文献速递心血管MR

全自动深度学习2D电影相位对比MRI血流定量

Fully-automated deep learning-based flow quantification of 2D CINE phase contrast MRI.
PubMed 文献 · Eur Radiol · 2022-10-29

本研究在97例临床2D-CINE-PC-MRI序列上评估全自动深度学习工具进行血管轮廓勾画与血流定量的性能,并与人工分析和校正半自动分析比较。DL在97%序列成功应用,与人工分析相比净流量无显著差异,峰值流速存在显著差异,93.4%病例测量准确。

要点

  • DL工具可全自动完成STJ和PA的血管检测、轮廓勾画及血流定量,结果即时可得。
  • DL与人工分析的净流量无显著差异,但峰值流速显著低于人工分析。
  • DL在93.4%病例中净流量和峰值流速测量准确,先天性心脏病解剖变异可能导致错误。

核心结论

  • 全自动DL分析在STJ和PA的2D-CINE-PC-MRI血流定量中,93.4%病例达到专家级准确度,结果可即时获得。

研究设计与样本

  • 回顾性纳入97例连续患者(平均年龄52.9±16岁,41例女性),在1.5T MRI上采集2D-CINE-PC-MRI,STJ全部97例,PA 28例。
  • 以心血管放射科医生手动分析(MA)为参考,比较校正半自动分析(corSAA)和DL分析,共分析2358个STJ轮廓和680个PA轮廓。

关键影像表现/征象

  • DL在STJ的DSC为0.91±0.02,PA为0.85±0.08;corSAA在STJ为0.94±0.02,PA为0.93±0.02。
  • DL在STJ的HD为1.9±0.5 mm,PA为2.1±0.9 mm;corSAA在STJ为1.5±0.4 mm,PA为1.4±0.4 mm。
  • PA处DL在收缩期DSC(0.86±0.11)优于舒张期(0.82±0.13)。

诊断标准与关键数值

  • 准确性定义为净流量差异小于±10 mL或峰值流速差异小于±10 cm/s。
  • DL与MA相比,STJ净流量偏倚−0.9至0.0 mL(p=0.48),PA净流量无显著差异(p>0.05)。
  • 峰值流速STJ偏倚12.8 cm/s(p<0.001),PA偏倚11.0 cm/s(p=0.03),DL均显著低于MA。
  • 技术成功率97%(121/125),STJ 98%(95/97),PA 93%(26/28)。

临床应用与阅片要点

  • DL工具可快速完成STJ和PA血流定量,分析时间约0.01分钟,远低于人工分析约3分钟。
  • 先天性心脏病解剖变异可能导致DL错误勾画邻近结构(如上腔静脉或胸骨),需人工复核。
  • DL勾画过小可能低估净流量11–17 mL,峰值流速差异多因人工测量噪声体素导致假性高值。

局限性

  • 单中心回顾性研究,PA亚组样本量较小(28例)。
  • DL训练数据中PA样本可能较少,导致PA性能低于STJ。
  • 先天性心脏病患者中DL轮廓勾画可能出现明显错误。
全文中译21 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:Eur Radiol. 2022 Oct 29;33(3):1707–18. doi: 10.1007/s00330-022-09179-3

目的

二维时间分辨(2D-CINE)相位对比(PC)MRI(2D-CINE-PC-MRI)最早于20世纪80年代开发,现已成为MRI体内血流分析的临床标准[1–3]。2D-CINE-PC-MRI可用于任何较大血管的血流分析,但主要用于主动脉和主肺动脉(PA)[3, 4]。为获得可靠结果,需要对心动周期每个时间点的血管轮廓进行勾画。由于心动周期中血管管腔轮廓动态变化及运动,血流参数的准确定量需要仔细勾画血管边界[2]。目前,市售软件通过应用半自动工作流程进行血管轮廓勾画来辅助放射科医师。然而,这仍需要手动输入且操作繁琐;可能需要由经验丰富的观察者进行耗时的手动校正和轮廓审查[5]。

