基于深度学习的动脉输入函数图像左心室自动检测用于在线灌注映射：一项针对15,000名患者的研究
定量方法
2020-05-11 v2 计算机视觉与模式识别
图像与视频处理
摘要
心肌灌注的量化有潜力改善对局部和整体血流减少的检测。为实现工作流程自动化已付出巨大努力，其中一个关键步骤是动脉输入函数（AIF）的提取。由于此步骤的失败会使量化无效，因此需要高精度。为此，本研究提出了一种使用卷积神经网络（CNN）模型的稳健AIF检测方法。通过汇集来自三家医院、七台扫描仪的25,027次扫描（N=12,984名患者）来训练CNN模型。使用包含5,721次扫描（N=2,805名患者）的测试集评估模型性能。将2D+T AIF时间序列输入CNN。研究了两种变体：a）二分类（2CS），用于背景和前景（左心室掩膜）；b）三分类（3CS），用于背景、前景左心室和右心室。最终模型通过Gadgetron InlineAI部署在磁共振扫描仪上。模型在磁共振扫描仪上的加载时间约为340毫秒，应用时间约为180毫秒。3CS模型成功检测了所有测试案例中99.98%的左心室（5,721例中仅1例失败）。3CS的平均Dice系数为0.87±0.08，92.0%的测试案例Dice系数大于0.75，而2CS模型的Dice系数较低，为0.82±0.22（P<1e-5）。进一步将使用CNN提取的AIF信号与手动标注的真实值在起始时间、峰值时间、首过持续时间、峰值和曲线下面积方面进行比较。所有特征均未发现显著差异（P>0.2）。本研究提出、验证并部署了一种稳健的CNN解决方案，用于检测左心室以提取AIF信号，该信号用于全自动灌注血流映射。我们汇集了一个非常大的数据队列，并将所得模型部署到磁共振扫描仪上，用于临床医院的完全在线人工智能。
引用
@article{arxiv.1910.07122,
title = {Automated Detection of Left Ventricle in Arterial Input Function Images for Inline Perfusion Mapping using Deep Learning: A study of 15,000 Patients},
author = {Hui Xue and Ethan Tseng and Kristopher D Knott and Tushar Kotecha and Louise Brown and Sven Plein and Marianna Fontana and James C Moon and Peter Kellman},
journal= {arXiv preprint arXiv:1910.07122},
year = {2020}
}
备注
Accepted by Magnetic Resonance in Medicine on March 30, 2020