2018年北美放射学年会心脏MRI人工智能研究进展

陈梓娴，林 晨，倪金荣，南 江，庄 辛，薛敬梅，郭顺林，雷军强*

(1.兰州大学第一医院放射科，甘肃 兰州 730000；2.甘肃省智能影像医学工程研究中心，甘肃 兰州 730000；3.精准影像协同创新甘肃省国际科技合作基地，甘肃 兰州 730000)

2018年北美放射学年会(Radiological Society of North America， RSNA)会议的主题是“Tomorrow's Radiology Today”,人工智能(artificial intelligence，AI)、机器学习(machine learning, ML)和深度学习(deep learning， DL)是本次会议的亮点，未来AI等创新技术将推动影像学技术向“快速、安全、定量、精准、经济”的方向发展。由影像学资料、临床信息、基因特征、风险因素等构建的信息中心将为个体化治疗提供巨大帮助。AI、ML及DL之间的关系见图1。

AI的概念由计算机科学家于1956年首次提出，是包含数学、计算机科学等多领域的交叉学科，被用于模拟、扩展和延伸人的智能的理论、技术、方法及应用系统[1]。随后在AI基础上出现了ML的概念，1996年Langley定义的ML是一门AI科学，该领域的研究对象是AI，是如何在经验学习中改善具体算法的能力。换言之，ML就是实现、支持AI的计算方法，通过ML让机器变得更加智能。DL是在ML过程中基于对数据进行表征学习的方法，而卷积神经网络(convolutional neural networks， CNN)又是DL中应用最广泛的算法。近年来，随着影像学技术和计算机技术的不断发展及有机结合，通过结合或改进传统的图像处理方法，已将越来越多的AI技术应用到医学影像学中，在提高影像学医师工作效率的同时提高诊断准确率，使得AI在影像学辅助诊断中的潜在价值迅速增加。

图1 人工智能关系示意图

目前AI应用比较成熟的影像学领域有肺结节的诊断[2]、乳腺癌筛查[3]及前列腺癌的诊断[4]。在以AI为基础的计算机辅助诊断(computer-assisted diagnosis， CAD)软件的帮助下，影像学医师对于肿瘤病灶的检出率可获提高。此外，ML可在肿瘤的影像学检查、图像解析及规范报告等方面发挥积极作用[5]。

除肿瘤外，心血管疾病也是全球范围导致年死亡人数最多的疾病之一，心血管影像在心血管疾病的早期诊断、病情评估、疗效及预后判断中发挥着不可替代的作用。心脏MRI(cardiac MRI, CMRI)可一站式提供心脏解剖学、形态学、功能学信息及心肌组织学特性，在心血管疾病诊断中具有明显优势, 并可在一定程度上作为“金标准”[6]；其优势不仅在于良好的空间分辨率，还在于可避免电离辐射、放射性同位素及碘对比剂等对人体产生的不良影响[7]，故受到越来越多医师和患者的青睐。近年来，AI技术也逐渐被运用到CMRI中，研究重点集中在心室自动分割等领域。2018年RSNA共收录了55篇有关CMRI的学术报告(以“CMRI”为检索词)，其中AI相关的报告7篇(7/55，12.73%)。

1 ML

采用T1 mapping技术，可通过细胞外容积(extracellular volume， ECV)来定量评估心肌纤维化，但计算ECV时需测量患者的红细胞压积(hematocrit， Hct)。2018年有学者于RSNA上报道基于AI的ML算法，采用线性回归(linear regression， LR)和ML算法直接从T1 mapping图像中获得Hct值，且与实验室测量结果相比差异无统计学意义，提示基于ML的算法可提供可靠的Hct和ECV值，无须当天进行实验室Hct检测，彰显了ML在临床工作中的潜力。

扩张型心肌病(dilated cardiomyopathy， DCM)的诊断和鉴别诊断是临床难点，2018年Sun等于RSNA上报道，采用纹理分析提取50例DCM患者(DCM组)和24名健康志愿者(对照组)的12个直方图参数和5个灰度共现矩阵(gray level co-occurrence matrix， GLCM)特征，结果显示，相对于对照组，DCM组患者的大部分直方图特征更高，其中9个直方图特征存在显著性差异，DCM组的GLCM特征、能量、相关性和同质性均高于对照组，表明基于计算机的纹理分析和T1 mapping的ML方法可以为诊断DCM提供客观工具。

