Cardiovascular resonance (CMR) imaging is a standard imaging modality for assessing cardiovascular diseases (CVDs), the leading cause of death globally. CMR enables accurate quantification of the cardiac chamber volume, ejection fraction and myocardial mass, providing information for diagnosis and monitoring of CVDs. However, for years, clinicians have been relying on manual approaches for CMR image analysis, which is time consuming and prone to subjective errors. It is a major clinical challenge to automatically derive quantitative and clinically relevant information from CMR images. Deep neural networks have shown a great potential in image pattern recognition and segmentation for a variety of tasks. Here we demonstrate an automated analysis method for CMR images, which is based on a fully convolutional network (FCN). The network is trained and evaluated on a large-scale dataset from the UK Biobank, consisting of 4,875 subjects with 93,500 pixelwise annotated images. The performance of the method has been evaluated using a number of technical metrics, including the Dice metric, mean contour distance and Hausdorff distance, as well as clinically relevant measures, including left ventricle (LV) end-diastolic volume (LVEDV) and end-systolic volume (LVESV), LV mass (LVM); right ventricle (RV) end-diastolic volume (RVEDV) and end-systolic volume (RVESV). By combining FCN with a large-scale annotated dataset, the proposed automated method achieves a high performance in segmenting the LV and RV on short-axis CMR images and the left atrium (LA) and right atrium (RA) on long-axis CMR images. On a short-axis image test set of 600 subjects, it achieves an average Dice metric of 0.94 for the LV cavity, 0.88 for the LV myocardium and 0.90 for the RV cavity. The mean absolute difference between automated measurement and manual measurement is 6.1 mL for LVEDV, 5.3 mL for LVESV, 6.9 gram for LVM, 8.5 mL for RVEDV and 7.2 mL for RVESV. On long-axis image test sets, the average Dice metric is 0.93 for the LA cavity (2-chamber view), 0.95 for the LA cavity (4-chamber view) and 0.96 for the RA cavity (4-chamber view). The performance is comparable to human inter-observer variability. We show that an automated method achieves a performance on par with human experts in analysing CMR images and deriving clinically relevant measures.

Cardiovascular magnetic resonance (CMR) is the gold standard method for the assessment of cardiac structure and function. Reference ranges permit differentiation between normal and pathological states. To date, this study is the largest to provide CMR specific reference ranges for left ventricular, right ventricular, left atrial and right atrial structure and function derived from truly healthy Caucasian adults aged 45–74. Five thousand sixty-five UK Biobank participants underwent CMR using steady-state free precession imaging at 1.5 Tesla. Manual analysis was performed for all four cardiac chambers. Participants with non-Caucasian ethnicity, known cardiovascular disease and other conditions known to affect cardiac chamber size and function were excluded. Remaining participants formed the healthy reference cohort; reference ranges were calculated and were stratified by gender and age (45–54, 55–64, 65–74). After applying exclusion criteria, 804 (16.2%) participants were available for analysis. Left ventricular (LV) volumes were larger in males compared to females for absolute and indexed values. With advancing age, LV volumes were mostly smaller in both sexes. LV ejection fraction was significantly greater in females compared to males (mean ± standard deviation [SD] of 61 ± 5% vs 58 ± 5%) and remained static with age for both genders. In older age groups, LV mass was lower in men, but remained virtually unchanged in women. LV mass was significantly higher in males compared to females (mean ± SD of 53 ± 9 g/m2 vs 42 ± 7 g/m2). Right ventricular (RV) volumes were significantly larger in males compared to females for absolute and indexed values and were smaller with advancing age. RV ejection fraction was higher with increasing age in females only. Left atrial (LA) maximal volume and stroke volume were significantly larger in males compared to females for absolute values but not for indexed values. LA ejection fraction was similar for both sexes. Right atrial (RA) maximal volume was significantly larger in males for both absolute and indexed values, while RA ejection fraction was significantly higher in females. We describe age- and sex-specific reference ranges for the left ventricle, right ventricle and atria in the largest validated normal Caucasian population.

