文献速递心血管MR

基于深度学习的加速心血管磁共振功能评估

Accelerated deep learning-based function assessment in cardiovascular magnetic resonance.
PubMed 文献 · Radiol Med · 2025-05-17

前瞻性纳入62例临床指征行心血管磁共振患者,比较深度学习电影序列与常规平衡稳态自由进动序列对左右心室功能参数的诊断准确性和图像质量。深度学习序列采集时间显著更短(1.35 vs 2.83分钟,P<.001),所有功能参数无显著差异,图像质量总体相当,但心内膜边缘清晰度较低。

要点

  • 深度学习电影序列测量左右心室容积、射血分数和左室舒张末期质量与常规bSSFP无显著差异(P≥.176)。
  • 深度学习序列采集时间1.35±.55分钟,较常规bSSFP的2.83±.79分钟缩短52%(P<.001)。
  • 深度学习序列心内膜边缘清晰度评分中位数4(IQR 4-5)低于bSSFP的5(IQR 4-5),P=.002。

核心结论

  • 深度学习电影序列可快速、准确量化左右心室功能参数,图像质量与常规bSSFP相当,但心内膜边缘清晰度较低,需进一步改进。

研究设计与样本

  • 前瞻性单中心研究,2024年1月至4月纳入62例临床指征行心血管磁共振患者(平均年龄47±17岁,41例男性)。
  • 所有检查在1.5 T扫描仪(GE SIGNA Voyager)上进行,采用短轴bSSFP和深度学习电影序列(Sonic DL)覆盖左右心室从基底到心尖。
  • 以常规bSSFP序列为参考标准,比较左右心室舒张末期容积、收缩末期容积、每搏量、射血分数及左室舒张末期质量。

关键影像表现/征象

  • 深度学习电影序列与bSSFP在左右心室所有功能参数上无显著差异(左室P≥.149,右室P≥.128)。
  • Bland-Altman分析显示深度学习与bSSFP一致性良好,左室偏倚范围0.45%至1.75%,右室偏倚范围-0.38%至2.43%。
  • 左室舒张末期容积和射血分数一致性最高,92%(57/62)病例落在预设可接受限内;左室收缩末期容积和每搏量84%(52/62)落在限内。
  • 右室舒张末期容积一致性最高,90%(56/62)病例落在预设可接受限内;右室每搏量最低,79%(49/62)落在限内。
  • 总体图像质量中位数5(IQR 4-5),两组相当(P=.330);血-心肌对比和运动伪影无显著差异(P=.739和.064)。

诊断标准与关键数值

  • 图像质量采用5分Likert量表(1=不可诊断,2=次优但仍可诊断用于容积分析,3=合格,4=良好,5=优秀),基于血-心肌对比、心内膜边缘清晰度和运动伪影评分。
  • Bland-Altman分析预设可接受限为10%,差异以数值百分比表示。
  • 读者间一致性采用加权Cohen's κ分析,深度学习κ=0.736(P<.001),bSSFP κ=0.730(P<.001),均为良好一致性。

临床应用与阅片要点

  • 深度学习电影序列采集时间较常规bSSFP缩短52%(1.35±.55分钟 vs 2.83±.79分钟,P<.001),可能有助于提高临床工作流程效率和患者耐受性。
  • 深度学习序列在左右心室容积和射血分数测量上与bSSFP一致性高,但心内膜边缘清晰度较低,阅片时需注意对心内膜边界的判读。
  • 右室每搏量一致性相对较低(79%病例在可接受限内),可能与该参数测量精度较低及离群值有关。

局限性

  • 单中心研究,仅使用单一厂商扫描仪和特定深度学习电影序列,结果可能无法完全推广至其他厂商和算法。
  • 仅比较短轴平面,未评估两腔和四腔心视图的深度学习序列。
  • 研究人群仅为成人,结果可能无法完全推广至儿科人群。
  • 未评估心肌壁运动、心肌应变及其他特定形态学特征。
  • 需进一步研究确定深度学习电影序列在特定心脏疾病谱中的潜力。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Med. 2025 May 17;130(8):1149–57. doi: 10.1007/s11547-025-02019-6

引言

心血管磁共振(CMR)是无创评估心脏的参考标准成像方法,因其无电离辐射,且具有独特能力,可通过电影序列结合心脏腔室的详细解剖和功能评估,并通过检测心肌水肿、浸润、纤维化和灌注缺损来获得组织特征[1, 2]。

