Self-supervised motion descriptor for cardiac phase detection in 4D CMR based on discrete vector field estimations

要約

心臓磁気共鳴 (CMR) シーケンスは、心機能をボクセル単位で経時的に視覚化します。
同時に、深層学習ベースの変形可能イメージ レジストレーションは、CMR シーケンスの 1 つのタイム ステップを次のステップにワープする離散ベクトル フィールドを自己教師付きの方法で推定できます。
ただし、これらの 3D+t ベクトル フィールドには豊富な情報源が含まれているにもかかわらず、標準化された解釈は困難であり、臨床応用はこれまでのところ限られています。
この作業では、変形可能なベクトル フィールドを効率的に使用して、派生した 1D モーション記述子の形で心周期の基本的な動的プロセスを記述する方法を示します。
さらに、収縮または弛緩心室の予想される心血管の生理学的特性に基づいて、ラベルを使用せずに収縮末期 (ES) と拡張末期 (ED) を含む 5 つの心血管フェーズの識別を可能にする一連のルールを定義します。
.
2 つの挑戦的な多疾患、センター、スキャナー短軸 CMR データセットの運動記述子の妥当性を評価します。
まず、抽出された位相の周期的なフレーム差などの定量的尺度を報告することによって。
次に、両方のデータセットのすべてのインスタンスのモーション記述子を一時的にリサンプリングして調整するときの一般的なパターンを定性的に比較します。
私たちのアプローチの ED、ES キー フェーズの平均周期フレーム差は $0.80\pm{0.85}$、$0.69\pm{0.79}$ であり、観察者間の変動性 ($1.07\pm{0.86}$、
$0.91\pm{1.6}$) および教師ありベースライン メソッド ($1.18\pm{1.91}$、$1.21\pm{1.78}$)。
コードとラベルは、GitHub リポジトリで利用できるようになります。
https://github.com/Cardio-AI/cmr-phase-detection

要約(オリジナル)

Cardiac magnetic resonance (CMR) sequences visualise the cardiac function voxel-wise over time. Simultaneously, deep learning-based deformable image registration is able to estimate discrete vector fields which warp one time step of a CMR sequence to the following in a self-supervised manner. However, despite the rich source of information included in these 3D+t vector fields, a standardised interpretation is challenging and the clinical applications remain limited so far. In this work, we show how to efficiently use a deformable vector field to describe the underlying dynamic process of a cardiac cycle in form of a derived 1D motion descriptor. Additionally, based on the expected cardiovascular physiological properties of a contracting or relaxing ventricle, we define a set of rules that enables the identification of five cardiovascular phases including the end-systole (ES) and end-diastole (ED) without the usage of labels. We evaluate the plausibility of the motion descriptor on two challenging multi-disease, -center, -scanner short-axis CMR datasets. First, by reporting quantitative measures such as the periodic frame difference for the extracted phases. Second, by comparing qualitatively the general pattern when we temporally resample and align the motion descriptors of all instances across both datasets. The average periodic frame difference for the ED, ES key phases of our approach is $0.80\pm{0.85}$, $0.69\pm{0.79}$ which is slightly better than the inter-observer variability ($1.07\pm{0.86}$, $0.91\pm{1.6}$) and the supervised baseline method ($1.18\pm{1.91}$, $1.21\pm{1.78}$). Code and labels will be made available on our GitHub repository. https://github.com/Cardio-AI/cmr-phase-detection

arxiv情報

提供元, 利用サービス

arxiv.jp, Google