Mitral annular disjunction is the atrial displacement of the mural mitral valve leaflet hinge point within the atrioventricular junction. Said to be associated with malignant ventricular arrhythmias and sudden death, its prevalence in the general population is not known. The purpose of this study was to assess the frequency of occurrence and extent of mitral annular disjunction in a large population cohort. The authors assessed the cardiac magnetic resonance (CMR) images in 2,646 Caucasian subjects enrolled in the UK Biobank imaging study, measuring the length of disjunction at 4 points around the mitral annulus, assessing for presence of prolapse or billowing of the leaflets, and for curling motion of the inferolateral left ventricular wall. From 2,607 included participants, the authors found disjunction in 1,990 (76%) cases, most commonly at the anterior and inferior ventricular wall. The authors found inferolateral disjunction, reported as clinically important, in 134 (5%) cases. Prolapse was more frequent in subjects with disjunction (odds ratio [OR]: 2.5; P = 0.02), with positive associations found between systolic curling and disjunction at any site (OR: 3.6; P < 0.01), and systolic curling and prolapse (OR: 71.9; P < 0.01). This large-scale study shows that disjunction is a common finding when using CMR. Disjunction at the inferolateral ventricular wall, however, was rare. The authors found associations between disjunction and both prolapse and billowing of the mural mitral valve leaflet. These findings support the notion that only extensive inferolateral disjunction, when found, warrants consideration of further investigation, but disjunction elsewhere in the annulus should be considered a normal finding.

Recent advances in deep learning based image segmentation methods have enabled real-time performance with human-level accuracy. However, occasionally even the best method fails due to low image quality, artifacts or unexpected behaviour of black box algorithms. Being able to predict segmentation quality in the absence of ground truth is of paramount importance in clinical practice, but also in large-scale studies to avoid the inclusion of invalid data in subsequent analysis. In this work, we propose two approaches of real-time automated quality control for cardiovascular MR segmentations using deep learning. First, we train a neural network on 12,880 samples to predict Dice Similarity Coefficients (DSC) on a per-case basis. We report a mean average error (MAE) of 0.03 on 1,610 test samples and 97% binary classification accuracy for separating low and high quality segmentations. Secondly, in the scenario where no manually annotated data is available, we train a network to predict DSC scores from estimated quality obtained via a reverse testing strategy. We report an $$\mathrm {MAE} = 0.14$$ and 91% binary classification accuracy for this case. Predictions are obtained in real-time which, when combined with real-time segmentation methods, enables instant feedback on whether an acquired scan is analysable while the patient is still in the scanner. This further enables new applications of optimising image acquisition towards best possible analysis results.

Abstract Aims We evaluated the associations of left atrial (LA) structure and function with prevalent and incident cardiovascular disease (CVD), independent of left ventricular (LV) metrics, in 25 896 UK Biobank participants. Methods and results We estimated the association of cardiovascular magnetic resonance (CMR) metrics [LA maximum volume (LAV), LA ejection fraction (LAEF), LV mass : LV end-diastolic volume ratio (LVM : LVEDV), global longitudinal strain, and LV global function index (LVGFI)] with vascular risk factors (hypertension, diabetes, high cholesterol, and smoking), prevalent and incident CVDs [atrial fibrillation (AF), stroke, ischaemic heart disease (IHD), myocardial infarction], all-cause mortality, and CVD mortality. We created uncorrelated CMR variables using orthogonal principal component analysis rotation. All five CMR metrics were simultaneously entered into multivariable regression models adjusted for sex, age, ethnicity, deprivation, education, body size, and physical activity. Lower LAEF was associated with diabetes, smoking, and all the prevalent and incident CVDs. Diabetes, smoking, and high cholesterol were associated with smaller LAV. Hypertension, IHD, AF (incident and prevalent), incident stroke, and CVD mortality were associated with larger LAV. LV and LA metrics were both independently informative in associations with prevalent disease, however LAEF showed the most consistent associations with incident CVDs. Lower LVGFI was associated with greater all-cause and CVD mortality. In secondary analyses, compared with LVGFI, LV ejection fraction showed similar but less consistent disease associations. Conclusion LA structure and function measures (LAEF and LAV) demonstrate significant associations with key prevalent and incident cardiovascular outcomes, independent of LV metrics. These measures have potential clinical utility for disease discrimination and outcome prediction.

Right ventricular (RV) structure and function influence the morbidity and mortality from coronary artery disease (CAD), dilated cardiomyopathy (DCM), pulmonary hypertension and heart failure. Little is known about the genetic basis of RV measurements. Here we perform genome-wide association analyses of four clinically relevant RV phenotypes (RV end-diastolic volume, RV end-systolic volume, RV stroke volume, RV ejection fraction) from cardiovascular magnetic resonance images, using a state-of-the-art deep learning algorithm in 29,506 UK Biobank participants. We identify 25 unique loci associated with at least one RV phenotype at P < 2.27 ×10-8, 17 of which are validated in a combined meta-analysis (n = 41,830). Several candidate genes overlap with Mendelian cardiomyopathy genes and are involved in cardiac muscle contraction and cellular adhesion. The RV polygenic risk scores (PRSs) are associated with DCM and CAD. The findings substantially advance our understanding of the genetic underpinning of RV measurements.