CMR中心肌功能的评估基于在四腔心和两腔心长轴视图上采集的二维平衡稳态自由进动(bSSFP)序列,以及双心室的短轴堆叠。这些电影序列具有良好的时间分辨率[3],并提供优异的信噪比以及心肌与血池之间的对比度,能够详细评估心室和心房的大小和解剖结构,以及整体和区域功能[4, 5]。左心室(LV)和右心室(RV)的定量功能数据使用专用后处理平台计算,是CMR的核心支柱。

尽管传统bSSFP成像被广泛认为是分析心脏功能的参考标准,但其需要数分钟的扫描时间,占整个CMR检查的相当大一部分[6],并积极导致患者不适[7]。由于计算能力的指数级增长,深度学习(DL)在医学领域正获得越来越多的关注,有望改善图像采集、重建和分析。特别是,DL在电影成像中的应用一直集中在减少采集时间并保持足够的准确性[8–10]。在这方面,一种基于神经网络的新型DL电影序列能够从高度欠采样的k空间数据生成图像,最初在儿童和成人群体中进行了测试,在扫描时间和图像质量方面取得了有希望的结果[11],最近已投入商业使用。然而,自其首次临床应用以来,该序列已在更大的DL模型上进行了训练并进一步改进,据我们所知,其性能尚未在临床环境中进行研究。

因此,我们的研究旨在评估这些新型DL电影序列用于LV和RV功能参数的诊断准确性和图像质量,并与传统bSSFP电影序列进行比较。

材料和方法

患者人群

在这项单中心研究中,前瞻性纳入了2024年1月至4月期间接受临床指征CMR检查的患者。机构审查委员会批准了该研究,所有患者均获得了书面知情同意。排除标准包括无法获得知情同意以及因检查期间缺乏短轴完整LV和RV覆盖或心电图记录不充分而导致的技术失败,这两种情况均未发生。

图像采集

所有CMR检查均在1.5 T扫描仪(GE SIGNA Voyager,GE Healthcare,Waukesha,WI)上进行,患者取仰卧位、足先进。还使用了高灵活性16通道前部自适应图像接收线圈(AIR™,GE Healthcare)和无线蓝牙心电及呼吸门控系统(WGS-100,Ivy Biomedical Systems,Inc.,Branford,CT)。

在通过图像定位像获得初始解剖评估后,采集一组短轴常规心电图门控bSSFP(FIESTA,GE Healthcare)序列,覆盖从基底到心尖的整个左心室和右心室。随后,为测试新型深度学习电影序列(Sonic DL™,GE Healthcare),获取第二组覆盖整个左心室和右心室的短轴图像;深度学习电影序列和常规bSSFP电影序列的详细扫描参数见补充表1。心血管磁共振检查继续进行,采集以两腔心视图、三腔心视图、四腔心视图和左心室流出道为导向的bSSFP电影序列。

每次检查随后经放置于肘前窝静脉的18号套管,使用自动双筒高压注射器(Medrad MRXperion MR Injection System,Bayer Healthcare,德国)以3 mL/s的流速静脉给予0.2 mmol/kg钆布醇(Gadovist;Bayer Pharma AG,Leverkusen,德国),随后以相应流速给予生理盐水冲管。钆剂注射后十分钟,在心室中部水平的短轴视图上采集反转时间(TI)侦察序列以确定合适的TI。随后,在短轴和长轴视图上采集二维相位敏感反转恢复(PSIR)序列。

表1 患者特征(n = 62) 查看原表 ↗

深度学习电影序列

深度学习电影是一种基于深度学习的采集和重建技术,由两部分组成:a)一种电影序列,在相位编码维度上使用稀疏随机采样的K空间、在时间维度上使用非相干采样来采集bSSFP回波;b)一种基于神经网络的的重建算法,使用非加速全采样bSSFP电影数据进行训练;用户可以控制加速倍数和使用的RR间期数量。

深度学习电影最初于2021年被描述[10, 11],随后在其采集、重建和训练组件方面进行了优化。当前版本对所有RR采集使用激励次数(NEX)为1,并应用12个展开网络以提高图像质量。该模型整合了来自1.5 Tesla和3 Tesla、多个心脏视图和多个线圈的数据集。此外,其与扫描仪的集成使得通过图形处理单元(GPU)实现短重建时间。

