Published February 14, 2022
| Version v1
Publication
Open
Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data
Creators
- 1. Siemens (Romania)
- 2. Siemens Healthcare (United States)
- 3. Transylvania University of Brașov
- 4. Siemens Healthcare (Germany)
- 5. William Harvey Research Institute
- 6. Queen Mary University of London
- 7. University of Oxford
- 8. Helios Hospital Berlin-Buch
- 9. Charité - Universitätsmedizin Berlin
Description
Although having been the subject of intense research over the years, cardiac function quantification from MRI is still not a fully automatic process in the clinical practice. This is partly due to the shortage of training data covering all relevant cardiovascular disease phenotypes. We propose to synthetically generate short axis CINE MRI using a generative adversarial model to expand the available data sets that consist of predominantly healthy subjects to include more cases with reduced ejection fraction. We introduce a deep learning convolutional neural network (CNN) to predict the end-diastolic volume, end-systolic volume, and implicitly the ejection fraction from cardiac MRI without explicit segmentation. The left ventricle volume predictions were compared to the ground truth values, showing superior accuracy compared to state-of-the-art segmentation methods. We show that using synthetic data generated for pre-training a CNN significantly improves the prediction compared to only using the limited amount of available data, when the training set is imbalanced.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
على الرغم من أنه كان موضوع بحث مكثف على مر السنين، إلا أن القياس الكمي لوظيفة القلب من التصوير بالرنين المغناطيسي لا يزال ليس عملية تلقائية بالكامل في الممارسة السريرية. ويرجع ذلك جزئيًا إلى نقص بيانات التدريب التي تغطي جميع الأنماط الظاهرية لأمراض القلب والأوعية الدموية ذات الصلة. نقترح توليد التصوير بالرنين المغناطيسي السينمائي قصير المحور صناعيًا باستخدام نموذج الخصومة التوليدي لتوسيع مجموعات البيانات المتاحة التي تتكون من أشخاص أصحاء في الغالب لتشمل المزيد من الحالات ذات الكسر القذفي المنخفض. نقدم شبكة عصبية التفافية للتعلم العميق (سي إن إن) للتنبؤ بحجم نهاية الانبساط، وحجم نهاية الانقباض، وضمنيًا جزء القذف من التصوير بالرنين المغناطيسي للقلب دون تجزئة صريحة. تمت مقارنة تنبؤات حجم البطين الأيسر بقيم الحقيقة الأرضية، مما يدل على دقة فائقة مقارنة بأحدث طرق التجزئة. نظهر أن استخدام البيانات الاصطناعية التي تم إنشاؤها للتدريب المسبق على شبكة سي إن إن يحسن التنبؤ بشكل كبير مقارنة باستخدام كمية محدودة فقط من البيانات المتاحة، عندما تكون مجموعة التدريب غير متوازنة.Translated Description (French)
Bien qu'ayant fait l'objet de recherches intenses au fil des ans, la quantification de la fonction cardiaque à partir de l'IRM n'est toujours pas un processus entièrement automatique dans la pratique clinique. Cela est dû en partie au manque de données de formation couvrant tous les phénotypes de maladies cardiovasculaires pertinents. Nous proposons de générer synthétiquement une IRM CINÉ à axe court à l'aide d'un modèle contradictoire génératif pour étendre les ensembles de données disponibles composés principalement de sujets en bonne santé afin d'inclure davantage de cas avec une fraction d'éjection réduite. Nous introduisons un réseau neuronal convolutif (CNN) d'apprentissage profond pour prédire le volume de fin de diastole, le volume de fin de systole et implicitement la fraction d'éjection de l'IRM cardiaque sans segmentation explicite. Les prédictions du volume du ventricule gauche ont été comparées aux valeurs de vérité au sol, montrant une précision supérieure par rapport aux méthodes de segmentation de pointe. Nous montrons que l'utilisation de données synthétiques générées pour le pré-entraînement d'un CNN améliore considérablement la prédiction par rapport à l'utilisation uniquement de la quantité limitée de données disponibles, lorsque l'ensemble d'entraînement est déséquilibré.Translated Description (Spanish)
Aunque ha sido objeto de una intensa investigación a lo largo de los años, la cuantificación de la función cardíaca a partir de la resonancia magnética todavía no es un proceso completamente automático en la práctica clínica. Esto se debe en parte a la escasez de datos de entrenamiento que cubran todos los fenotipos de enfermedades cardiovasculares relevantes. Proponemos generar sintéticamente una resonancia magnética de CINE de eje corto utilizando un modelo generativo de confrontación para ampliar los conjuntos de datos disponibles que consisten en sujetos predominantemente sanos para incluir más casos con fracción de eyección reducida. Introducimos una red neuronal convolucional de aprendizaje profundo (CNN) para predecir el volumen diastólico final, el volumen sistólico final e implícitamente la fracción de eyección de la resonancia magnética cardíaca sin segmentación explícita. Las predicciones del volumen del ventrículo izquierdo se compararon con los valores de verdad fundamental, mostrando una precisión superior en comparación con los métodos de segmentación de última generación. Mostramos que el uso de datos sintéticos generados para la capacitación previa de una CNN mejora significativamente la predicción en comparación con solo usar la cantidad limitada de datos disponibles, cuando el conjunto de capacitación está desequilibrado.Files
s41598-022-06315-3.pdf.pdf
Files
(2.4 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:8d3a4bb3a1df5cb0f1522d283066f2c2
|
2.4 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تحسين متانة القياس الكمي التلقائي لوظيفة القلب من التصوير بالرنين المغناطيسي السينمائي باستخدام بيانات الصورة الاصطناعية
- Translated title (French)
- Amélioration de la robustesse de la quantification automatique de la fonction cardiaque à partir de l'imagerie par résonance magnétique cinématographique à l'aide de données d'images synthétiques
- Translated title (Spanish)
- Mejora de la robustez de la cuantificación automática de la función cardíaca a partir de imágenes de resonancia magnética cinematográfica utilizando datos de imágenes sintéticas
Identifiers
- Other
- https://openalex.org/W4220760959
- DOI
- 10.1038/s41598-022-06315-3
References
- https://openalex.org/W2082704080
- https://openalex.org/W2159051453
- https://openalex.org/W2258978862
- https://openalex.org/W2524916860
- https://openalex.org/W2577762311
- https://openalex.org/W2594796721
- https://openalex.org/W2761615849
- https://openalex.org/W2803176574
- https://openalex.org/W2804047627
- https://openalex.org/W2962793481
- https://openalex.org/W2962974533
- https://openalex.org/W2963073614
- https://openalex.org/W2966312603
- https://openalex.org/W2979894599
- https://openalex.org/W2980028227
- https://openalex.org/W3004346631
- https://openalex.org/W3091298257
- https://openalex.org/W3092617191
- https://openalex.org/W3101612813