Recent progress in fully-automated image segmentation has enabled efficient extraction of clinical parameters in large-scale clinical imaging studies, reducing laborious manual processing. However, the current state-of-the-art automatic image segmentation may still fail, especially when it comes to atypical cases. Visual inspection of segmentation quality is often required, thus diminishing the improvements in efficiency. This drives an increasing need to enhance the overall data processing pipeline with robust automatic quality scoring, especially for clinical applications. We present a novel quality control-driven (QCD) framework to provide reliable segmentation using a set of different neural networks. In contrast to the prior segmentation and quality scoring methods, the proposed framework automatically selects the optimal segmentation on-the-fly from the multiple candidate segmentations available, directly utilizing the inherent Dice similarity coefficient (DSC) predictions. We trained and evaluated the framework on a large-scale cardiovascular magnetic resonance aortic cine image sequences from the UK Biobank Study. The framework achieved segmentation accuracy of mean DSC at 0.966, mean prediction error of DSC within 0.015, and mean error in estimating lumen area ≤17.6 mm2 for both ascending aorta and proximal descending aorta. This novel QCD framework successfully integrates the automatic image segmentation along with detection of critical errors on a per-case basis, paving the way towards reliable fully-automatic extraction of clinical parameters for large-scale imaging studies.

Background: Cardiovascular magnetic resonance (CMR) radiomics analysis provides multiple quantifiers of ventricular shape and myocardial texture, which may be used for detailed cardiovascular phenotyping. Objectives: We studied variation in CMR radiomics phenotypes by age and sex in healthy UK Biobank participants. Then, we examined independent associations of classical vascular risk factors (VRFs: smoking, diabetes, hypertension, high cholesterol) with CMR radiomics features, considering potential sex and age differential relationships. Design: Image acquisition was with 1.5 Tesla scanners (MAGNETOM Aera, Siemens). Three regions of interest were segmented from short axis stack images using an automated pipeline: right ventricle, left ventricle, myocardium. We extracted 237 radiomics features from each study using Pyradiomics. In a healthy subset of participants (n = 14,902) without cardiovascular disease or VRFs, we estimated independent associations of age and sex with each radiomics feature using linear regression models adjusted for body size. We then created a sample comprising individuals with at least one VRF matched to an equal number of healthy participants (n = 27,400). We linearly modelled each radiomics feature against age, sex, body size, and all the VRFs. Bonferroni adjustment for multiple testing was applied to all p-values. To aid interpretation, we organised the results into six feature clusters. Results: Amongst the healthy subset, men had larger ventricles with dimmer and less texturally complex myocardium than women. Increasing age was associated with smaller ventricles and greater variation in myocardial intensities. Broadly, all the VRFs were associated with dimmer, less varied signal intensities, greater uniformity of local intensity levels, and greater relative presence of low signal intensity areas within the myocardium. Diabetes and high cholesterol were also associated with smaller ventricular size, this association was of greater magnitude in men than women. The pattern of alteration of radiomics features with the VRFs was broadly consistent in men and women. However, the associations between intensity based radiomics features with both diabetes and hypertension were more prominent in women than men. Conclusions: We demonstrate novel independent associations of sex, age, and major VRFs with CMR radiomics phenotypes. Further studies into the nature and clinical significance of these phenotypes are needed.

Image quality assessment is fundamental as it affects the level of confidence in any output obtained from image analysis. Clinical research imaging scans do not often come with an explicit evaluation of their quality, however reports are written associated to the patient/volunteer scans. This rich free-text documentation has the potential to provide automatic image quality assessment if efficiently processed and structured. This paper aims at showing how the use of Semantic Web technology for structuring free-text documentation can provide means for automatic image quality assessment. We aim to design and implement a semantic layer for a special dataset, the annotations made in the context of the UK Biobank Cardiac Cine MRI pilot study. This semantic layer will be a powerful tool to automatically infer or validate quality scores for clinical images and efficiently query image databases based on quality information extracted from the annotations. In this paper we motivate the need for this semantic layer, present an initial version of our ontology as well as preliminary results. The presented approach has the potential to be extended to broader projects and ultimately employed in the clinical setting.