Background: The genetic basis of left ventricular (LV) image-derived phenotypes, which play a vital role in the diagnosis, management, and risk stratification of cardiovascular diseases, is unclear at present. Methods: The LV parameters were measured from the cardiovascular magnetic resonance studies of the UK Biobank. Genotyping was done using Affymetrix arrays, augmented by imputation. We performed genome-wide association studies of 6 LV traits—LV end-diastolic volume, LV end-systolic volume, LV stroke volume, LV ejection fraction, LV mass, and LV mass to end-diastolic volume ratio. The replication analysis was performed in the MESA study (Multi-Ethnic Study of Atherosclerosis). We identified the candidate genes at genome-wide significant loci based on the evidence from extensive bioinformatic analyses. Polygenic risk scores were constructed from the summary statistics of LV genome-wide association studies to predict the heart failure events. Results: The study comprised 16 923 European UK Biobank participants (mean age 62.5 years; 45.8% men) without prevalent myocardial infarction or heart failure. We discovered 14 genome-wide significant loci (3 loci each for LV end-diastolic volume, LV end-systolic volume, and LV mass to end-diastolic volume ratio; 4 loci for LV ejection fraction, and 1 locus for LV mass) at a stringent P <1×10 −8 . Three loci were replicated at Bonferroni significance and 7 loci at nominal significance ( P <0.05 with concordant direction of effect) in the MESA study (n=4383). Follow-up bioinformatic analyses identified 28 candidate genes that were enriched in the cardiac developmental pathways and regulation of the LV contractile mechanism. Eight genes ( TTN, BAG3, GRK5, HSPB7, MTSS1, ALPK3, NMB , and MMP11 ) supported by at least 2 independent lines of in silico evidence were implicated in the cardiac morphogenesis and heart failure development. The polygenic risk scores of LV phenotypes were predictive of heart failure in a holdout UK Biobank sample of 3106 cases and 224 134 controls (odds ratio 1.41, 95% CI 1.26 – 1.58, for the top quintile versus the bottom quintile of the LV end-systolic volume risk score). Conclusions: We report 14 genetic loci and indicate several candidate genes that not only enhance our understanding of the genetic architecture of prognostically important LV phenotypes but also shed light on potential novel therapeutic targets for LV remodeling.

Differences in cardiac and aortic structure and function are associated with cardiovascular diseases and a wide range of other types of disease. Here we analyzed cardiovascular magnetic resonance images from a population-based study, the UK Biobank, using an automated machine-learning-based analysis pipeline. We report a comprehensive range of structural and functional phenotypes for the heart and aorta across 26,893 participants, and explore how these phenotypes vary according to sex, age and major cardiovascular risk factors. We extended this analysis with a phenome-wide association study, in which we tested for correlations of a wide range of non-imaging phenotypes of the participants with imaging phenotypes. We further explored the associations of imaging phenotypes with early-life factors, mental health and cognitive function using both observational analysis and Mendelian randomization. Our study illustrates how population-based cardiac and aortic imaging phenotypes can be used to better define cardiovascular disease risks as well as heart–brain health interactions, highlighting new opportunities for studying disease mechanisms and developing image-based biomarkers. Using magnetic resonance images of the heart and aorta from 26,893 individuals in the UK Biobank, a phenome-wide association study associates cardiovascular imaging phenotypes with a wide range of demographic, lifestyle and clinical features.

Background: Convolutional neural network (CNN) based segmentation methods provide an efficient and automated way for clinicians to assess the structure and function of the heart in cardiac MR images. While CNNs can generally perform the segmentation tasks with high accuracy when training and test images come from the same domain (e.g., same scanner or site), their performance often degrades dramatically on images from different scanners or clinical sites. Methods: We propose a simple yet effective way for improving the network generalization ability by carefully designing data normalization and augmentation strategies to accommodate common scenarios in multi-site, multi-scanner clinical imaging data sets. We demonstrate that a neural network trained on a single-site single-scanner dataset from the UK Biobank can be successfully applied to segmenting cardiac MR images across different sites and different scanners without substantial loss of accuracy. Specifically, the method was trained on a large set of 3,975 subjects from the UK Biobank. It was then directly tested on 600 different subjects from the UK Biobank for intra-domain testing and two other sets for cross-domain testing: the ACDC dataset (100 subjects, 1 site, 2 scanners) and the BSCMR-AS dataset (599 subjects, 6 sites, 9 scanners). Results: The proposed method produces promising segmentation results on the UK Biobank test set which are comparable to previously reported values in the literature, while also performing well on cross-domain test sets, achieving a mean Dice metric of 0.90 for the left ventricle, 0.81 for the myocardium, and 0.82 for the right ventricle on the ACDC dataset; and 0.89 for the left ventricle, 0.83 for the myocardium on the BSCMR-AS dataset. Conclusions: The proposed method offers a potential solution to improve CNN-based model generalizability for the cross-scanner and cross-site cardiac MR image segmentation task.

