Automatic Localization of the Left Ventricle in Cardiac MRI Images Using Deep Learning

Abstract

在CMRI图像中自动定位LV是一项基本的步骤对于自动分割，功能分析，和基于内容的心脏图像检索来说。在本文中，我们介绍了一种基于深度卷积神经网络（CNN）的新方法，用于在短轴视图中定位心脏MRI中的LV。采用具有不同内核尺寸的六层CNN进行特征提取，然后使用Softmax完全连接层进行分类。引入尺度分析金字塔以考虑心脏的不同尺寸。一个公开可获得的包含33个病人的数据集被用于学习和测试。该方法能够使LV的准确性，灵敏度和特异性分别定位为98.66％，83.91％和99.07％。

I. INTRODUCTION

大多数LV定位技术主要基于基于位置，基于时间和基于形状的假设；基于位置的技术假设心脏处于图像的中心。该技术没有考虑心脏位置的可变性以及从切片到切片同样从患者到另一个患者的切片的尺寸。基于时间的技术假设心脏是图像中唯一的运动物体。然而，这种方法缺乏敏感性; 除了运动伪影之外，其他器官，如肺，在图像内移动物体。基于形状的技术将LV视为圆形。然而，这种方法通常在LV异常形状的情况下失败。

Figure1: Proposed Localization CNN System Architecture where the input to th the network is pathces from the original image resized to 20 x 20 pixels

II. MATERIALS AND METHODS

为了定位LV，CNN用于决定LV是否被包围在以任何给定图像像素为中心的边界框中。

上面的架构（图1的结构）被发现是最简单的架构，可以直观地描述图像，如图3所示，很明显LV在输出图中有很好的描述。

Figure 3: the output maps after convolution; First row: the input Image. the second row: The output map of the first convolution layer after applying the 3x3 filters, third row: The output map of second convolutional layer after applying the 6x6 filters on each output map from the previous layers

Pyramid of Scales (PoS Localization)

由于不同患者的心脏大小的变化以及不同的横截面，因此在定位（测试）阶段期间使用金字塔尺度来解释这些变化。 这是通过将给定输入图像的大小调整为四个不同的比例来完成的。 在每个比例下，进行穷举（逐像素）扫描，其中使用先前训练的网络提取并测试大小为20x20的块。 给定图像的测试结果是描述图像中的像素在该比例下是LV的中心的可能性的概率图。 将所有概率图重新调整回原始图像大小，并使用以下技术之一来确定哪个像素被认为是正确的LV中心。

Selection Method 1:选择从所有尺度上的所有像素成为LV的最高概率的像素。

Selection Method 2:从每个尺度选择具有最高概率的0.1％像素的尺度大小并且计算这些像素的平均概率，选择最高平均概率的尺度并且将该尺度中的最高概率的像素视为LV中心。

Selection Method 3:从每个比例中选择具有最高概率的0.1％像素的比例尺寸，并且除了那些像素位置的标准偏差之外，还计算这些像素的平均概率。 选择最高平均概率和最小标准偏差的尺度，并且该尺度中的最高概率像素被认为是LV中心。

IV. CONCLUSION

已经提出了基于深度卷积神经网络（CNN）的用于心脏（短轴）MRI图像的全自动LV定位。 所提出的技术基于在四个不同尺度上搜索LV的输入图像的穷举扫描，而不具有关于LV的位置，形状或运动轮廓的先验知识。 此外，该算法适用于各个时间帧; 即，不需要有关完整时间顺序的信息。 该算法具有很好的性能，准确度，灵敏度和特异度分别达到98.66％，83.91％和99.07％。 所提出的算法的一个限制是计算时间（= 10秒/图像）。 但是，这可以通过采用并行处理和定向搜索来减少。

ACKNOWLEDGMENT

Figure 4: different success cases in localizing the heart exactly even in case of irregularity or bad resolution or bad contrast