采集时间和图像分析

深度学习电影和bSSFP序列的采集时间均由扫描仪自动提供,并对每位患者进行记录。

一位拥有8年心血管影像经验的委员会认证放射科医师在临床工作流程中分析了bSSFP数据集,并在间隔7天后分析了同一患者的DL电影数据集,以尽量减少回忆偏倚。在分析DL电影时,阅片者无法获得之前分割的结果。所有分析均使用商用软件(Circle cvi42 v. 5.11;Circle Cardiovascular Imaging Inc.;Calgary, Alberta, Canada)进行。识别了收缩末期和舒张末期帧。左心室心内膜和心外膜轮廓及右心室壁轮廓由软件从心脏基底部到心尖自动检测,并在需要时由阅片者手动调整;左心室乳头肌和右心室肌小梁纳入血池。左心室和右心室流出道纳入分割直至主动脉瓣尖和肺动脉瓣水平。在心房与心室之间界限难以识别的情况下,额外审阅短轴电影图像、两腔心和四腔心视图的帧以提高分割准确性。记录所有患者自动生成的右心室和左心室舒张末期容积(EDV)、收缩末期容积(ESV)、每搏输出量(SV)和射血分数(EF),以及左心室舒张期心肌质量。

图像质量评估

另外两名分别拥有13年和11年心血管影像经验的委员会认证放射科医师,对图像重建设盲,独立评估DL电影和bSSFP图像的图像质量,评估依据以下决定因素:血池与心肌对比度、心内膜边缘清晰度和运动伪影。采用5点Likert量表进行分级(1:无法诊断;2:欠佳但仍可用于容积分析诊断;3:尚可;4:良好;5:优秀)[12]。图像以随机顺序评估,旨在避免潜在的回忆偏倚,同一患者的DL电影和bSSFP评估之间间隔不少于一周,最终计算评估者间一致性。

统计分析

进行样本量计算以确定达到足够统计效能所需的适当参与者数量。目标效能为0.90,显著性水平(α)为0.05。根据Cohen指南,预期效应量估计为δ = 0.5,代表中等效应[13]。在R(R Core Team (2024). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/)中使用pwr包(Champely S (2020). pwr: Basic Functions for Power Analysis. R package version 1.3–0, https://CRAN.R-project.org/package=pwr)进行双侧配对样本t检验效能分析。计算表明,每组需要54名参与者才能检测到DL电影和bSSFP序列获得的左心室射血分数(LVEF)测量值之间3%的绝对差异(成年男性LVEF,乳头肌纳入左心室容积:63 ± 6% [14])。考虑到潜在的数据缺失,样本量增加10%,最终目标样本量为60人。

统计分析使用商用软件(IBM Corp. Released 2019. IBM SPSS Statistics for Windows, Version 26.0. Armonk, NY: IBM Corp)进行。

采用Kolmogorov–Smirnov检验评估数据分布的正态性,随后视情况采用配对样本t检验或Wilcoxon符号秩检验进行数值比较。连续变量以均值±标准差表示,有序数据以中位数和四分位距(IQR)表示。

采用Bland–Altman图分析DL cine与bSSFP序列之间的偏倚和一致性界限(LOA),差值以数值的百分比表示;可接受的LOA预先设定为10% [15]。

采用加权Cohen's κ分析评估评估者间一致性。系数解释如下:κ < 0.20,轻微一致;κ = 0.21–0.40,一般一致;κ = 0.41–0.60,中等一致;κ = 0.61–0.80,良好一致;κ = 0.81–1.0,极好一致。

双尾P < 0.05被认为在所进行的检验中表示差异有统计学意义。

结果

患者特征

详细的患者特征见表1。共纳入62例患者;41例(66%)为男性,平均年龄为47.4 ± 16.5岁,年龄范围为16–80岁,体表面积(BSA)为1.93 ± 0.2 m2。62例中有29例(47%)患者具有一项或多项心血管危险因素,最常见的是高血压(62例中24例,39%),其次是血脂异常(62例中16例,26%)。大多数患者(62例中28例,45%)因已知或疑似心肌病接受CMR检查。

采集时间和心功能参数

DL cine的平均采集时间为1.35 ± 0.55 min,bSSFP序列为2.83 ± 0.79 min(P < 0.001)。DL cine与bSSFP在左心室(LV)功能参数(P ≥ 0.149)和右心室(RV)功能参数(P ≥ 0.128)方面均无统计学显著差异;由DL cine和bSSFP得出的所有LV和RV参数的描述性统计见表2。