2 DL

DL这一概念是由Hinton等[8]于2006年提出，是一种实现ML的技术，使用多层网络来评估原始成像输入数据中的复杂模式，是基于数据学习事物表征来识别特征图像的方法。DL的目的在于建立可以进行分析学习的神经网络，并通过模仿人脑的思维模式来解释数据。DL通过组合一些简单的低层特征获得更加抽象的高层特征，来表示属性类别，以发现数据的分布特征，从而解释数据；其优点在于用非监督式或半监督式的特征学习和分层特征，提取高效算法来替代手工获取特征。目前CMRI采集耗时较长，且需患者多次屏气，这不仅对许多患者具有挑战性，而且图像质量易受运动伪影的影响，因此，如何提高图像采集速度而又不损失图像质量是CMRI研究的重点，而DL在这方面发挥了一定作用。2018年Jo等于RSNA上报道采用全采样法获得10名志愿者CMRI短轴电影图像，用基于DL的迭代降噪算法、三维CNN和二维卷积递归神经网络(convolutional recursive neural network， CRNN)进行图像重建，并与压缩感知方法进行比较，通过减少从采样不足的数据中重建图像所需的k空间数据量来加速CMRI数据采集，结果表明以上方法在采集速度和图像重建质量方面均优于传统优化稀疏采集研究。另一方面，如何获得优质MR冠状动脉造影(MR coronary arteriography， MRCA)图像一直是CMRI的难题。虽然专用的T2准备脉冲使无对比剂MRCA成为可能，但血管CNR仍不能满足临床需要。2018年Kidoh等于RSNA上探讨DL重建(DL reconstruction, DLR)对无对比剂MRCA图像质量的影响，对10名无冠心病志愿者行无对比剂MRCA，并利用专用工作站生成中、高层DLR图像，最后对图像进行定量和定性评价(血管SNR、可视化和伪影分级)，结果显示DLR整体图像质量和图像噪声的视觉评分明显优于原始图像，血管清晰度评分在原始DLR、中度DLR、高度DLR图像中相似(分别为3.4、3.8、3.8)，图像噪声/颗粒度的视觉评分在原始DLR图像中明显优于对照组、中度DLR组和高度DLR组(分别为2.4，3.8、4.0)；上述结果表明，使用DLR技术可在不降低血管锐度的同时提供更高的CNR，即DLR技术可提高无对比剂MRCA中冠状动脉的可视化程度。

3 CNN

CNN是目前使用最多的DL代表算法之一[9]，克服了过去AI中被认为难以解决的一些问题。CNN的局部连接、权值共享及下采样操作等特性使之可以有效地降低网络的复杂程度，减少训练参数的数目；CNN具有抗变换性和容错能力，使模型对平移、缩放、扭曲等保持一定程度的不变性，有利于机器训练和算法优化。尽管CNN已经在计算机辅助检测中存在了很长时间，但其在CMRI方面的应用近年才逐渐兴起。CNN在CMRI的应用主要集中在图像分割方面，左心室自动分割对于有效量化心脏功能和形态至关重要。Vigneault等[10]利用CNN对42例肥厚型心肌病(hypertrophic cardiomyopathy， HCM)患者及21名健康对照者的心脏进行全自动、多切面定位扫描，并对左心室图像进行分割，结果表明采用该方法较以往方法有了实质性进步，可以在医学图像分割中得到更广泛的应用。Tan等[11]根据左心室中心点到心内、外膜轮廓的径向距离完成所有短轴切面和时相的左心室分割任务，然后利用CNN回归判断这些参数，结果表证CNN回归结合领域特异性特征在临床分割中具有有效性。左心室容积评估是诊断心脏疾病的关键步骤之一。Luo等[12]运用CNN处理CMRI图像实现了预测左心室容积，该方法不仅适用于对心脏疾病患者进行大规模CMRI数据筛选，而且可推广到其他医学图像研究领域。2018年Mallon等于RSNA上报道对DCM、HCM和志愿者行CMRI(回顾性门控电影成像)，用四腔心电影序列数据行CNN分析，结果显示每名受试者的处理时间约2 s，82例DCM患者中有80例被正确分类，97例HCM患者中有84例被正确分类，87名志愿者全部被正确分类，总计94.36%(251/266)的参与者被正确分类。使用CNN可直接分析CMRI电影序列图像，其诊断心肌病的准确率较高，并可从中排除健康人群，显示CNN具有有效和客观地诊断心肌病的潜力。2018年Tao等于RSNA上报道对180例心肌梗死患者在植入心律转复除颤器前行钆对比剂延迟增强(late gadolinium enhancement， LGE) MR扫描，应用CNN对LGE图像进行全自动分析，结果显示CNN通过完全自动化方式同时识别了左心室和心肌瘢痕，每名受试者处理时间均<0.2 s，且CNN与观察者测量瘢痕大小无显著差异。CNN在自动快速识别和量化心肌瘢痕中显示出巨大的前景。2018年Blansit等于RSNA上报道， 回顾性收集472个心脏短轴和892个心脏长轴电影序列数据，通过CNN识别解剖学部位，并与放射科医师标注比较，表明CNN可以完成标准层面定位和扫描层面选择，故基于CNN的解剖定位用于确定CMRI平面具有可行性。

4 发展与展望

目前AI的发展迅猛，具有诸多优势，但大规模普及应用于临床还存在很多问题[13]。①缺乏有效数据：ML的特性决定了初期要依靠大量高质量的数据来进行学习、训练，从而优化算法以保证较高的精确度，因此如何获取有效数据是AI在医疗领域、特别是影像学领域应用需要最先跨越的障碍；②技术成熟、标准制定尚需时间：目前AI很多技术仍处于研发阶段，很多问题并未得到解决，AI技术本身的不成熟性导致其存在一系列风险并遭受质疑；③数据安全隐患较大：在AI时代，大数据加速溢出的同时加大了数据泄露的安全隐患，个人隐私安全面临前所未有的挑战，如何进行监督管理是亟待解决的问题。

综上所述，影像学诊断数据的日益普及和大数据分析方法的迅速发展将促使智能影像学的发展进入新时代。尽管AI还面临很多问题和质疑，但在各专业人员的共同努力下，这项技术将日趋成熟，影像学智能诊断将迎来一个崭新的未来。