？
• RQ5 深度学习模型能否在临床级CMR图像分析中实现有效扩展并保持高可靠性？

主要发现

• 所提出的FCN模型在CMR图像分析及关键临床指标推导方面达到与人类专家相当的性能。
• 该模型在心脏整个心动周期中对左心室心内膜和心外膜边界均表现出高精度分割。
• 使用包含93,500张像素级标注图像的大规模数据集显著提升了模型的泛化能力和鲁棒性。
• 该方法实现了心脏腔室容积、射血分数和心肌质量的自动化、可重复量化。
• 该结果标志着自动化CMR分析的一个里程碑，首次实现深度学习模型在该领域达到人类水平表现。
• 该方法为临床环境中可扩展的、计算机辅助的心血管疾病评估铺平了道路。