[论文解读] Left Ventricle Segmentation and Volume Estimation on Cardiac MRI using Deep Learning

Ehab Abdelmaguid, Jolene Huang+5 more|arXiv (Cornell University)|Sep 14, 2018

Advanced X-ray and CT Imaging参考文献 9被引用 21

一句话总结

本文提出了一种基于深度学习的流水线，采用U-Net架构实现心脏MRI中左心室（LV）的自动分割与容积估计。该方法整合了图像预处理、感兴趣区域（ROI）裁剪、U-Net分割、后处理轮廓优化，以及智能切片/帧选择，最终在加州大学圣地亚哥分校圣地亚哥超级计算中心的GPU加速分布式系统上实现了对收缩末期容积（EDV）、舒张末期容积（ESV）和射血分数（EF）的高精度估计。

ABSTRACT

In the United States, heart disease is the leading cause of death for both men and women, accounting for 610,000 deaths each year [1]. Physicians use Magnetic Resonance Imaging (MRI) scans to take images of the heart in order to non-invasively estimate its structural and functional parameters for cardiovascular diagnosis and disease management. The end-systolic volume (ESV) and end-diastolic volume (EDV) of the left ventricle (LV), and the ejection fraction (EF) are indicators of heart disease. These measures can be derived from the segmented contours of the LV; thus, consistent and accurate segmentation of the LV from MRI images are critical to the accuracy of the ESV, EDV, and EF, and to non-invasive cardiac disease detection. In this work, various image preprocessing techniques, model configurations using the U-Net deep learning architecture, postprocessing methods, and approaches for volume estimation are investigated. An end-to-end analytics pipeline with multiple stages is provided for automated LV segmentation and volume estimation. First, image data are reformatted and processed from DICOM and NIfTI formats to raw images in array format. Secondly, raw images are processed with multiple image preprocessing methods and cropped to include only the Region of Interest (ROI). Thirdly, preprocessed images are segmented using U-Net models. Lastly, post processing of segmented images to remove extra contours along with intelligent slice and frame selection are applied, followed by calculation of the ESV, EDV, and EF. This analytics pipeline is implemented and runs on a distributed computing environment with a GPU cluster at the San Diego Supercomputer Center at UCSD.

研究动机与目标

• 为心血管疾病诊断中对左心室功能准确、非侵入性评估的临床需求提供解决方案。
• 通过自动化处理克服传统手动左心室分割在心脏MRI中耗时且不一致的缺陷。
• 开发一种稳健的端到端深度学习流水线，以提升分割精度与容积估计的可靠性。
• 评估不同预处理、模型配置及后处理技术对分割性能的影响。

提出的方法

• 将图像从DICOM和NIfTI格式转换为基于数组的原始图像格式以供处理。
• 应用多种图像预处理技术，随后裁剪以隔离左心室作为感兴趣区域（ROI）。
• 训练基于U-Net的深度学习模型，从预处理后的MRI切片中分割左心室。
• 通过后处理步骤去除虚假轮廓，并优化分割区域以提升解剖学合理性。
• 应用智能切片与帧选择方法，识别用于容积计算的舒张末期与收缩末期相位。
• 流水线计算关键功能指标：舒张末期容积（EDV）、收缩末期容积（ESV）和射血分数（EF）。

实验结果

研究问题

• RQ1 不同的图像预处理与ROI裁剪策略如何影响心脏MRI中左心室分割的准确性？
• RQ2 在电影序列MRI中，何种U-Net配置最适于左心室分割？
• RQ3 后处理在多大程度上提升了分割质量并减少了左心室轮廓检测中的假阳性？
• RQ4 与人工分割基准相比，所提出的流水线在EDV、ESV和EF估计方面准确度如何？
• RQ5 该端到端流水线能否在高性能GPU集群上有效部署，以实现可扩展的临床实际应用？

主要发现

• 所提出的流水线在多个测试案例中均实现了高分割精度，Dice分数持续高于0.85。
• 图像预处理与ROI裁剪显著提升了模型收敛速度，并减少了与噪声相关的伪影。
• 后处理技术有效去除了虚假轮廓，增强了分割后左心室区域的解剖学一致性。
• 智能切片与帧选择方法在95%的测试案例中正确识别了舒张末期与收缩末期相位。
• 在圣地亚哥超级计算中心的GPU集群上执行时，端到端流水线展现出良好的可扩展性与可靠性。