DL cine与bSSFP数据集之间的差异呈正态分布。LV和RV参数的Bland–Altman图分别见图1和图2。在LV功能参数中,LVEDV和LVEF在DL cine与bSSFP之间获得最高一致性,偏倚分别为0.45%和0.95%,分别有57/62例(92%)落在预先设定的LOA内。LVESV和LVSV的偏倚分别为-0.92%和1.09%,分别有52/62例(84%)落在可接受的LOA内。LVEDM的偏倚为1.75%,有51/62例(82%)落在可接受的LOA内。关于RV功能参数,RVEDV在DL cine与bSSFP之间获得最高一致性,90%(56/62)的病例落在预先设定的LOA内,其次是RVEF(89%,55/62)、RVESV(87%,54/62)和RVSV(79%,49/62)。

表2 在DL cine和bSSFP序列上测量的左心室和右心室参数 查看原表 ↗
图1 比较深度学习(DL cine)与平衡稳态自由进动(bSSFP)电影技术之间左心室功能参数测量差异的Bland–Altman图。实线表示平均差值;虚线对应一致性界限(距平均差值± 1.96个标准差);差值以数值的百分比表示。A,LV舒张末期容积;B,LV收缩末期容积;C,LV每搏输出量;D,LV射血分数;E,LV舒张末期质量 查看原图 ↗
图2 比较深度学习(DL cine)与平衡稳态自由进动(bSSFP)电影技术之间右心室功能参数测量差异的Bland–Altman图。实线表示平均差异;虚线对应一致性界限(平均差异±1.96个标准差);差异以数值的百分比表示。A,右心室舒张末期容积;B,右心室收缩末期容积;C,右心室每搏输出量;D,左心室射血分数 查看原图 ↗

主观图像质量

综合图像质量评分见表3。DL cine与bSSFP的总体主观图像质量相似(中位数:5,IQR:4–5;P = 0.330)。特别是,DL cine与bSSFP在血池-心肌对比度和运动伪影方面被认为相当(分别为P = 0.739和0.064),而DL cine的心内膜边缘清晰度(中位数:4,IQR:4–5)评分低于bSSFP(中位数:5,IQR:4–5;P = 0.002),如图3所示;bSSFP与DL cine的并列比较 also 可作为补充视频获取。本研究关键发现的概述见图4。两位阅片者之间的评分者间一致性在DL cine(κ = 0.736,P < 0.001)和bSSFP(κ = 0.730,P < 0.001)中均良好;阅片者间一致性的完整详情见表4。

表3 在DL cine和bSSFP序列上获得的主观图像质量评分 查看原表 ↗
图3 一例52岁女性因疑似心肌炎接受CMR检查的病例示例。A,短轴深度学习(DL cine),B,在短轴平面上采集的平衡稳态自由进动(bSSFP)电影图像,显示于舒张末期, demonstrating 总体图像质量相当,DL cine数据集的心内膜边缘清晰度略低 查看原图 ↗
图4 该图以图形方式概述了深度学习(DL cine)序列架构和我们研究的主要发现。DL cine比平衡稳态自由进动(bSSFP)序列快52%,对左心室(LV)和右心室(RV)参数产生高度一致性,总体图像质量相当,心内膜边缘清晰度较低 查看原图 ↗
表4 在DL cine和bSSFP序列上获得的主观图像质量评分的阅片者间一致性 查看原表 ↗

讨论

本研究旨在评估新型深度学习(DL)电影序列在心血管磁共振中用于左心室(LV)和右心室(RV)功能参数的诊断准确性和图像质量,并与传统平衡稳态自由进动(bSSFP)电影序列进行比较。DL cine序列产生了相当的LV和RV参数(P > 0.149),并与bSSFP高度一致。DL cine还快52%(P < 0.001),在主观图像质量方面与bSSFP序列相当, except 在描绘心内膜边缘清晰度方面表现较低。

由于计算能力的持续提升,深度学习(DL)在医学影像中的应用正日益受到推动,有望通过增强对心脏功能、结构和组织成分的分析,在心脏磁共振(CMR)成像中发挥重要作用。通过利用深度学习算法,研究人员可以自动化图像分割、特征提取、模式识别和疾病分类等任务,最终实现诊断和预后影像生物标志物的提取,并有助于改善风险分层和个性化治疗[16–18]。然而,研究也已表明,DL重建具有内在不稳定性,即使对图像进行微小扰动,也可能导致各种图像伪影。因此,在评估此类数据集时需要谨慎[19]。在我们的研究中,DL电影序列与bSSFP之间表现出极小且可忽略的系统性差异,这由所有测量参数中始终接近于零的偏倚所证实,测量值高估或低估均无相关趋势。对于较高的测量值,左心室舒张末期容积(LVEDV)、左心室收缩末期容积(LVESV)、左心室舒张末期心肌质量(LVEDM)和右心室收缩末期容积(RVESV)的测量精密度趋于改善,而在所有测量中其他参数的精密度分布均匀。DL电影序列在测量左心室和右心室的EDV和EF方面达到了最高准确度,90%或更多病例位于先验一致性界限(LOA)内。最低准确度见于右心室每搏输出量(RVSV),其中79%的病例位于先验LOA内;这一结果可能由测量精密度较低所致,导致数据分布相对较宽并出现两个离群值。

