基于深度神经网络的心室临床参数精确估计及样本水平置信度研究

Computer-aided diagnosis (CADx) systems are helpful to improve the performance of radiologists. In clinical practice, the reliability of CADx on a single sample varies a lot due to the capability of the system, the pathological structure, and the image quality. Full understanding the reliability is the key point for a CADx system to be trusted and employed. In this project, we investigate the sample-level confidence level of CADx system with the task of left ventricle indices estimation, in expectation of assisting the diagnosis procedure more intelligently. Specifically, we propose a deep learning based framework for multi-view multi-indices estimation and improve its performance by modeling the spatial, temporal, and across-view correlation of the multi-view cardiac MR sequences; and then we investigate the effect of pathology presence and image quality on sample-level confidence level and propose an estimation framework for sample-level confidence level based on these two factors. This project has a great significant for improving the reliability and utilization of cardiac CADx system in clinical practice.

计算机辅助诊断（Computer-aided diagnosis, CADx）对提高放射影像医师的诊断准确性具有显著作用。在实际临床工作中，受内在因素、样本病理表征及图像质量等因素影响，CADx系统对不同样本的预测结果具有不同的置信度。医师充分了解CADx系统的能力及其不足之处，是CADx系统得到医师信任、发挥作用的关键因素。本项目拟结合心室临床参数估计的具体任务，在样本水平上对置信度进行研究，对单个样本同时提供CADx系统的预测结果和预测结果置信度,更加智能的辅助医师做出诊断。本项目首先提出基于深度神经网络的多视图心室参数估计模型，通过对心脏核磁影像中的时域、空域及多视图相关性建模，提高参数估计性能；然后通过对病理表征和图像质量两个因素进行方差分析，确立其与样本水平置信度的关系，建立样本水平置信度预测模型。该项目对提高心脏核磁影像CADx系统在临床应用中的可靠性以及推广具有重要意义。

计算机辅助诊断系统的单样本水平上预测结果置信度在实际临床应用中具有重要的参考意义。本项目以智能心脏结构参数量化估计为，对预测结果的样本水平置信度估计及其影响因素进行研究。本项目从心室结构和运动参数量化，参数量化方法的样本水平置信度，心脏影像数据的时空相关性建模，心脏数据的多视图信息融合等四个方面进行了研究。首先，本项目首次提出基于神经网络的心室参数量化和样本水平置信度估计的模型，在提高参数量化精度的同时，得到单样本预测不确定性，对智能心脏参数量化系统在实际临床中的使用具有重要意义。其次，本项目从时空一致性、光流方向一致性以及空间连续性三方面对心脏影像数据的时空相关性进行建模，从而提高心脏参数量化和结构分割的性能，相关方法在医学图像分析领域具有重要的学术参考意义。最后，本项目基于多视图信息融合和时空建模，所提出的基于两腔室和四腔室联合信息的心脏分割与射血分数估计多任务模型，取得了国际领先的心功能自动估计性能，在心功能的超声智能筛查领域具有巨大的转化应用价值。