Exposure to ambient air pollution is strongly associated with increased cardiovascular morbidity and mortality. Little is known about the influence of air pollutants on cardiac structure and function. We aim to investigate the relationship between chronic past exposure to traffic-related pollutants and the cardiac chamber volume, ejection fraction, and left ventricular remodeling patterns after accounting for potential confounders.Exposure to ambient air pollutants including particulate matter and nitrogen dioxide was estimated from the Land Use Regression models for the years between 2005 and 2010. Cardiac parameters were measured from cardiovascular magnetic resonance imaging studies of 3920 individuals free from pre-existing cardiovascular disease in the UK Biobank population study. The median (interquartile range) duration between the year of exposure estimate and the imaging visit was 5.2 (0.6) years. We fitted multivariable linear regression models to investigate the relationship between cardiac parameters and traffic-related pollutants after adjusting for various confounders.The studied cohort was 62±7 years old, and 46% were men. In fully adjusted models, particulate matter with an aerodynamic diameter <2.5 μm concentration was significantly associated with larger left ventricular end-diastolic volume and end-systolic volume (effect size = 0.82%, 95% CI, 0.09-1.55%, P=0.027; and effect size = 1.28%, 95% CI, 0.15-2.43%, P=0.027, respectively, per interquartile range increment in particulate matter with an aerodynamic diameter <2.5 μm) and right ventricular end-diastolic volume (effect size = 0.85%, 95% CI, 0.12-1.58%, P=0.023, per interquartile range increment in particulate matter with an aerodynamic diameter <2.5 μm). Likewise, higher nitrogen dioxide concentration was associated with larger biventricular volume. Distance from the major roads was the only metric associated with lower left ventricular mass (effect size = -0.74%, 95% CI, -1.3% to -0.18%, P=0.01, per interquartile range increment). Neither left and right atrial phenotypes nor left ventricular geometric remodeling patterns were influenced by the ambient pollutants.In a large asymptomatic population with no prevalent cardiovascular disease, higher past exposure to particulate matter with an aerodynamic diameter <2.5 μm and nitrogen dioxide was associated with cardiac ventricular dilatation, a marker of adverse remodeling that often precedes heart failure development.

The trend towards large-scale studies including population imaging poses new challenges in terms of quality control (QC). This is a particular issue when automatic processing tools such as image segmentation methods are employed to derive quantitative measures or biomarkers for further analyses. Manual inspection and visual QC of each segmentation result is not feasible at large scale. However, it is important to be able to automatically detect when a segmentation method fails in order to avoid inclusion of wrong measurements into subsequent analyses which could otherwise lead to incorrect conclusions.To overcome this challenge, we explore an approach for predicting segmentation quality based on Reverse Classification Accuracy, which enables us to discriminate between successful and failed segmentations on a per-cases basis. We validate this approach on a new, large-scale manually-annotated set of 4800 cardiovascular magnetic resonance (CMR) scans. We then apply our method to a large cohort of 7250 CMR on which we have performed manual QC.We report results used for predicting segmentation quality metrics including Dice Similarity Coefficient (DSC) and surface-distance measures. As initial validation, we present data for 400 scans demonstrating 99% accuracy for classifying low and high quality segmentations using the predicted DSC scores. As further validation we show high correlation between real and predicted scores and 95% classification accuracy on 4800 scans for which manual segmentations were available. We mimic real-world application of the method on 7250 CMR where we show good agreement between predicted quality metrics and manual visual QC scores.We show that Reverse classification accuracy has the potential for accurate and fully automatic segmentation QC on a per-case basis in the context of large-scale population imaging as in the UK Biobank Imaging Study.