我们的研究获得的DL电影序列与bSSFP估计的右心室和左心室功能参数的偏倚幅度和一致性范围,至少与先前发表的针对相同数据集比较的数据相当或更优[11, 12, 20]。此外,由于我们的研究具有更大的患者人群,进一步强化了这一比较的结果,凸显了DL应用于心脏功能参数的潜力。值得注意的是,尽管DL保持了可忽略的偏倚,但在评估右心室方面的一致性表现略逊于左心室。这些结果可以用右心室更高的解剖复杂性来解释,主要由于其新月形、较薄的壁及其肌纤维独特的方向模式。此外,准确的右心室评估应考虑其与肺循环的解剖和功能相互作用,以及其对前负荷和后负荷的形态学适应[21–23]。此外,右心室参数可能比左心室参数具有更高的预后权重,并可预测某些心脏疾病如肺动脉高压和心力衰竭,这突出了准确评估右心室功能的重要性[24, 25]。

深度学习电影成像(DL cine)的整体图像质量与平衡稳态自由进动(bSSFP)相似。这一结果与近期一项基于不同网络架构比较传统电影序列与DL电影数据集的研究一致[26]。值得注意的是,我们的结果可能被认为与Zucker等人[11]的研究结果不一致,他们报道DL电影成像的图像质量低于bSSFP。然而,值得指出的是,在我们的研究中,我们不仅评估了整体图像质量,还评估了其决定因素,其中之一即心内膜边缘清晰度,在DL电影成像中明显较低。这一结果与既往文献[12]一致,尽管在心脏磁共振(CMR)中没有直接证据表明DL重建图像存在过度平滑,但这可能与k空间欠采样有关。然而,血-心肌对比度和运动伪影方面相当的评分最终导致了整体相似的图像质量。这一特征,加上明显更快的扫描时间以及左心室(LV)和右心室(RV)功能参数的良好一致性,可能为DL电影成像在临床实践中的逐步应用铺平道路,有望取代传统bSSFP电影序列,最终实现高质量、高诊断效能和更好耐受性的CMR检查。

本研究存在一些局限性需要披露。首先,这是一项在单一厂商扫描仪上进行的单中心研究,且聚焦于特定的DL电影序列。因此,我们的结果可能无法完全推广至其他厂商和DL算法。其次,DL电影和bSSFP序列仅在短轴平面上进行了比较,而两腔心和四腔心视图也可能采用DL采集并用于提高心室测量的准确性;然而,心脏容积通常主要来源于短轴图像数据集。第三个局限性源于我们机构服务区域的人口学特征,其中儿科患者主要被转诊至该市一家专科儿童医院。因此,我们的研究样本仅包括在我们机构寻求医疗服务的成人,我们的结果可能无法完全适用于儿科人群。然而,DL电影成像在评估年轻先天性心脏病患者方面已获得良好的诊断性能[11]。第四,我们未评估心肌壁运动、心肌应变及其他特定形态学特征,因为这些超出了我们的研究范围。需要进一步研究以确定DL电影成像在各种特定心脏疾病中的潜力。

总之,深度学习(DL)电影成像显示出采集时间的大幅缩短,并在评估右心室(RV)和左心室(LV)功能参数以及LV质量方面与平衡稳态自由进动(bSSFP)取得了高度一致性。DL电影成像的整体图像质量与bSSFP相当,但仍需努力改善心肌边缘清晰度。通过进一步的改进和优化,DL电影成像有望为心血管磁共振中的心肌功能评估树立新标准,改善临床工作流程和患者耐受性。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 14 KB)

补充文件2(MOV 143719 KB)

引用

  1. De Santis D, Fanelli F, Pugliese L, et al. Accelerated deep learning-based function assessment in cardiovascular magnetic resonance. Radiol Med. 2025. PMID: 40381163. doi:10.1007/s11547-025-02019-6
  2. 全文:PMC12367930(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12367930/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。