0
| 本文作者： 李雪 | 2021-11-04 11:14 |
近日，2021年醫學人工智能大會（CMAI 2021）暨第一屆“中國醫學學術期刊發展”高端論壇在北京舉辦。本次大會邀請了數十位頂尖醫院的放射科主任及人工智能技術的權威專家。
本次大會由中國生物醫學工程學會醫學人工智能分會、中國醫學影像AI產學研用創新聯盟、中國研究型醫院學會感染與炎癥分會、國家衛健委全國衛生健康傳承項目放射專業委員會、北京影像診療技術創新聯盟主辦，CMAI 組委會承辦。
雷鋒網&醫健AI掘金志作為本次大會的支持單位，全程參與嘉賓的演講內容與深度報道。
作為本次大會嘉賓，國際心血管磁共振學會中國委員會副主委、華中科技大學同濟醫學院附屬同濟醫院放射科夏黎明主任發表了主題演講。
夏黎明主任表示：心臟磁共振檢查目前面臨很多的困難：例如，對患者的心率、呼吸要求比較高；其次，患者心臟檢查時間很長，病人耐受差，對技師的要求也更高。因此，在成像環節的加速和標準化中，AI可以發揮巨大的作用。
另一方面，深度學習在心臟磁共振成像圖像分割、分析、診斷應用方面，也有諸多亮點。例如，在圖像分割（左心室、左心房）、心肌瘢痕定量評估、診斷心肌梗死診斷，夏黎明主任以多篇論文舉例進行論證分享。
以下為夏黎明主任大會演講的全部內容，雷鋒網《醫健AI掘金志》做了不改變原意的編輯和整理。
各位專家、各位同道，大家好。我今天要介紹的主題是《AI在心臟磁共振成像中的應用與研究進展》，我從AI在CMR檢查流程、質控中的應用兩個方面開始進行介紹。
AI在CMR檢查流程、質控中的應用
心臟磁共振檢查目前面臨很多的困難：
首先，是我們對患者的心率、呼吸要求比較高；
第二，是患者心臟檢查時間很長，病人耐受差；
第三，對我們操作者的技術要求很高。
綜合以上三點，AI在心臟磁共振成像檢查中，其實大有前途。
心臟掃描的各種平面需要我們定位，定位需要一定的技術，手動定位也需要較多的時間，如果定位不準確，圖像就不標準，所測量的解剖結構值、功能就不準，另外，它的重復性也很重要，在病情復查、對比時常常需要多次檢查平面一致。
如果我們用人工智能進行精準、快速的定位，目前的研究，只要定位16秒鐘就可以解決。
如圖，這個是心臟智能的定位，現在大家研究的還是比較多，通過卷積神經網絡基本上可以得到我們常用的四個定位的平面，我們可以看到有四腔、兩腔、三腔和短軸平面的圖像。從目前的結果來看，一次屏氣全心覆蓋，自動、快捷、多方位定位，定位準確、穩定、可重復性好。
上面是心臟六個層面的圖像，分別是短軸、兩腔，四腔、三腔，右、左流出道層面電影圖像。
另外，AI在圖像的重建方面，有非常好的價值。
例如，在黑血里面利用深度學習的成像，提高了圖片的分辨率和信噪比。
我們可以看到（如圖）里面的參數，我們基于AI的這種黑血，它的分辨率及信噪比很高。
如圖，左側圖是傳統的T2黑血成像，中間是SSFSE T2黑血成像，早期我們沒有人工智能，SSFSE T2黑血成像很差，右圖是基于AI的一次屏氣，成像質量幾乎和跟傳統的十個心動周期圖像保持一致。
如圖，這個病人是心律不齊，傳統的黑血回音很重，右邊人工智能的黑血成像可以采納。
另外，AI在電影序列里面也是很有價值的，跟其他的一些電影圖像序列相比有很大的優勢，它單次屏氣、全心覆蓋、信噪比及空間分辨率高、重建速度快。
傳統的采集需要多個心動周期，目前基于AI的電影圖像采集，只要一個心動周期就可以。（如圖）左邊是處理前的圖像，中間是 AI處理后的圖像，跟傳統圖像幾乎是一致的。
如圖，是心律不齊患者的CMR圖像，上面是傳統的Cine，圖像有心率不齊導致的偽影，下面是AI Cine，圖像質量很好。
基于AI利用不同迭代的技術，（a）是欠采樣的圖像，（b）是我們希望得到的圖像，（c-i）采用不同的迭代次數，最后我們重建過程中1-10迭代圖像跟我們所需要的圖像應該是一致的。
另外，AI也可以在檢查的質量控制里面發揮很好的作用。
文章從三個維度評估，包括掃描的范圍，圖像層間運動以及圖像的對比。
上面一排是我們比較理想的圖像，下面是不太好的圖像，通過深度學習、訓練，從四個層面的圖像進行訓練，然后得到三個獨立檢查的質量控制的功能。
AI在CMR圖像分割、分析、診斷應用
AI在心臟磁共振成像圖像分割、分析、診斷應用，深度學習在心臟電影圖像方面的應用在逐漸增多，例如電影圖像的自動分割、多參數、功能分析，對瘢痕的分割等。
另外對于非對比增強來診斷梗死或者心肌病的一些方法，還有T1/T2 mapping對水腫、瘢痕進行評估等。
我們可以看到AI可以自動測量，有很多的功能，例如，它的心室容積、射血分數、心輸出量，還有心肌厚度分析等。
