Automatic Left Ventricle Segmentation by Edge Classification and Region Growing on Cardiac MRI

Cardiac disease is the leading cause of death in the world. Quantification of cardiac function is performed by manually calculating blood volume and ejection fraction in routine clinical practice, but it requires high computational costs. In this study, an automatic left ventricle (LV) segmentation algorithm using short-axis cine cardiac MRI is presented. We compensate coil sensitivity of magnitude images depending on coil location, classify edge information after extracting edges, and segment LV by applying region-growing segmentation. We design a weighting function for intensity signal and calculate a blood volume of LV considering partial voxel effects. Using cardiac cine SSFP of 38 subjects with Cornell University IRB approval, we compared our algorithm to manual contour tracing and MASS software. Without partial volume effects, we achieved segmentation accuracy of $3.3mL{\pm}5.8$ (standard deviation) and $3.2mL{\pm}4.3$ in diastolic and systolic phases, respectively. With partial volume effects, the accuracy was $19.1mL{\pm}8.8$ and $10.3mL{\pm}6.1$ in diastolic and systolic phases, respectively. Also in ejection fraction, the accuracy was $-1.3%{\pm}2.6$ and $-2.1%{\pm}2.4$ without and with partial volume effects, respectively. Results support that the proposed algorithm is exact and useful for clinical practice.

심장 자기공명영상의 에지 분류 및 영역 확장 기법을 통한 자동 좌심실 분할 알고리즘

최근 연구 결과에 따르면 여러가지 질환 중에 심장 질환으로 인한 사망률이 가장 높은 것으로 나타났다. 임상 실습에서 심장 기능은 좌심실을 수동윤곽검출하여 혈류량이나 심박구출률을 계산하여 분석하지만, 많은 시간과 비용을 필요로 한다. 본 연구에서는 심장을 촬영한 단축 자기공명영상을 사용하여 자동 좌심실 분할 알고리즘을 제안한다. 코일 위치에 따른 왜곡을 보상하고, 에지 정보를 검출하고 특성에 따라 분류한후에, 영역 확장 기법을 사용하여 좌심실을 분할하였다. 또한 부분 복셀소(voxel)의 영향을 고려하였다. 코넬대학교 IRB의 승인하에 38 명의 심장 자기공명영상을 사용하여 제안한 알고리즘을 수동윤곽검출 및 GE MASS 소프트웨어와 비교하였다. 심장의 이완기와 수축기에 혈류량은 부분 복셀소 영향을 고려하지 않을 경우 각각 $3.3mL{\pm}5.8$(표준편차)와 $3.2mL{\pm}4.3$, 부분 복셀소 영향을 고려한 경우 각각 $19.1mL{\pm}8.8$와 $10.3mL{\pm}6.1$의 정확도를 보였다. 심박구출률은 부분 복셀소 영향을 고려하지 않은 경우와 고려한 경우에 대해서 각각 $-1.3%{\pm}2.6$ 와 $-2.1%{\pm}2.4$의 정확도를 보였다. 이를 통해 제안한 알고리즘이 정확하고 정기적인 임상 실습에 유용함을 확인할 수 있다.