深度学习(DL)是一种先进的人工智能(AI)技术,近年来已应用于心脏MRI,例如基于电影成像数据的左心室(LV)自动分割以评估LV功能或主动脉解剖分割[6–8]。对于2D-CINE-PC-MRI应用,Bratt等人描述了一种在临床序列上使用深度学习进行血流评估的方法,但仅限于单一位置(主动脉),且仅报告了净血流参数[9]。在本研究中,我们评估了一种DL工具的性能,该工具可从主动脉和PA的2D-CINE-PC-MRI数据中自动执行血管检测、轮廓勾画和血流定量。由此,它同时报告血流量和血流速度参数。我们的目的是研究在接受标准临床2D-CINE-PC-MRI的患者队列中,DL结果是否与手动和半自动人工血流定量具有可比性,包括对观察者间变异性的评估。

方法

研究队列

我们连续纳入2020年11月接受标准诊疗心胸MRI(包括2D-CINE-PC-MRI序列)的患者。患者为回顾性入组,豁免知情同意。所有患者(n = 97)在窦管交界(STJ)接受2D-CINE-PC检查。28/97例患者(28.9%)的亚组还在主PA接受2D-CINE-PC检查。本研究经机构审查委员会批准,豁免知情同意。

MRI采集

所有检查均在1.5-T MRI系统(Aera、Avanto或Sola,Siemens Healthcare)上进行。通常,使用三腔(3CH)2D-CINE-PC序列来确定STJ处透平面序列的测量平面,该平面计划垂直于血流轴线。或者,使用其他3CH序列(定位像或电影序列)。对于PA位置,采集两幅PA平面内电影图像。这些用于透平面平面的放置。速度编码(VENC)在两个位置均标准设置为150 cm/s,如果怀疑存在更高流速,则设置为300 cm/s或另行采集VENC定位像。

MRI参数(均值):TE/TR:3.1 ms/47.1 ms,翻转角:20°,空间分辨率:1.8 mm × 1.8 mm,层厚:6 mm,矩阵:192 × 150,VENC:160 cm/s,采集的心脏时间帧数:20(范围:20-30)。2D-CINE-PC序列始终在可能的对比剂应用之前采集。

人工血流分析

分析由一名具有3年经验的心血管放射科医师(M.P.)使用商业软件(cvi42,Circle Cardiovascular Imaging Inc.)完成。进行了三种不同的读数:手动分析(MA)、未校正的半自动分析(uncorSAA)和校正的半自动分析(corSAA)(图1)。我们将MA视为参考,因为与半自动方法相比,它在血管轮廓勾画方面无偏倚。

对于MA,在幅度图像上的第一个时间点勾画血管轮廓。然后,将轮廓复制并在下一个时间点手动调整;对所有时间点重复此过程,并记录所需时间。对于uncorSAA,在幅度图像的第一个时间点勾画血管轮廓,该轮廓由软件向前传播并调整。值得注意的是,这不是深度学习(DL)技术。corSAA基于uncorSAA轮廓,但放射科医师在每个时间点检查轮廓并在必要时进行调整。记录检查和调整的总时间。随后每种方法的流量定量包括计算净流量、前向流量和后向流量。此外,峰值速度基于收缩期(定义为所有可用时间点的前三分之一)速度最高的体素自动计算。

图1 测量概览。展示一例中五个时间点的人工(手动分析(MA)和校正的半自动分析(corSAA))和深度学习(DL)测量,以及各自的容量-时间和速度-时间曲线,每条曲线显示所测量的时间点。A、B 窦管交界处(STJ)测量。(A1-5)用于STJ测量的幅度(上)和相位对比图像,以及每个时间点MA(绿色)和DL轮廓(红色)之间的相应DSC。B STJ处的流量-容积和流速曲线。C、D 肺动脉(PA)测量。(C1-5)用于PA测量的幅度和相位对比(PC)图像,以及每个时间点MA(绿色)和DL轮廓(红色)之间的相应DSC。D PA处的流量-容积和流速曲线。corSAA,校正的半自动分析;DL,深度学习;DSC,Dice评分;MA,手动分析;PA,肺动脉;PC,相位对比;STJ,窦管交界处 查看原图 ↗