UK Biobank, a large cohort study, plans to acquire 100,000 cardiac MRI studies by 2020. Although fully-automated left ventricular (LV) analysis was performed in the original acquisition, this was not designed for unsupervised incorporation into epidemiological studies. We sought to evaluate automated LV mass and volume (Siemens syngo InlineVF versions D13A and E11C), against manual analysis in a substantial sub-cohort of UK Biobank participants. Eight readers from two centers, trained to give consistent results, manually analyzed 4874 UK Biobank cases for LV end-diastolic volume (EDV), end-systolic volume (ESV), stroke volume (SV), ejection fraction (EF) and LV mass (LVM). Agreement between manual and InlineVF automated analyses were evaluated using Bland-Altman analysis and the intra-class correlation coefficient (ICC). Tenfold cross-validation was used to establish a linear regression calibration between manual and InlineVF results. InlineVF D13A returned results in 4423 cases, whereas InlineVF E11C returned results in 4775 cases and also reported LVM. Rapid visual assessment of the E11C results found 178 cases (3.7%) with grossly misplaced contours or landmarks. In the remaining 4597 cases, LV function showed good agreement: ESV -6.4 ± 9.0 ml, 0.853 (mean ± SD of the differences, ICC) EDV -3.0 ± 11.6 ml, 0.937; SV 3.4 ± 9.8 ml, 0.855; and EF 3.5 ± 5.1%, 0.586. Although LV mass was consistently overestimated (29.9 ± 17.0 g, 0.534) due to larger epicardial contours on all slices, linear regression could be used to correct the bias and improve accuracy. Automated InlineVF results can be used for case-control studies in UK Biobank, provided visual quality control and linear bias correction are performed. Improvements between InlineVF D13A and InlineVF E11C show the field is rapidly advancing, with further improvements expected in the near future.

The UK Biobank is a large-scale population-based study utilising cardiovascular magnetic resonance (CMR) to generate measurements of atrial and ventricular structure and function. This study aimed to quantify the association between modifiable cardiovascular risk factors and cardiac morphology and function in individuals without known cardiovascular disease.Age, sex, ethnicity (non-modifiable) and systolic blood pressure, diastolic blood pressure, smoking status, exercise, body mass index (BMI), high cholesterol, diabetes, alcohol intake (modifiable) were considered important cardiovascular risk factors. Multivariable regression models were built to ascertain the association of risk factors on left ventricular (LV), right ventricular (RV), left atrial (LA) and right atrial (RA) CMR parameters.4,651 participants were included in the analysis. All modifiable risk factors had significant effects on differing atrial and ventricular parameters. BMI was the modifiable risk factor most consistently associated with subclinical changes to CMR parameters, particularly in relation to higher LV mass (+8.3% per SD [4.3 kg/m2], 95% CI: 7.6 to 8.9%), LV (EDV: +4.8% per SD, 95% CI: 4.2 to 5.4%); ESV: +4.4% per SD, 95% CI: 3.5 to 5.3%), RV (EDV: +5.3% per SD, 95% CI: 4.7 to 5.9%; ESV: +5.4% per SD, 95% CI: 4.5 to 6.4%) and LA maximal (+8.6% per SD, 95% CI: 7.4 to 9.7%) volumes. Increases in SBP were associated with higher LV mass (+6.8% per SD, 95% CI: 5.9 to 7.7%), LV (EDV: +4.5% per SD, 95% CI: 3.6 to 5.4%; ESV: +2.0% per SD, 95% CI: 0.8 to 3.3%) volumes. The presence of diabetes or high cholesterol resulted in smaller volumes and lower ejection fractions.Modifiable risk factors are associated with subclinical alterations in structure and function in all four cardiac chambers. BMI and systolic blood pressure are the most important modifiable risk factors affecting CMR parameters known to be linked to adverse outcomes.

The associations between cardiovascular disease (CVD) risk factors and the biventricular geometry of the right ventricle (RV) and left ventricle (LV) have been difficult to assess, due to subtle and complex shape changes. We sought to quantify reference RV morphology as well as biventricular variations associated with common cardiovascular risk factors. A biventricular shape atlas was automatically constructed using contours and landmarks from 4329 UK Biobank cardiovascular magnetic resonance (CMR) studies. A subdivision surface geometric mesh was customized to the contours using a diffeomorphic registration algorithm, with automatic correction of slice shifts due to differences in breath-hold position. A reference sub-cohort was identified consisting of 630 participants with no CVD risk factors. Morphometric scores were computed using linear regression to quantify shape variations associated with four risk factors (high cholesterol, high blood pressure, obesity and smoking) and three disease factors (diabetes, previous myocardial infarction and angina). The atlas construction led to an accurate representation of 3D shapes at end-diastole and end-systole, with acceptable fitting errors between surfaces and contours (average error less than 1.5 mm). Atlas shape features had stronger associations than traditional mass and volume measures for all factors (p < 0.005 for each). High blood pressure was associated with outward displacement of the LV free walls, but inward displacement of the RV free wall and thickening of the septum. Smoking was associated with a rounder RV with inward displacement of the RV free wall and increased relative wall thickness. Morphometric relationships between biventricular shape and cardiovascular risk factors in a large cohort show complex interactions between RV and LV morphology. These can be quantified by z-scores, which can be used to study the morphological correlates of disease.