2018年北美放射學年會心臟MRI人工智能研究進展

陳梓嫻，林 晨，倪金榮，南 江，莊 辛，薛敬梅，郭順林，雷軍強*

(1.蘭州大學第一醫院放射科，甘肅 蘭州 730000；2.甘肅省智能影像醫學工程研究中心，甘肅 蘭州 730000；3.精準影像協同創新甘肅省國際科技合作基地，甘肅 蘭州 730000)

2018年北美放射學年會(Radiological Society of North America， RSNA)會議的主題是“Tomorrow's Radiology Today”,人工智能(artificial intelligence，AI)、機器學習(machine learning, ML)和深度學習(deep learning， DL)是本次會議的亮點，未來AI等創新技術將推動影像學技術向“快速、安全、定量、精準、經濟”的方向發展。由影像學資料、臨床信息、基因特征、風險因素等構建的信息中心將為個體化治療提供巨大幫助。AI、ML及DL之間的關系見圖1。

AI的概念由計算機科學家于1956年首次提出，是包含數學、計算機科學等多領域的交叉學科，被用于模擬、擴展和延伸人的智能的理論、技術、方法及應用系統[1]。隨后在AI基礎上出現了ML的概念，1996年Langley定義的ML是一門AI科學，該領域的研究對象是AI，是如何在經驗學習中改善具體算法的能力。換言之，ML就是實現、支持AI的計算方法，通過ML讓機器變得更加智能。DL是在ML過程中基于對數據進行表征學習的方法，而卷積神經網絡(convolutional neural networks， CNN)又是DL中應用最廣泛的算法。近年來，隨著影像學技術和計算機技術的不斷發展及有機結合，通過結合或改進傳統的圖像處理方法，已將越來越多的AI技術應用到醫學影像學中，在提高影像學醫師工作效率的同時提高診斷準確率，使得AI在影像學輔助診斷中的潛在價值迅速增加。

圖1 人工智能關系示意圖

目前AI應用比較成熟的影像學領域有肺結節的診斷[2]、乳腺癌篩查[3]及前列腺癌的診斷[4]。在以AI為基礎的計算機輔助診斷(computer-assisted diagnosis， CAD)軟件的幫助下，影像學醫師對于腫瘤病灶的檢出率可獲提高。此外，ML可在腫瘤的影像學檢查、圖像解析及規范報告等方面發揮積極作用[5]。

除腫瘤外，心血管疾病也是全球范圍導致年死亡人數最多的疾病之一，心血管影像在心血管疾病的早期診斷、病情評估、療效及預后判斷中發揮著不可替代的作用。心臟MRI(cardiac MRI, CMRI)可一站式提供心臟解剖學、形態學、功能學信息及心肌組織學特性，在心血管疾病診斷中具有明顯優勢, 并可在一定程度上作為“金標準”[6]；其優勢不僅在于良好的空間分辨率，還在于可避免電離輻射、放射性同位素及碘對比劑等對人體產生的不良影響[7]，故受到越來越多醫師和患者的青睞。近年來，AI技術也逐漸被運用到CMRI中，研究重點集中在心室自動分割等領域。2018年RSNA共收錄了55篇有關CMRI的學術報告(以“CMRI”為檢索詞)，其中AI相關的報告7篇(7/55，12.73%)。

1 ML

采用T1 mapping技術，可通過細胞外容積(extracellular volume， ECV)來定量評估心肌纖維化，但計算ECV時需測量患者的紅細胞壓積(hematocrit， Hct)。2018年有學者于RSNA上報道基于AI的ML算法，采用線性回歸(linear regression， LR)和ML算法直接從T1 mapping圖像中獲得Hct值，且與實驗室測量結果相比差異無統計學意義，提示基于ML的算法可提供可靠的Hct和ECV值，無須當天進行實驗室Hct檢測，彰顯了ML在臨床工作中的潛力。

擴張型心肌病(dilated cardiomyopathy， DCM)的診斷和鑒別診斷是臨床難點，2018年Sun等于RSNA上報道，采用紋理分析提取50例DCM患者(DCM組)和24名健康志愿者(對照組)的12個直方圖參數和5個灰度共現矩陣(gray level co-occurrence matrix， GLCM)特征，結果顯示，相對于對照組，DCM組患者的大部分直方圖特征更高，其中9個直方圖特征存在顯著性差異，DCM組的GLCM特征、能量、相關性和同質性均高于對照組，表明基于計算機的紋理分析和T1 mapping的ML方法可以為診斷DCM提供客觀工具。