深度学习工具

所提出的自动化二维电影相位对比MRI(2D-CINE-PC-MRI)流量定量方法包括两个使用深度卷积神经网络(DCNN,图2)的自动化阶段;详细描述见补充材料。简言之,第一阶段执行序列分类任务以识别输入流量序列类型(主动脉或PA)。接下来,根据流量序列类型,将使用U-Net风格架构的相应分割模型应用于流量幅度图像以勾画血管边界[10]。在U-Net之前插入归一化层,并使用特殊变换器对输入进行重采样[11, 12]。分割模型的输出与流量相位图像配对后输入后续流量定量阶段以计算流量参数。

图2 基于DL的流量定量工作流程。首先,DL识别图像位置(STJ或PA)。然后,在幅度图像上执行位置特异性DL轮廓勾画,用于从相位序列进行全自动流量和速度定量。DL,深度学习;PA,肺动脉;STJ,窦管交界处 查看原图 ↗

DL分析工作流程

DL分析在cvi42中进行。使用内置的批处理工具可自动获得血管轮廓和血流参数,该工具生成包括可视化输出在内的所有测量结果。每个病例的分析时间自动记录。如果某个病例无法处理,则无DL结果可用,定义为失败。所有病例在4周后由DL工具第二次处理,以研究DL的变异性。

人工与基于DL的2D-CINE-PC-MRI分析之间的比较

我们通过计算每个心脏时间点和切片位置的Dice相似系数(DSC)以及Hausdorff距离(HD)来比较人工(MA、uncorSAA、corSAA)和DL-derived轮廓。为进一步评估自动轮廓在不同心脏时相的准确性,对前三分之一(定义为收缩期)和其余心脏时间点(定义为舒张期)进行了MA与DL之间的亚组分析。

准确性定义为人工与DL评估之间的净流量差异小于±10 mL或峰值速度差异小于±10 cm/s。差异超过这些临界值的病例随后进行详细审查。

观察者间比较

我们随机选取了10例具有STJ和PA序列的病例用于观察者间评估。这些病例由一名已完成心血管轮转的第二年放射科住院医师(S.K.H.)独立勾画轮廓。该阅片者对所有其他结果设盲。比较了阅片者之间MA的结果。

统计分析

统计分析在Python(Python Software Foundation)中进行[13]。首先,对数据进行正态分布检验。三种人工和DL结果之间的血流参数采用重复测量方差分析进行比较,若存在显著性,则采用配对t检验进行组间事后分析,并使用Bonferroni校正。我们还使用Pearson相关、散点图和Bland-Altman分析对四种方法的血流定量进行两两分析,以量化偏倚(平均差异)和一致性界限(LoA)。一般而言,p值<0.05被认为具有统计学意义。

结果

研究队列

本研究纳入97例患者(女性41例(42.3%),平均年龄52.9岁(范围:25–87岁))。主要适应证为主动脉瘤/扩张(已知和疑似,n=41)、主动脉瓣疾病(n=32)、二叶式主动脉瓣(n=26)、主动脉手术后状态(n=15,其中3例先天性心脏病病例)及其他(n=9)。见表1。

表1 基线参数 查看原表 ↗

DL与人工分析工作流程

DL和人工(MA和corSAA)在STJ和PA处的轮廓示例见图1。人工分析(MA、uncorSA、corSA)成功完成全部125份2D-CINE-PC-MRI数据(100%)。DL成功应用于97%(121/125)的病例(STJ:95/97(98%),PA:26/28(93%))。在已处理的121例中,有4例的位置检测混淆了STJ和PA位置。所有病例在4周后使用DL工具重新处理,处理的病例数、轮廓和测量结果完全一致,表现为零变异性。总计,经过详细审查(请见下文章节),DL工具在113/121例(93.4%)中进行了准确测量。

DL在血管轮廓勾画中的性能

以手动分析(MA)为参考,在STJ处,corSAA的DSC评分最高(平均DSC ± 标准差(SD):0.94 ± 0.02,平均HD ± SD:1.5 ± 0.4 mm),其次是深度学习(DL)分析(DSC:0.91 ± 0.02,HD:1.9 ± 0.5 mm)。DL与corSAA之间也具有高度一致性(DSC:0.92 ± 0.02,HD:1.5 ± 0.5 mm)。在PA处,MA与corSAA之间的一致性也最高(DSC:0.93 ± 0.02,HD:1.4 ± 0.4 mm),而MA与DL分析相比仍表现出较高但总体低于STJ处的性能(DSC:0.85 ± 0.08,HD:2.1 ± 0.9 mm)。

