基于深度学习框架在 UK Biobank 中从 CMR 标记图像全自动估算心肌应变
图像与视频处理
2020-04-16 v1 计算机视觉与模式识别
医学物理
摘要
目的：展示一种全自动深度学习框架从短轴心脏磁共振标记图像估算心肌应变的可行性与性能。方法与材料：在这项回顾性横断面研究中，来自 UK Biobank 的 4508 例被随机分为 3244 例训练集、812 例验证集和 452 例测试集。由五名阅片者使用先前验证的软件通过手动初始化和校正可变形图像配准来定义并追踪真实心肌标志点。全自动框架包括：1) 用于定位的卷积神经网络(CNN)；2) 循环神经网络(RNN)与 CNN 的组合，用于通过图像序列检测并追踪每个切片的心肌标志点。随后由标志点运动计算径向与周向应变，并按切片取平均。结果：在测试集中，基底部、中部和心尖切片的心肌收缩末期周向 Green 应变误差分别为 -0.001 +/- 0.025、-0.001 +/- 0.021 和 0.004 +/- 0.035（预测与手动应变差值的平均值 +/- 标准差）。该框架重现了糖尿病患者、高血压患者及既往心肌梗死参与者中周向应变的显著降低。在配备 12GB RAM 的 NVIDIA Tesla K40 上，典型处理时间为约 260 帧（约 13 个切片）/秒，而手动分析每切片需 6-8 分钟。结论：用于心肌应变分析的全自动 RNNCNN 框架在高通量工作流中实现了无偏应变评估，并具有相似区分因糖尿病、高血压和既往心肌梗死所致损伤的能力。
引用
@article{arxiv.2004.07064,
title = {Fully Automated Myocardial Strain Estimation from CMR Tagged Images using a Deep Learning Framework in the UK Biobank},
author = {Edward Ferdian and Avan Suinesiaputra and Kenneth Fung and Nay Aung and Elena Lukaschuk and Ahmet Barutcu and Edd Maclean and Jose Paiva and Stefan K. Piechnik and Stefan Neubauer and Steffen E Petersen and Alistair A. Young},
journal= {arXiv preprint arXiv:2004.07064},
year = {2020}
}
备注
accepted in Radiology Cardiothoracic Imaging