2 DL

DL這一概念是由Hinton等[8]于2006年提出，是一種實現ML的技術，使用多層網絡來評估原始成像輸入數據中的復雜模式，是基于數據學習事物表征來識別特征圖像的方法。DL的目的在于建立可以進行分析學習的神經網絡，并通過模仿人腦的思維模式來解釋數據。DL通過組合一些簡單的低層特征獲得更加抽象的高層特征，來表示屬性類別，以發現數據的分布特征，從而解釋數據；其優點在于用非監督式或半監督式的特征學習和分層特征，提取高效算法來替代手工獲取特征。目前CMRI采集耗時較長，且需患者多次屏氣，這不僅對許多患者具有挑戰性，而且圖像質量易受運動偽影的影響，因此，如何提高圖像采集速度而又不損失圖像質量是CMRI研究的重點，而DL在這方面發揮了一定作用。2018年Jo等于RSNA上報道采用全采樣法獲得10名志愿者CMRI短軸電影圖像，用基于DL的迭代降噪算法、三維CNN和二維卷積遞歸神經網絡(convolutional recursive neural network， CRNN)進行圖像重建，并與壓縮感知方法進行比較，通過減少從采樣不足的數據中重建圖像所需的k空間數據量來加速CMRI數據采集，結果表明以上方法在采集速度和圖像重建質量方面均優于傳統優化稀疏采集研究。另一方面，如何獲得優質MR冠狀動脈造影(MR coronary arteriography， MRCA)圖像一直是CMRI的難題。雖然專用的T2準備脈沖使無對比劑MRCA成為可能，但血管CNR仍不能滿足臨床需要。2018年Kidoh等于RSNA上探討DL重建(DL reconstruction, DLR)對無對比劑MRCA圖像質量的影響，對10名無冠心病志愿者行無對比劑MRCA，并利用專用工作站生成中、高層DLR圖像，最后對圖像進行定量和定性評價(血管SNR、可視化和偽影分級)，結果顯示DLR整體圖像質量和圖像噪聲的視覺評分明顯優于原始圖像，血管清晰度評分在原始DLR、中度DLR、高度DLR圖像中相似(分別為3.4、3.8、3.8)，圖像噪聲/顆粒度的視覺評分在原始DLR圖像中明顯優于對照組、中度DLR組和高度DLR組(分別為2.4，3.8、4.0)；上述結果表明，使用DLR技術可在不降低血管銳度的同時提供更高的CNR，即DLR技術可提高無對比劑MRCA中冠狀動脈的可視化程度。

3 CNN

CNN是目前使用最多的DL代表算法之一[9]，克服了過去AI中被認為難以解決的一些問題。CNN的局部連接、權值共享及下采樣操作等特性使之可以有效地降低網絡的復雜程度，減少訓練參數的數目；CNN具有抗變換性和容錯能力，使模型對平移、縮放、扭曲等保持一定程度的不變性，有利于機器訓練和算法優化。盡管CNN已經在計算機輔助檢測中存在了很長時間，但其在CMRI方面的應用近年才逐漸興起。CNN在CMRI的應用主要集中在圖像分割方面，左心室自動分割對于有效量化心臟功能和形態至關重要。Vigneault等[10]利用CNN對42例肥厚型心肌病(hypertrophic cardiomyopathy， HCM)患者及21名健康對照者的心臟進行全自動、多切面定位掃描，并對左心室圖像進行分割，結果表明采用該方法較以往方法有了實質性進步，可以在醫學圖像分割中得到更廣泛的應用。Tan等[11]根據左心室中心點到心內、外膜輪廓的徑向距離完成所有短軸切面和時相的左心室分割任務，然后利用CNN回歸判斷這些參數，結果表證CNN回歸結合領域特異性特征在臨床分割中具有有效性。左心室容積評估是診斷心臟疾病的關鍵步驟之一。Luo等[12]運用CNN處理CMRI圖像實現了預測左心室容積，該方法不僅適用于對心臟疾病患者進行大規模CMRI數據篩選，而且可推廣到其他醫學圖像研究領域。2018年Mallon等于RSNA上報道對DCM、HCM和志愿者行CMRI(回顧性門控電影成像)，用四腔心電影序列數據行CNN分析，結果顯示每名受試者的處理時間約2 s，82例DCM患者中有80例被正確分類，97例HCM患者中有84例被正確分類，87名志愿者全部被正確分類，總計94.36%(251/266)的參與者被正確分類。使用CNN可直接分析CMRI電影序列圖像，其診斷心肌病的準確率較高，并可從中排除健康人群，顯示CNN具有有效和客觀地診斷心肌病的潛力。2018年Tao等于RSNA上報道對180例心肌梗死患者在植入心律轉復除顫器前行釓對比劑延遲增強(late gadolinium enhancement， LGE) MR掃描，應用CNN對LGE圖像進行全自動分析，結果顯示CNN通過完全自動化方式同時識別了左心室和心肌瘢痕，每名受試者處理時間均<0.2 s，且CNN與觀察者測量瘢痕大小無顯著差異。CNN在自動快速識別和量化心肌瘢痕中顯示出巨大的前景。2018年Blansit等于RSNA上報道， 回顧性收集472個心臟短軸和892個心臟長軸電影序列數據，通過CNN識別解剖學部位，并與放射科醫師標注比較，表明CNN可以完成標準層面定位和掃描層面選擇，故基于CNN的解剖定位用于確定CMRI平面具有可行性。

4 發展與展望

目前AI的發展迅猛，具有諸多優勢，但大規模普及應用于臨床還存在很多問題[13]。①缺乏有效數據：ML的特性決定了初期要依靠大量高質量的數據來進行學習、訓練，從而優化算法以保證較高的精確度，因此如何獲取有效數據是AI在醫療領域、特別是影像學領域應用需要最先跨越的障礙；②技術成熟、標準制定尚需時間：目前AI很多技術仍處于研發階段，很多問題并未得到解決，AI技術本身的不成熟性導致其存在一系列風險并遭受質疑；③數據安全隱患較大：在AI時代，大數據加速溢出的同時加大了數據泄露的安全隱患，個人隱私安全面臨前所未有的挑戰，如何進行監督管理是亟待解決的問題。

綜上所述，影像學診斷數據的日益普及和大數據分析方法的迅速發展將促使智能影像學的發展進入新時代。盡管AI還面臨很多問題和質疑，但在各專業人員的共同努力下，這項技術將日趨成熟，影像學智能診斷將迎來一個嶄新的未來。