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: 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.

Diabetes mellitus (DM) is associated with increased risk of cardiovascular disease. Detection of early cardiac changes before manifest disease develops is important. We investigated early alterations in cardiac structure and function associated with DM using cardiovascular magnetic resonance imaging.Participants from the UK Biobank Cardiovascular Magnetic Resonance Substudy, a community cohort study, without known cardiovascular disease and left ventricular ejection fraction ≥50% were included. Multivariable linear regression models were performed. The investigators were blinded to DM status.A total of 3984 individuals, 45% men, (mean [SD]) age 61.3 (7.5) years, hereof 143 individuals (3.6%) with DM. There was no difference in left ventricular (LV) ejection fraction (DM versus no DM; coefficient [95% CI]: -0.86% [-1.8 to 0.5]; P=0.065), LV mass (-0.13 g/m2 [-1.6 to 1.3], P=0.86), or right ventricular ejection fraction (-0.23% [-1.2 to 0.8], P=0.65). However, both LV and right ventricular volumes were significantly smaller in DM, (LV end-diastolic volume/m2: -3.46 mL/m2 [-5.8 to -1.2], P=0.003, right ventricular end-diastolic volume/m2: -4.2 mL/m2 [-6.8 to -1.7], P=0.001, LV stroke volume/m2: -3.0 mL/m2 [-4.5 to -1.5], P<0.001; right ventricular stroke volume/m2: -3.8 mL/m2 [-6.5 to -1.1], P=0.005), LV mass/volume: 0.026 (0.01 to 0.04) g/mL, P=0.006. Both left atrial and right atrial emptying fraction were lower in DM (right atrial emptying fraction: -6.2% [-10.2 to -2.1], P=0.003; left atrial emptying fraction:-3.5% [-6.9 to -0.1], P=0.043). LV global circumferential strain was impaired in DM (coefficient [95% CI]: 0.38% [0.01 to 0.7], P=0.045).In a low-risk general population without known cardiovascular disease and with preserved LV ejection fraction, DM is associated with early changes in all 4 cardiac chambers. These findings suggest that diabetic cardiomyopathy is not a regional condition of the LV but affects the heart globally.

Population imaging studies generate data for developing and implementing personalised health strategies to prevent, or more effectively treat disease. Large prospective epidemiological studies acquire imaging for pre-symptomatic populations. These studies enable the early discovery of alterations due to impending disease, and enable early identification of individuals at risk. Such studies pose new challenges requiring automatic image analysis. To date, few large-scale population-level cardiac imaging studies have been conducted. One such study stands out for its sheer size, careful implementation, and availability of top quality expert annotation; the UK Biobank (UKB). The resulting massive imaging datasets (targeting ca. 100,000 subjects) has put published approaches for cardiac image quantification to the test. In this paper, we present and evaluate a cardiac magnetic resonance (CMR) image analysis pipeline that properly scales up and can provide a fully automatic analysis of the UKB CMR study. Without manual user interactions, our pipeline performs end-to-end image analytics from multi-view cine CMR images all the way to anatomical and functional bi-ventricular quantification. All this, while maintaining relevant quality controls of the CMR input images, and resulting image segmentations. To the best of our knowledge, this is the first published attempt to fully automate the extraction of global and regional reference ranges of all key functional cardiovascular indexes, from both left and right cardiac ventricles, for a population of 20,000 subjects imaged at 50 time frames per subject, for a total of one million CMR volumes. In addition, our pipeline provides 3D anatomical bi-ventricular models of the heart. These models enable the extraction of detailed information of the morphodynamics of the two ventricles for subsequent association to genetic, omics, lifestyle habits, exposure information, and other information provided in population imaging studies. We validated our proposed CMR analytics pipeline against manual expert readings on a reference cohort of 4620 subjects with contour delineations and corresponding clinical indexes. Our results show broad significant agreement between the manually obtained reference indexes, and those automatically computed via our framework. 80.67% of subjects were processed with mean contour distance of less than 1 pixel, and 17.50% with mean contour distance between 1 and 2 pixels. Finally, we compare our pipeline with a recently published approach reporting on UKB data, and based on deep learning. Our comparison shows similar performance in terms of segmentation accuracy with respect to human experts.

Background Handgrip strength, a measure of muscular fitness, is associated with cardiovascular (CV) events and CV mortality but its association with cardiac structure and function is unknown. The goal of this study was to determine if handgrip strength is associated with changes in cardiac structure and function in UK adults. Methods and results Left ventricular (LV) ejection fraction (EF), end-diastolic volume (EDV), end-systolic volume (ESV), stroke volume (SV), mass (M), and mass-to-volume ratio (MVR) were measured in a sample of 4,654 participants of the UK Biobank Study 6.3 ± 1 years after baseline using cardiovascular magnetic resonance (CMR). Handgrip strength was measured at baseline and at the imaging follow-up examination. We determined the association between handgrip strength at baseline as well as its change over time and each of the cardiac outcome parameters. After adjustment, higher level of handgrip strength at baseline was associated with higher LVEDV (difference per SD increase in handgrip strength: 1.3ml, 95% CI 0.1–2.4; p = 0.034), higher LVSV (1.0ml, 0.3–1.8; p = 0.006), lower LVM (-1.0g, -1.8 –-0.3; p = 0.007), and lower LVMVR (-0.013g/ml, -0.018 –-0.007; p<0.001). The association between handgrip strength and LVEDV and LVSV was strongest among younger individuals, while the association with LVM and LVMVR was strongest among older individuals. Conclusions Better handgrip strength was associated with cardiac structure and function in a pattern indicative of less cardiac hypertrophy and remodeling. These characteristics are known to be associated with a lower risk of cardiovascular events.