另一方面,与MA相比,uncorSAA在两个位置均表现出较低的性能(STJ处,DSC:0.89 ± 0.06,HD:2.6 ± 1.2 mm;PA处,DSC:0.88 ± 0.06,HD:2.3 ± 1.1 mm);尤其HD在每个位置均为最高,提示性能较差。值得注意的是,uncorSAA与corSAA之间的DSC评分较高(STJ处,DSC:0.93 ± 0.05;PA处,DSC:0.92 ± 0.06);然而,这些结果因未校正的轮廓(例如在第一个时间帧上)而存在偏倚。这导致每个时间点的DSC为1.0,从而产生有偏倚的、虚假的高一致性。比较各组间DSC和HD的详细图见补充材料(补充图2)。

比较收缩期与舒张期,STJ处的平均DSC和HD相似(DSC:0.90 ± 0.08 vs. 0.90 ± 0.09,HD:2.2 ± 1.7 mm vs. 2.3 ± 2.2 mm)。在PA处,DL在收缩期的性能优于舒张期(DSC:0.86 ± 0.11 vs. 0.82 ± 0.13,HD:3.5 ± 5.0 mm vs. 3.7 ± 4.8 mm)。

流量定量

流量体积分析

详细结果见表2。在STJ处,四种不同评估方法之间的净流量相似(p = 0.48,偏倚:− 0.9 mL–0.0 mL)。然而,我们观察到其他参数存在显著差异:前向流量在各技术之间总体存在显著差异(p = 0.02)。事后检验显示,与MA相比,DL分析报告的值显著较低(偏倚 = 1.8 mL,p = 0.01)。DL分析与corSAA评估之间无显著差异(p = 0.06)。反向流量的评估也显示各组之间存在显著差异(p < 0.001)。在事后检验中,DL分析和corSAA显著低于MA,但偏倚小于1 mL(DL vs. MA:偏倚 = − 0.9 mL,p < 0.001;MA vs. corSAA:偏倚 = − 0.5 mL,p = 0.003)。

在PA处,各技术之间的净流量无显著差异(p = 0.051)。然而,前向流量在四种技术之间存在显著差异(p = 0.008)。与MA相比,DL分析(偏倚 = 2.4 mL,p = 0.009)报告的值较低。值得注意的是,DL分析与corSAA之间无显著差异(p = 0.08),与STJ处的结果相似。反向流量在各评估之间差异显著(p = 0.006),这是由DL分析低于MA所致(偏倚 = − 0.6 mL,p = 0.01)(表2、图3和图4,以及补充表2、3(事后比较))。

表2 STJ和PA处的流量参数 查看原表 ↗
图3 窦管交界处的流量测量。手动分析(MA,参考)与校正半自动分析(corSAA,橙色)、未校正半自动分析(uncorSAA,蓝色)及深度学习(DL,红色)分析在窦管交界处净流量、前向流量和后向流量的比较。散点图(上)显示各参数在人与DL测量之间具有极好相关性,Bland-Altman图(下)总体偏倚小、一致性界限窄,净流量评估无显著差异。corSAA,校正半自动分析;DL,深度学习;STJ,窦管交界;uncorSAA,未校正半自动分析 查看原图 ↗
图4 肺动脉处流量测量。手动分析(MA,参考)与校正半自动分析(corSAA,橙色)、未校正半自动分析(uncorSAA,蓝色)及深度学习(DL,红色)分析在肺动脉处净流量、前向流量和后向流量的比较。散点图(上)显示各参数在人与DL测量之间具有极好相关性,Bland-Altman图(下)偏倚小、一致性界限(LoA)窄,且LoA较窦管交界处更窄。corSAA,校正半自动分析;DL,深度学习;PA,肺动脉;STJ,窦管交界;uncorSAA,未校正半自动分析 查看原图 ↗

