《自然-人工智能》:AI助力 4D 核磁共振扫描,数据处理速度提高 30 倍!

四维(4D)核磁共振扫描(MRI)可以用来重建心血管血流随时间的变化,对于一系列心血管疾病的诊断具有重要意义。然而,这些扫描通常需要 20 分钟的处理时间,意味着扫描过程中无法对进一步成像评估做出决定。加速这类扫描,就能在患者接受扫描的同时完成实时评估,不仅能节省临床医师的时间,还能减少患者的不适。

近日,来自苏黎世大学生物医学工程学院 Valery Vishnevskiy 教授的研究团队,成功开发了一种深度学习网络,可以显著加速 4D flow MRI 数据处理。这个深度学习模型有望让临床医师在患者接受核磁共振扫描的同时,实时观察血流变化,从而优化诊断工作流。

相关研究发表在最新一期的《自然-人工智能》杂志上。

心血管疾病检测的挑战

心血管疾病是心脏和血管疾患引起的,包括冠心病(心脏病发作)、脑血管疾病(中风)、高血压(血压升高)、周围血管疾病、风湿性心脏病、先天性心脏病、心力衰竭以及心肌病。

据世界卫生组织统计,2012 年全球约有 1750 万人死于心血管疾病,占全球死亡总数的 31%。并且,超过 3/4 的心血管疾病死亡都发生在低收入和中等收入国家。

而我国更是心血管疾病的重灾区,据官方统计,我国目前心血管疾病患者大约在 2.9 亿人,其中脑卒中 1300 万,冠心病 1100 万,肺原性心脏病 500 万,心力衰竭 450  万,风湿性心脏病 250 万,先天性心脏病 200 万,高血压 2.7 亿。心血管病死亡占居民疾病死亡构成 40% 以上,居首位,高于肿瘤及其他疾病。

心脏相关疾病的检测一直是医学界的难题。核磁共振成像(MRI)技术是一种常用的检测方式,虽然,随着科技的发展,如今已能够实现 MRI 的 3D 成像效果,显著提高诊断的准确性,但同样有它的局限性。

按照当前的心血管 MRI 检测技术,不仅需要 45-60 分钟的持续时间,检测过程中也要根据医生指示不时屏住呼吸,最终的检测结果依旧是一张张静态图像,有时很难告诉医生症状的根源。

而一旦医生无法准确判断患者的病情,就无法对症下药,这对于心血管疾病患者来说无疑是有巨大风险的。并且此时医生也同样处于两难的境地,如果建议患者进行心脏手术治疗,成本高且风险大;如果只服用药物缓解病情,则有可能错过最佳的治疗时机。因此,疾病的检测直接影响到了最终的结果。

4D flow MRI
相位对比 MRI(PC-MRI)是通过在平面方向上设置流速编码来获取单位时间内的图像,这种方法广泛应用于 MRI 血流定量分析的临床实践中。

传统 PC 法采用双极梯度场对流体进行编码,并在多个方向进行编码,获取成像信息,再通过减影去除背景,得到流体的相位变化信息,进一步重建成图像显示。

与传统的 2D PC-MRI 相比,4D flow MRI 通过测量三个方向的流速编码和单向的流动补偿编码来进行四点扫描,从而获取图像信息。在血液流动形式复杂的心脏中使用 2D PC 法进行流量测量是比较困难的。在三个空间维度中的每一个具有速度信息的时间分辨 3D 成像已经证明了心脏内流量定量的可靠性和准确性。相比于 2D PC 4D 可以对流体体积定量,且有更好的可重复性。多种流体参数据,可以更好的进行回顾性分析。

然而,在影像学对于血液动力学的检查中,可视化的图像对于疾病的诊断,研究数据的解释都有着至关重要的作用,而由于 4D -flow 采集的数据量很大,因此要想将所得到的这些数据进行可视化评估是十分困难的。

随着 4D flow MRI 在过去几年中不断发展,目前,4D flow MRI 可视化方法已经有效地识别了诸如主动脉,颈动脉和脑血管的各种血管中的血流异常变化。4D flow MRI 不仅提供常规的流量定量,还提供具有潜在临床应用的各种流体动力学生物标志物,例如壁剪应力(WSS),湍动动能(TKE),涡量,压力梯度和脉搏波速度(PWV)。

然而,由于处理大量的数据需要耗费相当长的时间,因此,4D flow MRI 在临床上的应用依旧十分有限。

AI 加速 4D 核磁共振临床应用

近年来,许多科学家都想致力于利用数据的冗余来加速数据处理,因此,诸如部分傅立叶成像、并形成像(PI)以及压缩感测(CS)等方法都被用于 4D flow MRI 数据处理。

但是对于 4D flow MRI,近年来缓慢变化相位的基本假设已被证明是不正确的,因此,部分傅立叶成像这一方法并不适用。而受噪声的影响,PI 的应用也非常有限,所以也不适合。同样地,CS 中使用的迭代重建方法反而大大增加了数据处理时间。

左侧可以看到健康人的动脉,右侧是主动脉扩张患者的动脉

Valery Vishnevskiy 教授同样致力于 4D flowMRI 数据处理的研究。近年来,深度神经网络在 MRI 图像重建中越来越受欢迎。在训练阶段,神经网络从一组 MRI 扫描图片中学习抽象特征。训练后,通过推断学习的权重,只需很少的计算即可重建新获取的数据。数据处理时间的减少,可以显著促进 4D flowMRI 在临床实践中的应用。

为此,Valery Vishnevskiy 教授对传统的 Ham 深度学习模型进行了改良,(1)使用线性激活代替径向基函数,(2)网络以采样率为条件,(3)中间层的指数加权使用正则化,(4)信号的虚部由共享权重过滤,(5)动量 在梯度下降(GD)展开过程中被考虑,(6)数据项允许可调激活函数。通过允许对数据一致性和过滤步骤进行依赖于加速度的加权,对网络进行了广泛的加速因子训练。并将改良后的模型命名为 Flow VN。

新的 MRI 方法可以在不到五分钟的时间内获得精确的 4D MRI 图像

研究人员通过 11 个扫描案例训练了一个神经网络,发现这个网络可以准确重建正常患者和血流异常患者的主动脉血流,且准确度与传统方法一致。

研究人员表示,该深度学习 AI 模型,可以在几秒之内对经过心脏的血流进行四维重建。这个 AI 系统还能在 20 秒左右的时间里重建一次扫描,比目前尖端的传统方法快 30 倍,比之前的深度学习方法快 4.2 倍。

Valery Vishnevskiy 教授表示,“Flow VN 能做的不仅如此,令人兴奋的是,Flow VN 具有很强的泛化能力,在临床应用中可以一边处理患者数据一边学习这些患者的数据,未来它会变得更强大。”

论文链接:
https://nature.com/articles/s42256-020-0165-6

参考资料:
https://ethz.ch/en/news-and-events/eth-news/news/2020/04/artificial-intelligence-accelerates-blood-flow-mri.html

近期精彩集锦(点击蓝色字体跳转阅读):

(0)

相关推荐