Abstract Case studies conducted after recovery from acute infection with SARS-CoV-2 have frequently identified abnormalities on CMR imaging, suggesting the possibility that SARS-CoV-2 infection commonly leads to cardiac pathology. However, these observations have not been able to distinguish between associations that reflect pre-existing cardiac abnormalities (that might confer a greater likelihood of more severe infection) from those that arise as consequences of infection. To address this question, UK Biobank volunteers (n=1285; 54.5% women; mean age at baseline, 59.8 years old; 96.3% white) who attended an imaging assessment including cardiac magnetic resonance (CMR) before the start of the COVID-19 pandemic were invited to attend a second imaging assessment in 2021. Cases with evidence of previous SARS-CoV-2 infection were identified through linkage to PCR-testing or other medical records, or a positive antibody lateral flow test; n=640 in data available on 22 Sep 2021) and were matched to controls with no evidence of previous infection (n=645). The majority of these infections were milder and did not involve hospitalisation. Measures of cardiac and aortic structure and function were derived from the CMR images obtained on the cases before and after SARS-CoV-2 infection from images for the controls obtained over the same time interval using a previously validated, automated algorithm. Cases and controls had similar cardiac and aortic imaging phenotypes at their first imaging assessment. Changes between CMR imaging measures in cases before and after infection were not significantly different from those in the matched control group. Additional adjustment for comorbidities made no material difference to the results. While these results are preliminary and limited to imaging metrics derived from automated analyses, they do not suggest clinically significant persistent cardiac pathology in the UK Biobank population after generally milder (non-hospitalised) SARS-CoV-2 infection.

Background: Greater red and processed meat consumption has been linked to adverse cardiovascular outcomes. However, the impact of these exposures on cardiovascular magnetic resonance (CMR) phenotypes has not been adequately studied. Objective: We describe novel associations of meat intake with cardiovascular phenotypes and investigate underlying mechanisms through consideration of a range of covariates. Design: We studied 19,408 UK Biobank participants with CMR data available. Average daily red and processed meat consumption was determined through food frequency questionnaires and expressed as a continuous variable. Oily fish was studied as a comparator, previously associated with favourable cardiac outcomes. We considered associations with conventional CMR indices (ventricular volumes, ejection fraction, stroke volume, left ventricular mass), novel CMR radiomics features (shape, first-order, texture), and arterial compliance measures (arterial stiffness index, aortic distensibility). We used multivariable linear regression to investigate relationships between meat intake and cardiovascular phenotypes, adjusting for confounders (age, sex, deprivation, educational level, smoking, alcohol intake, exercise) and potential covariates on the causal pathway (hypertension, hypercholesterolaemia, diabetes, body mass index). Results: Greater red and processed meat consumption was associated with an unhealthy pattern of biventricular remodelling, worse cardiac function, and poorer arterial compliance. In contrast, greater oily fish consumption was associated with a healthier cardiovascular phenotype and better arterial compliance. There was partial attenuation of associations between red meat and conventional CMR indices with addition of covariates potentially on the causal pathway, indicating a possible mechanistic role for these cardiometabolic morbidities. However, other associations were not altered with inclusion of these covariates, suggesting importance of alternative biological mechanisms underlying these relationships. Radiomics analysis provided deeper phenotyping, demonstrating association of the different dietary habits with distinct ventricular geometry and left ventricular myocardial texture patterns. Conclusions: Greater red and processed meat consumption is associated with impaired cardiovascular health, both in terms of markers of arterial disease and of cardiac structure and function. Cardiometabolic morbidities appeared to have a mechanistic role in the associations of red meat with ventricular phenotypes, but less so for other associations suggesting importance of alternative mechanism for these relationships.

Ischemic heart disease (IHD) has been linked with poor brain outcomes. The brain magnetic resonance imaging–derived difference between predicted brain age and actual chronological age (brain-age delta in years, positive for accelerated brain aging) may serve as an effective means of communicating brain health to patients to promote healthier lifestyles. The authors investigated the impact of prevalent IHD on brain aging, potential underlying mechanisms, and its relationship with dementia risk, vascular risk factors, cardiovascular structure, and function. Brain age was estimated in subjects with prevalent IHD (n = 1,341) using a Bayesian ridge regression model with 25 structural (volumetric) brain magnetic resonance imaging features and built using UK Biobank participants with no prevalent IHD (n = 35,237). Prevalent IHD was linked to significantly accelerated brain aging (P < 0.001) that was not fully mediated by microvascular injury. Brain aging (positive brain-age delta) was associated with increased risk of dementia (OR: 1.13 [95% CI: 1.04-1.22]; P = 0.002), vascular risk factors (such as diabetes), and high adiposity. In the absence of IHD, brain aging was also associated with cardiovascular structural and functional changes typically observed in aging hearts. However, such alterations were not linked with risk of dementia. Prevalent IHD and coexisting vascular risk factors are associated with accelerated brain aging and risk of dementia. Positive brain-age delta representing accelerated brain aging may serve as an effective communication tool to show the impact of modifiable risk factors and disease supporting preventative strategies.