峰值速度

在窦管交界处,峰值速度分析在各方法间存在显著差异(p < 0.001)。事后检验中,DL分析(偏倚 = 12.8 cm/s,p < 0.001)和corSAA(偏倚 = 10.3 cm/s,p < 0.001)报告的均值低于MA。值得注意的是,DL分析与corSAA评估无显著差异(p = 0.15)。在肺动脉处,峰值速度在各方法间也存在显著差异(p = 0.04)。DL分析显示均值显著低于MA(偏倚 = 11.0 cm/s,p = 0.03),而与corSAA相比结果相似(p = 0.09)(图5;表2,补充表2、3(事后比较))。

图5 窦管交界处和肺动脉处的流速测量。手动分析(MA,参考)与校正半自动分析(corSAA,橙色)、未校正半自动分析(uncorSAA,蓝色)及深度学习(DL,红色)分析在窦管交界处和肺动脉处峰值速度的比较。散点图(上)显示两个部位总体一致性极好;但总体低于流量体积定量(见图3和图4)。corSAA,校正半自动分析;MA,手动分析;PA,肺动脉;STJ,窦管交界;uncorSAA,未校正半自动分析 查看原图 ↗

DL与人工评估之间差异病例的分析

四例在窦管交界处显示净流量差异 > ± 10 mL,两例在肺动脉处(示例见图6)。窦管交界处病例中有两例为先天性心脏病患者,解剖结构改变,导致DL工具分别部分勾画了上腔静脉和胸骨。结果,与MA相比净流量分别减少17 mL和51 mL,MA与DL分析之间的DSC分别为0.72和0(图6A、B)。在窦管交界处和肺动脉处各有两例,DL轮廓过小,因而遗漏血管边缘,导致与MA相比净流量低估11至17 mL(图6C、D)。

共有29例显示峰值速度差异>±10 cm/s。在STJ,人工评估中19/20为假性高速度(16/20 MA,3/20 corSAA),DL分析中1/20(轮廓勾画不正确,图6B)。在PA,8/9例(88.9%)同样由人工测量中血管边界的噪声体素所致(5/9 MA,4/9 corSAA,1例在两种方法中均存在)。在另一例中,DL分析未能在每个时间点勾画血管轮廓,导致实际峰值速度缺失。在剔除主要影响MA测量的峰值速度评估离群值后,STJ处MA与DL的偏差降至2.8 cm/s(Pearson r:0.99,p < 0.001),PA处偏差降至3.8 cm/s(Pearson r:0.95,p < 0.001)。

总体而言,经过详细审查,113/121例(93.4%)显示DL工具对净流量和峰值速度的测量准确。

图6 错误病例。A DL工具未能在所有心脏时间点上正确分割主动脉,导致平均DSC为0.72,平均HD为8.0 mm。这导致净流量差异为17 mL。B DL工具勾画了上腔静脉轮廓(红色轮廓);主动脉由CV放射科医师在MA中勾画。DSC为0,净流量差异为51 mL。C DL工具在STJ处的轮廓(红色轮廓)过小,未覆盖整个血管。因此,净流量被低估了11 mL。D DL在PA处的轮廓在收缩期过小(红色轮廓,与MA相比DSC = 0.82),导致净流量差异为15 mL。E PA在收缩期DSC较低,主要由早期收缩期一个时间点上DL轮廓过小所致(DSC = 0.70)。然而,该例中这并未导致流量参数的差异。值得注意的是,A、B为先天性心脏病患者。红色轮廓——DL工具,黄色轮廓——人工评估。CV,心血管;DL,深度学习;DSC,Dice评分;HD,Hausdorff距离;MA,人工分析;PA,肺动脉;STJ,窦管交界。 查看原图 ↗

分析时间

DL工具每例完成完整分析的时间为0:01 ± 0 min。与DL相比,MA在STJ(平均:3:00 ± 0:52 min,p < 0.001)和PA(平均:2:47 ± 0:42 min,p < 0.001)处所需时间均显著更长。此外,corSAA在STJ(平均:2:49 ± 1:15 min,p < 0.001)和PA(平均:2:26 ± 1:19 min,p < 0.001)处所需时间也显著多于DL分析。

