[论文解读] Synthetic contrast enhancement in cardiac CT with Deep Learning

Gianmarco Santini, Lorena M. Zumbo+7 more|arXiv (Cornell University)|Jul 2, 2018

Advanced X-ray and CT Imaging参考文献 5被引用 18

一句话总结

本文提出一种深度学习方法，通过去卷积全卷积网络，利用非增强心脏CT扫描合成对比增强心脏CT（CECT）图像。该模型生成的合成CECT图像在衰减动态和左心腔形态方面具有高保真度，Dice分数达0.88±0.03，体积误差为9.1±6.2%，优于人类观察者间变异，使非增强CT能够提取隐藏的心血管血流动力学和容积信息。

ABSTRACT

In Europe the 20% of the CT scans cover the thoracic region. The acquired images contain information about the cardiovascular system that often remains latent due to the lack of contrast in the cardiac area. On the other hand, the contrast enhanced computed tomography (CECT) represents an imaging technique that allows to easily assess the cardiac chambers volumes and the contrast dynamics. With this work we aim to face the problem of extraction and presentation of these latent information, using a deep learning approach with convolutional neural networks. Starting from the extraction of relevant features from the image without contrast medium, we try to re-map them on features typical of CECT, to synthesize an image characterized by an attenuation in the cardiac chambers as if a virtually iodine contrast medium was injected. The purposes are to guarantee an estimation of the left cardiac chambers volume and to perform an evaluation of the contrast dynamics. Our approach is based on a deconvolutional network trained on a set of 120 patients who underwent both CT acquisitions in the same contrastographic arterial phase and the same cardiac phase. To ensure a reliable predicted CECT image, in terms of values and morphology, a custom loss function is defined by combining an error function to find a pixel-wise correspondence, which takes into account the similarity in term of Hounsfield units between the input and output images and by a cross-entropy computed on the binarized versions of the synthesized and of the real CECT image. The proposed method is finally tested on 20 subjects.

研究动机与目标

• 从因缺乏对比增强而未被检测到的非增强心脏CT扫描中提取潜在的心血管信息。
• 开发一种深度学习模型，能够合成类似碘对比剂注射后的对比增强CT图像。
• 仅使用非增强CT扫描实现左心房和左心室的精确容积评估。
• 通过用可重复的深度学习图像合成系统替代依赖人工视觉记忆的方法，减少心脏腔室分割中的观察者间变异。
• 提供一种临床可行的方法，无需额外辐射或对比剂暴露，即可估计心脏腔室容积和对比动态。

提出的方法

• 使用全卷积去卷积网络，通过空间和对比不变特征提取，将非增强CT图像映射为合成CECT图像。
• 自定义损失函数结合基于Hounsfield单位（HU）相似性的像素级L2损失和二值化左心腔掩膜的交叉熵损失，以同时保留衰减值和解剖形态。
• 在120名患者的数据上进行训练，其配对的非增强和对比增强CT扫描在相同心动周期（75% R-R）采集，重建层厚为3.0 mm。
• 数据预处理包括使用互信息进行刚性配准以校正呼吸运动，重采样至统一的3.0 mm轴向分辨率，并裁剪仅保留包含左心房和左心室的层面。
• 训练通过随机旋转（最多25°）进行数据增强，使用Adam优化（初始初始学习率10⁻⁴，批量大小32）在单张NVIDIA TITAN X GPU上训练800个周期。
• 在20名测试受试者上评估模型性能，使用Dice系数、体积百分比误差（dV%）、归一化互信息（NMI）和信噪比（PSNR）进行评估。

实验结果

研究问题

• RQ1 深度学习模型能否从非增强心脏CT扫描中合成具有高解剖和衰减保真度的临床可用CECT图像？
• RQ2 与人类读者相比，合成的CECT图像在左心腔容积估计的准确性和可重复性方面能提升多少？
• RQ3 该深度学习模型是否能保留真实CECT扫描中各心腔之间的对比动态？
• RQ4 该模型是否能在不依赖患者特异性解剖先验的情况下，泛化于多样的心脏形态和断层位置？
• RQ5 合成图像生成过程是否足够稳健，能够降低心脏腔室分割中的观察者间变异？

主要发现

• 与真实CECT相比，合成CECT图像的归一化互信息（NMI）为0.93±0.03，信噪比（PSNR）为48.30±2.03，表明图像内容和衰减动态高度相似。
• 在合成图像上自动分割左心房和左心室的Dice系数为0.88±0.03，与手动标注金标准重叠度高。
• 合成图像与金标准心脏腔室之间的体积百分比误差（dV%）为9.1±6.2%，表明容积估计具有高精度。
• 该模型在可重复性方面优于人类读者，其组内相关系数（ρ）为0.99，组间相关系数（ρ）为0.85，表明变异更小。
• 深度学习模型的Dice分数（0.89±0.03）高于人类读者（0.85±0.05），表明分割精度更优。
• 该方法可从非增强CT扫描中可靠提取左心腔容积和对比动态信息，为心血管病和瓣膜疾病早期检测提供潜在临床工具。