如圖，這篇文章是荷蘭萊頓大學陶倩教授研究的，我們也參與了研究，利用深度學習對電影進行自動的分割，對它的功能、全自動量化進行了評估，它的結果還不錯。
這是左心室（LV）分割網絡的完整流程，從左到右的輸入、卷積、激活函數、池化、全連接、輸出等等，最后分割出左心室。
我們看看它的效果，研究把人工智能的分割和手動勾畫行了一個對比，在左心室的舒張末期、收縮末期的容積，心肌質量和左心室射血分數方面做了對比，它的一致性非常好。
另外，對它的三個模型、三種數據進行了評估，最后的效果很好，因為它是一個多中心、多設備、病例數也比較多的研究。
另外有一個研究，利用人工智能對左心房進行分割，計算它的直徑和容積。
左心房擴大的患者，常常會導致房顫，所以對于左心房的體積和直徑的評估非常有意義，因為人工智能對增強以后的延遲強化能識別，左心房分割效果還是相當不錯。
如圖，分為幾個步驟，第一個是2D的CNN，第二是3D的CNN，第三是雙3D的CNN，病例數目不多，但效果不錯。
下面對三種方法進行了對比。
第一種我們可以看到Dice系數，應該算是雙3D的CNN，Dice系數最高達到93.2%。另外從它壁的厚度，還有直徑、容積的差錯方面來進行評估，也是證明了雙3D的CNN，它的效果是最好的。
第一篇的研究就是對心肌瘢痕進行一個定量評估，它是利用3D深度卷積神經網絡對肥厚型心肌病進行評估，主要是計算它的瘢痕體積，還有瘢痕體積的百分比，應該說人工智能分割與手動勾畫的一致性很好。
我們看看它的結果，如左上圖，體積、百分比還有人工智能和手動勾畫的r值都在0.9以上。右圖，上面一排是手動勾畫，第二排是人工智能分割，第三個就是手動的人工智能勾畫纖維瘢痕的面積一致性比較高。
此外，另一個研究是人工智能對心肌梗死進行的一個評估，它對非增強的電影圖像進行評估，常常診斷心肌梗死不管是急病還是慢病都需要延遲增強，這個研究對不增強的電影圖像進行心肌梗死的診斷，那意義還是很大的。
根據它的結果顯示有良好的診斷效率，它的敏感度和特異度都是非常高的，在0.9以上。
看看它的過程，第一我們要定位左心室，第二對運動特征的提取。
一共分為三步，第一步是局部運動的特征，第二步是整體運動的特征，第三步就是把局部和整體運動的特征，經過疊加的自動編碼進行分類診斷，哪些是正常，哪些是延遲強化的。
我們看一下結果（如上圖），第一列是電影非增強的，第二列是延遲增強，我們可以看到每一例都有延遲強化心肌梗死，第三列是人工智能勾畫的梗死和延遲增強，手動勾畫梗死的疊加，第四列是提取心肌梗死的區域，第五列是對心肌梗死的范圍和透壁性的量化。
總體來講，診斷效能比較高，診斷慢性心肌梗死的效能達到了0.87以上，應該是相當不錯的。
我們可以看到，人工智能和手動勾畫的一致性還是不錯的。另外，他給了兩個病例，第一個人工智能和手動勾畫的面積非常吻合，第二個稍微差一點。
如圖，這篇文章就是對于對比增強，是人工智能虛擬原生增強技術替代釓延遲增強的研究，主要是利用增強前T1 map圖和心臟電影圖像的信號，通過VNE技術生成與延遲增強的圖像來進行對比，看看它的一致性怎么樣。
結果可以看出，人工智能的非對比增強虛擬圖像與延遲圖像的一致性很好，尤其非對比增強圖像質量比對比增強的圖像更好。
我們看看它的過程，它的過程主要有三個序列圖像組成，第一個是電影，第二個是黑血，第三個是增強前的T1-mapping，然后把它編碼，融合生成一個區域的增強圖像，只要大約15分鐘即可獲得，如果我們沒有這個技術要進行延遲增強，還需要30分鐘的時間來進行操作。
如圖，最后一個延遲圖像，有四位觀看者來進行評價和打分，黃色的是延遲增強，綠色的是非延遲增強人工智能，四位觀看者把非對比增強打分高一些，它的平均分數也高，另外一個延遲增強圖像比較差，或者完全不能進行診斷的，通過非增強的人工智能方法可以提高圖像質量。
如圖，我們可以看到這些病例。
第一列是正常的對照組， B到G是不同的心臟疾病。第一排是彩圖，第二排是非對比增強人工智能的虛擬圖像。第三個是真正的延遲增強圖像。下面分別是增強與非增強的彩圖，一致性還是非常好的。
總結
綜合上述的內容，我們可以發現，AI在心臟磁共振成像中具有不錯的應用前景。
第一點，AI在心臟磁共振成像的價值貫穿檢查的流程、圖像重建、質控、分割、多參數分析、診斷等，總體來說是快、準、重復性好。
與此同時，AI在心臟磁共振成像應用處于初步的階段，還需要多中心大量的研究。
我的演講結束了，謝謝大家。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