观察者间评估

CV放射科医师与住院医师之间的人工轮廓比较在STJ(DSC = 0.90(IQR = 0.03),HD较小为2.1 mm(IQR = 0.4 mm))和PA(DSC = 0.90(IQR = 0.03),HD为1.9 mm(IQR = 0.2 mm))处观察者间均表现极好。

STJ处的流量参数在净流量方面无显著差异。然而,前向流量(偏差:4.5 mL(p = 0.004))、后向流量(偏差:−2.1 mL(p = 0.03))和峰值速度(偏差:7.3 cm/s,p = 0.02)显示出小而显著的差异(表3,补充图2)。在PA处,所有参数在两位读者之间显示出小而具有统计学意义的差异。最大差异见于峰值速度评估(偏差 = 13.4 cm/s,p = 0.04),受3例血管边界噪声体素影响(表3,补充图3)。

表3 STJ和PA处的读者间比较 查看原表 ↗

讨论

我们研究了深度学习(DL)工具在窦房结交界区(STJ)和肺动脉(PA)处对二维电影相位对比磁共振成像(2D-CINE-PC-MRI)数据进行全自动位置检测、轮廓勾画和血流定量的性能。主要结果如下:所评估的DL工具显示出较高的技术成功率,分析了大多数纳入的序列(121/125,97%),并且在除四例以外的所有病例中正确识别了相应位置。此外,对净流量、前向流量和反向流量的评估显示,总体而言,在两个位置上DL定量与由心血管放射科医师进行的人工评估(MA和corSAA)之间具有极好的一致性。最终,对人类与DL测量之间差异病例的详细审查证实,超过93%的DL测量是准确的。

DL工具的总体可行性

既往研究已证实,二维电影相位对比磁共振成像(2D-CINE-PC-MRI)可对升主动脉和降主动脉进行位置检测。然而,成像平面以轴位方向采集,并非在临床相关位置——即窦管交界(STJ)水平——垂直于血流轴线 [14, 15]。此外,这些研究仅报告了勾画面积,而未报告血流参数。2014年,用于主动脉分析的形状检测方法被引入,该方法可报告血流参数,但要求目标呈圆形。虽然这对STJ可能可行,但对于主动脉窦或近端肺动脉(PA)的非圆形形状而言并非最优 [16]。尽管该前期研究在偏倚方面的结果与我们的研究相当,但其基于特定采集平面,且仅适用于主动脉 [16]。Bratt等人提出了一种针对主动脉的全自动深度学习方法;该工具尚未普遍可用,且不处理PA定位 [9]。目前可用的基于2D-CINE-PC-MRI血流评估的软件解决方案并非全自动和/或不使用深度学习进行轮廓勾画。例如,部分厂商的标准工具,如syngo.via(Siemens Healthineers)或segment(Medviso AB),需要用户输入,例如手动选择血管或手动绘制初始轮廓,随后再自动推进 [17, 18]。为获得可靠且可重复的结果,轮廓在所有时间点均需精确准确,从而勾画出血管边界,以量化血管内所有具有血流信息的体素。若轮廓过宽,血流计算可能被低估,或图像噪声可能影响结果;排除部分血管将导致低估 [2]。在本研究中,经验观察者手动标注(MA)与深度学习(DL)工具之间,DSC总体较高,但STJ处略高于PA处。STJ处的这一差异与读者间一致性相似,在收缩期与舒张期之间无差异,且与文献报道相似 [9, 17]。在PA处,DL与人工的一致性略低于放射科医师间一致性(DSC:0.85 vs. 0.90)。此外,舒张期DSC较低,另一项研究也发现了这一点 [5]。PA训练数据集较小可能解释这一现象。2D-CINE-PC-MRI评估通常更可能应用于STJ而非PA评估。我们发现仅28.9%的患者(28/97)接受了PA评估,这可能与主动脉(瓣膜)病变更为常见有关 [16]。我们的DSC结果受到少数离群病例的影响,其中大多数与解剖结构改变的先天性心脏病病例相关。总体而言,97%的高技术成功率(包括可靠的位置检测)以及人工与DL评估之间轮廓的高一致性,支持该DL工具的可行性。

