从三室心脏MRI影像检测主动脉瓣病变

Detecting Aortic Valve Pathology from the 3-Chamber Cine Cardiac MRI View

摘要

背景

1. 心脏磁共振(CMR)是量化心脏容量、功能和血流量的金标准。
2. 定制的MR脉冲序列定义了对比机制，采集几何形状和定时，可以在CMR期间应用，以实现独特的组织表征。
3. 每个病人都有所有可能的获取选择是不切实际的。

在三腔(3-CH) CMR影像中定位主动脉瓣。主动脉瓣有两种主要的异常类型。狭窄:瓣膜变窄导致血液不能充分流出;不全(反流):无法阻止血液回流到左心室。

本文方法
开发并评估了一个深度学习系统，以准确分类主动脉瓣异常，为需要的患者提供进一步的定向成像。
受低级图像处理任务的启发，我们提出了一个多级网络

1. 生成热图来定位主动脉瓣小叶的铰链点和主动脉狭窄或反流射流
2. 在从三家NHS医院获得的临床CMR研究数据集(n = 1017例患者)上训练和评估了我们的所有模型。我们的结果(平均准确率= 0.93,f1得分= 0.91)表明，专家指导的基于深度学习的特征提取和分类模型为进一步定向成像提供了可行的策略，从而提高了CMR扫描的效率和效用。

方法

本文方法由六个主要步骤组成，如图2所示:

1. 3CH CMR图像中链点的自动定位
2. 主动脉瓣小叶和狭窄或反流射流引起的病理曲线的热图估计
3. 估计热图中的曲线跟踪
4. 每帧检测曲线的量化
5. 跨帧特征总结
6. 患者分类
   前两步被定义为回归任务，我们训练相同网络的副本来估计这些任务中的热图。

The Proposed Network for Heat Map Regression

该网络包含三个相同的子网，对前一个子网的输出进行了细化。每个子网络都类似于U-Net，具有编码器、解码器和跳过连接。为了提高子网络对铰链点和瓣膜小叶/病理射流的敏感性，用在低级图像处理任务中表现得更好的密集块替换了前两个和最后两个卷积块

每个密集块包含5个3 × 3卷积层，然后是1 × 1卷积层。

对于铰链点定位，网络生成三个热图:每个铰链点一个热图，两个铰链点一个热图，以约束它们在单个帧中的位置。

对于曲线热图估计，网络产生4张热图;两个是主动脉瓣小叶两个是病理喷流。用损失函数L = L(≈H1, H1) + L(≈H2, H2) + L(≈H3, H3)来优化这两个网络的参数，其中L是均方误差损失。H和~ H分别表示地热图标签及其估计

从热图定位铰链点

我们通过取3CH CMR视图每帧每个铰链点对应的热图的最大值来检测估计热图中铰链点的位置。

由于我们的训练数据集中帧的有限表示，某些帧的预测可能不准确。因此，我们使用帧间铰链点的中间值在中间铰链点位置裁剪CMR图像。裁剪后的框架用于主动脉小叶和曲线状结构的热图回归，这是病理指示

Pathology Classification

使用了一种简单的跟踪方法：从最大值的位置开始跟踪热图中的脊点，直到达到停止阈值。

我们这样做是为了检测预测曲线热图中的任何潜在曲线。当热图的最大值超过初始阈值时，跟踪开始。

然后，从预测曲线中提取特征。尽管任何病理曲线的存在都足以将3CH CMR视图分类为异常，但假曲线的存在-通常是在采集过程中由人工产生的-使得这种分类不太准确。

主动脉瓣从一个框架移动到另一个框架可以获得重要的信息并揭示细微的异常

例如，临床医生会怀疑狭窄的主动脉瓣(在心脏周期内不能完全打开)

因此，我们量化每条曲线——主动脉瓣小叶和病理流——基于:
(i)它们与铰链点的接近程度:从曲线的中点到图像中心的距离，即在预测瓣膜铰链的中点;
(ii)它们相对于连接铰链点的直线的方向
(iii)其长度
(iv)是曲线的概率，能够区分真曲线和假曲线

我们通过将生成的热图视为曲线的概率图，并取跟踪曲线位置的采样概率的平均值来实现这一点(特征(iv))。考虑到每帧有四种曲线类型(两叶和两个流)，我们总共分析了16个特征。这些特征(见图3)与临床医生对主动脉瓣异常的3CH CMR的解释相似。

式中，Ff表示框架f的特征，包括c1···c4四条曲线的特征，包括右冠状动脉尖叶、狭窄性血流病理曲线、非冠状动脉尖叶和反流血流病理曲线

L、A、D、P分别表示曲线长度、铰点与曲线的夹角、曲线中间到图像patch中心的距离以及沿曲线取曲线概率的平均值。
对于具有k帧CMR图像的患者，存在一个大小为R（k×16）的特征集，其中k取决于患者数据。在不正常的情况下，一张电影中的多个画面会显示主动脉异常。

随着严重程度的增加，更多的帧将包含病理曲线。因此，我们用¯F = K (F1, F2，···Fk)来总结k帧以减少缺失异常病例的可能性，其中¯F表示患者的总结特征集，通过使用总结技术k，如下所述，在k帧上

本文提出了四种特征总结方法
(i)计算跨帧特征的中位数(median)
(ii)计算跨帧特征的平均值(mean)
(iii)使用具有所有曲线概率最大值的单帧特征(SingleFrameMaxCurveP)，无论曲线类型如何
(iv)使用显示每种类型的最大曲线概率的曲线特征(MaxCurveP)。除了第三种方法外，所有技术都使用多个框架来检测主动脉瓣异常患者。前两种技术假设特征是独立的，而后两种技术则保留特征与曲线的隶属关系

Imaging Data and Manual Annotation

使用两个独立的数据集进行热图回归和病理分类。对于前一项任务，我们使用了来自80名患者的1221个独特框架，其中铰链点，主动脉瓣小叶和病理流由三位心脏病专家手动注释。利用σ = 5像素的类高斯核对二值标注进行平滑处理，生成热图。

900帧用于训练，100帧用于验证，221帧用于绩效评估。我们还使用了1000个健康帧来增加曲线估计的训练集的大小。数据分割基于患者选择。在分类任务中，我们获得了1017名患者的队列，他们有二元标签来描述他们是否有正常或异常的主动脉瓣。496/1017例患者主动脉瓣异常。其中主动脉瓣狭窄184例，主动脉瓣反流222例，混合性瓣膜病变90例。

患者的平均帧数为31±15。图像分辨率在1.17 × 1.17 ~ 1.56 × 1.56像素之间

结果