Quantitative CMR Population Imaging on 20,000 Subjects of the UK Biobank Imaging Study: LV/RV

1.作者

主要是由利兹大学 生物医学中的计算成像和模拟技术中心

2.主要贡献

这是第一次发表的尝试，旨在完全自动从左右心室中提取所有关键功能心血管指数的全球和区域参考范围主要分为

(1) pre-processing; (2) quality analysis; (3) segmentation (4) quantifification 四个部分

1. 一种具有嵌入式质量控制的全自动三维图像分析工作流（说人话的话，我的理解就是实现了一个闭环系统，可以实现自动的心室分割和血管参数计算，流程如下图所示）
2. pre-processing;
   使用了MULTI-X （一种图像分析服务器） 将原本50帧的图像提取出短轴(SAX)和长轴(LAX)两室、三室和四室CMR图像。
3. quality analysis：从流程图中也可以看出使用了两个分析模型
   Image Quality Assessment：由于缺少底部或者顶部短轴心脏图片会导致体积或者部分临床指标，解决方法是使用两个cnn分别进行判断是否存在，仿照了 Automated quality assessment of cardiac MR images using convolutional neural networks.
   Segmentation Quality Assessment：训练了一个基于血管和心肌边界的随机森林分类器
4. segmentation ：分割是使用SAX 和 LAX 图片来估计体积等 使用SPASM（a 3D-ASM for segmentation of sparse and arbitrarily oriented cardiac MRI data. Medical Image Analysis, 分为：PDM和IAM 两部分：PDM是在训练过程中使用主成分分析(PCA)在一组保持98%差异的广义正规则形状上构造的。IAMs捕获了沿心脏边界的局部强度分布。我们继续采样垂直于心肌边界的一维强度剖面。   ）算法用于分割整个心脏周期并根据分别显示最大和最小体积的框架，回顾性确定舒张末期(ED）和收缩末期(ES)阶段。
   模型初始化：1.先使用SAX和LAX的交叉初步估计，然后再使用用两个互补的特征描述符训练的随机森林回归器预测LV的landmark（不知道怎么翻译），然后使用这些landmark来估计心脏的姿态参数
   训练模型：使用Active Shape Models (ASM) approach (Cootes et al., 1995)通过解决在成像模式中发现的稀疏性，如CMR，其中图像信息稀疏地分布在整个图像中。

 

3.数据及结果

共有20,000名受试者拍摄50个时间帧，共100万CMR帧。

大部分都是结果分析。。省略。。