血流定量

流量参数主要分为两大类:流量(前向流量、反向流量和净流量)和峰值速度。根据具体情况,任一参数对临床分类都可能很重要。例如,如果存在瓣膜反流,反向流量是一个重要参数。在瓣膜狭窄的情况下,峰值速度很重要,而在心脏分流的情况下,确定(体循环和肺循环)净流量很重要。我们的分析显示,除4例以外,DL测量与人工评估在STJ和PA处的前向流量、反向流量和净流量方面均具有高度一致性。这些结果与既往研究相似;然而,那些研究未进行自动位置检测、未使用临床序列,或未应用深度学习进行分割[5, 9]。

峰值速度评估的结果显示出更大的方差,且文献中关于峰值速度评估的研究有限。虽然Pearson相关性仍显示极好但相对于流量评估较低的一致性,我们观察到DL分析与MA相比,峰值速度的平均低估在STJ为−12.8 cm/s,在PA为−11.0 cm/s,与corSAA相比也有类似数值。然而,对方法间差异> 10 cm/s的29例进行详细分析显示,在大多数病例中(27/29例,93%),MA和corSAA评估中报告了因血管边界处噪声体素导致的假性高速度。仅在两例中,DL工具报告的峰值速度不准确。这凸显了准确轮廓描绘的重要性以及DL工具的一个优势,即其报告的峰值速度比MA和corSAA更可靠。corSAA的峰值速度评估比MA更可靠,这可能与MA更为繁琐有关。由于本研究所用软件中峰值速度评估基于单个体素值,可考虑增大感兴趣区(ROI),例如从1 × 1增至2 × 2体素。然而,这会降低测得的峰值速度(报告的是这些体素的均值)。我们认为这通常不可行,尤其是在(主动脉)瓣膜狭窄等情况下,峰值速度是分级瓣膜疾病程度的重要标志物[19]。调查半自动血管轮廓描绘的研究均未报告峰值速度,这凸显了该DL工具的一个优势[5, 9]。总体而言,DL工具在综合流量评估方面对93.4%的处理病例是准确的。仅在8例离群病例(6.6%)中需要进行调整,其中大多数为先天性心脏病病例。DL工具的另一个优势源自观察者间评估:比较心血管放射科医师和受过心血管培训的住院医师,在STJ和PA处总体显示良好至极好的一致性。然而,存在轻微差异。DL工具在重复测量中显示出零变异性,而心血管放射科医师使用MA和corSAA方法的偏倚和一致性界限在相同范围内。这表明DL工具可有助于减少测量变异性。此外,MA和corSAA的测量时间约为每例每部位3分钟,在绝大多数病例中使用DL分析可节省该时间,这凸显了DL工具的另一个优势。

有趣的是,我们确实发现未校正SAA与校正SAA及MA相比,在轮廓和血流参数上的差异比最初预期的要小。然而,未经调整的平面等同于DSC为1.0(且HD为0.0 mm),使这些结果产生偏倚[2]。

我们研究的局限性在于单中心和回顾性设计。此外,我们仅分析了来自单一厂商的2D-CINE-PC序列。我们分析了连续接受2D-CINE-PC-MRI且扫描适应证不同的患者。这种异质性可能影响了我们的结果;因此,我们纳入了单个月份(2020年11月)的所有患者,以获得具有代表性的队列。该队列中仅约30%的病例因PA而接受2D-CINE-PC-MRI,但所有病例均对主动脉进行了评估。虽然理想情况下所有患者都应具备两个部位的可用数据,但这也与我们的机构临床队列相关,该队列通常较少有评估PA血流的适应证。

总之,所评估的DL工具在超过93%的病例中以专家水平完成了主动脉和肺动脉的全自动位置检测和血流定量。由于存在少数离群病例,必须进行视觉检查,然而,由于结果可即时获得,我们的数据表明该DL工具可以无缝整合,并提高2D-CINE-PC-MRI评估临床工作流程的效率。

补充信息

ESM 1(DOCX 807 kb)

引用

  1. Pradella, Scott, Omer, et al. Fully-automated deep learning-based flow quantification of 2D CINE phase contrast MRI. Eur Radiol. 2022. PMID: 36307551. doi:10.1007/s00330-022-09179-3
  2. 全文:PMC9935671(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9935671/

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。