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.

Background: Myocardial perfusion reflects the macro- and microvascular coronary circulation. Recent quantitation developments using cardiovascular magnetic resonance (CMR) perfusion permit automated measurement clinically. We explored the prognostic significance of stress myocardial blood flow (MBF) and myocardial perfusion reserve (MPR, the ratio of stress to rest MBF). Methods: A two center study of patients with both suspected and known coronary artery disease referred clinically for perfusion assessment. Image analysis was performed automatically using a novel artificial intelligence approach deriving global and regional stress and rest MBF and MPR. Cox proportional hazard models adjusting for co-morbidities and CMR parameters sought associations of stress MBF and MPR with death and major adverse cardiovascular events (MACE), including myocardial infarction, stroke, heart failure hospitalization, late (>90 day) revascularization and death. Results: 1049 patients were included with median follow-up 605 (interquartile range 464-814) days. There were 42 (4.0%) deaths and 188 MACE in 174 (16.6%) patients. Stress MBF and MPR were independently associated with both death and MACE. For each 1ml/g/min decrease in stress MBF the adjusted hazard ratio (HR) for death and MACE were 1.93 (95% CI 1.08-3.48, P=0.028) and 2.14 (95% CI 1.58-2.90, P<0.0001) respectively, even after adjusting for age and co-morbidity. For each 1 unit decrease in MPR the adjusted HR for death and MACE were 2.45 (95% CI 1.42-4.24, P=0.001) and 1.74 (95% CI 1.36-2.22, P<0.0001) respectively. In patients without regional perfusion defects on clinical read and no known macrovascular coronary artery disease (n=783), MPR remained independently associated with death and MACE, with stress MBF remaining associated with MACE only. Conclusions: In patients with known or suspected coronary artery disease, reduced MBF and MPR measured automatically inline using artificial intelligence quantification of CMR perfusion mapping provides a strong, independent predictor of adverse cardiovascular outcomes.

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.

Abstract

 The evidence is increasing that left ventricular noncompaction cardiomyopathy as it is currently defined does not represent a failure of compaction of pre-existing trabecular myocardium found during embryonic development to form the compact component of the ventricular walls. Neither is there evidence of which we are aware to favour the notion that the entity is a return to a phenotype seen in cold-blooded animals. It is also known that when seen in adults, the presence of excessive ventricular trabeculations does not portend a poor prognosis when the ejection fraction is normal, with the risks of complications such as arrhythmia and stroke being rare in this setting. It is also the case that images of "noncompaction" as provided from children or autopsy studies are quite different from the features observed clinically in asymptomatic adults with excessive trabeculation. Our review suggests that the presence of an excessively trabeculated left ventricular wall is not in itself a clinical entity. It is equally possible that the excessive trabeculation is no more than a bystander in the presence of additional lesions such as dilated cardiomyopathy, with the additional lesions being responsible for the reduced ejection fraction bringing a given patient to clinical attention. We, therefore, argue that the term "noncompaction cardiomyopathy" is misleading, because there is neither failure of compaction nor a cardiomyopathic process in most individuals that fulfill widely used diagnostic criteria.

Although left ventricular noncompaction (LVNC) has been associated with an increased risk of adverse cardiovascular events, the accurate incidence of cardiovascular morbidity and mortality is unknown. We, therefore, aimed to assess the incidence rate of LVNC-related cardiovascular events.We systematically searched observational studies reporting the adverse outcomes related to LVNC. The primary end point was cardiovascular mortality.We identified 28 eligible studies enrolling 2501 LVNC patients (mean age, 46 years; male/female ratio, 1.7). After a median follow-up of 2.9 years, the pooled event rate for cardiovascular mortality was 1.92 (95% CI, 1.54-2.30) per 100 person-years. LVNC patients had a similar risk of cardiovascular mortality compared with a dilated cardiomyopathy control group (odds ratio, 1.10 [95% CI, 0.18-6.67]). The incidence rates of all-cause mortality, stroke and systemic emboli, heart failure admission, cardiac transplantation, ventricular arrhythmias, and cardiac device implantation were 2.16, 1.54, 3.53, 1.24, 2.17, and 2.66, respectively, per 100 person-years. Meta-regression and subgroup analyses revealed that left ventricular ejection fraction, not the extent of left ventricular trabeculation, had an important influence on the variability of incidence rates. The risks of thromboembolism and ventricular arrhythmias in LVNC patients were similar to dilated cardiomyopathy patients. However, LVNC patients had a higher incidence of heart failure hospitalization than dilated cardiomyopathy patients.Patients with LVNC carry a similar cardiovascular risk when compared with dilated cardiomyopathy patients. Left ventricular ejection fraction-a conventional indicator of heart failure severity, not the extent of trabeculation-appears to be an important determinant of adverse outcomes in LVNC patients. Registration: https://www.crd.york.ac.uk/PROSPERO/ Unique identifier: CRD42018096313.

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.

An elevated red cell distribution width (RDW) and iron deficiency (ID) at baseline predict enhanced mortality in chronic heart failure (CHF), but little is known about the prognostic implications of their temporal trends. We sought to determine the survival implications of temporal changes in RDW and evolving ID in patients with CHF.The relation between red cell indices on first consultation and over time with mortality in 274 stable patients with systolic CHF was analysed. The combination of a rising RDW with a falling mean cell volume (MCV) over time defined evolving ID.Over a median 12 month period, 51% and 23% of patients had a rise in RDW and evolving ID, respectively. After a median follow-up of 27 months, 60 (22%) patients died. A rising RDW predicted enhanced all-cause mortality (unadjusted HR for 1% per week rise 9.27, 95% CI 3.58 to 24.00, P<0.0001) independently and incrementally to baseline RDW, with an absolute increase >0.02% per week optimally predictive. Evolving ID also related to higher rates of mortality (HR 2.78, 95% CI 1.64 to 4.73, P<0.001) and was prognostically worse than a rising RDW alone (P<0.005). Patients with evolving ID who maintained their Hb levels over time had a 2-fold greater risk of death than those whose Hb levels declined without evolving ID.An expanding RDW and evolving iron deficiency over time predict an amplified risk of death in CHF and should be utilised for risk stratification and/or therapeutically targeted to potentially improve outcomes.

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.