近日，2021年医学人工智能大会（CMAI 2021）暨第一届“中国医学学术期刊发展”高端论坛在北京举办。本次大会邀请了数十位顶尖医院的放射科主任及人工智能技术的权威专家。
本次大会由中国生物医学工程学会医学人工智能分会、中国医学影像AI产学研用创新联盟、中国研究型医院学会感染与炎症分会、国家卫健委全国卫生健康传承项目放射专业委员会、北京影像诊疗技术创新联盟主办，CMAI 组委会承办。
雷锋网&医健AI掘金志作为本次大会的支持单位，全程参与嘉宾的演讲内容与深度报道。
作为本次大会嘉宾，国际心血管磁共振学会中国委员会副主委、华中科技大学同济医学院附属同济医院放射科夏黎明主任发表了主题演讲。
夏黎明主任表示：心脏磁共振检查目前面临很多的困难：例如，对患者的心率、呼吸要求比较高；其次，患者心脏检查时间很长，病人耐受差，对技师的要求也更高。因此，在成像环节的加速和标准化中，AI可以发挥巨大的作用。
另一方面，深度学习在心脏磁共振成像图像分割、分析、诊断应用方面，也有诸多亮点。例如，在图像分割（左心室、左心房）、心肌瘢痕定量评估、诊断心肌梗死诊断，夏黎明主任以多篇论文举例进行论证分享。
以下为夏黎明主任大会演讲的全部内容，雷锋网《医健AI掘金志》做了不改变原意的编辑和整理。
各位专家、各位同道，大家好。我今天要介绍的主题是《AI在心脏磁共振成像中的应用与研究进展》，我从AI在CMR检查流程、质控中的应用两个方面开始进行介绍。
AI在CMR检查流程、质控中的应用
心脏磁共振检查目前面临很多的困难：
首先，是我们对患者的心率、呼吸要求比较高；
第二，是患者心脏检查时间很长，病人耐受差；
第三，对我们操作者的技术要求很高。
综合以上三点，AI在心脏磁共振成像检查中，其实大有前途。
心脏扫描的各种平面需要我们定位，定位需要一定的技术，手动定位也需要较多的时间，如果定位不准确，图像就不标准，所测量的解剖结构值、功能就不准，另外，它的重复性也很重要，在病情复查、对比时常常需要多次检查平面一致。
如果我们用人工智能进行精准、快速的定位，目前的研究，只要定位16秒钟就可以解决。
如图，这个是心脏智能的定位，现在大家研究的还是比较多，通过卷积神经网络基本上可以得到我们常用的四个定位的平面，我们可以看到有四腔、两腔、三腔和短轴平面的图像。从目前的结果来看，一次屏气全心覆盖，自动、快捷、多方位定位，定位准确、稳定、可重复性好。
上面是心脏六个层面的图像，分别是短轴、两腔，四腔、三腔，右、左流出道层面电影图像。
另外，AI在图像的重建方面，有非常好的价值。
例如，在黑血里面利用深度学习的成像，提高了图片的分辨率和信噪比。
我们可以看到（如图）里面的参数，我们基于AI的这种黑血，它的分辨率及信噪比很高。
如图，左侧图是传统的T2黑血成像，中间是SSFSE T2黑血成像，早期我们没有人工智能，SSFSE T2黑血成像很差，右图是基于AI的一次屏气，成像质量几乎和跟传统的十个心动周期图像保持一致。
如图，这个病人是心律不齐，传统的黑血回音很重，右边人工智能的黑血成像可以采纳。
另外，AI在电影序列里面也是很有价值的，跟其他的一些电影图像序列相比有很大的优势，它单次屏气、全心覆盖、信噪比及空间分辨率高、重建速度快。
传统的采集需要多个心动周期，目前基于AI的电影图像采集，只要一个心动周期就可以。（如图）左边是处理前的图像，中间是 AI处理后的图像，跟传统图像几乎是一致的。
如图，是心律不齐患者的CMR图像，上面是传统的Cine，图像有心率不齐导致的伪影，下面是AI Cine，图像质量很好。
基于AI利用不同迭代的技术，（a）是欠采样的图像，（b）是我们希望得到的图像，（c-i）采用不同的迭代次数，最后我们重建过程中1-10迭代图像跟我们所需要的图像应该是一致的。
另外，AI也可以在检查的质量控制里面发挥很好的作用。
文章从三个维度评估，包括扫描的范围，图像层间运动以及图像的对比。
上面一排是我们比较理想的图像，下面是不太好的图像，通过深度学习、训练，从四个层面的图像进行训练，然后得到三个独立检查的质量控制的功能。
AI在CMR图像分割、分析、诊断应用
AI在心脏磁共振成像图像分割、分析、诊断应用，深度学习在心脏电影图像方面的应用在逐渐增多，例如电影图像的自动分割、多参数、功能分析，对瘢痕的分割等。
另外对于非对比增强来诊断梗死或者心肌病的一些方法，还有T1/T2 mapping对水肿、瘢痕进行评估等。
我们可以看到AI可以自动测量，有很多的功能，例如，它的心室容积、射血分数、心输出量，还有心肌厚度分析等。
如图，这篇文章是荷兰莱顿大学陶倩教授研究的，我们也参与了研究，利用深度学习对电影进行自动的分割，对它的功能、全自动量化进行了评估，它的结果还不错。
这是左心室（LV）分割网络的完整流程，从左到右的输入、卷积、激活函数、池化、全连接、输出等等，最后分割出左心室。
我们看看它的效果，研究把人工智能的分割和手动勾画行了一个对比，在左心室的舒张末期、收缩末期的容积，心肌质量和左心室射血分数方面做了对比，它的一致性非常好。
另外，对它的三个模型、三种数据进行了评估，最后的效果很好，因为它是一个多中心、多设备、病例数也比较多的研究。
另外有一个研究，利用人工智能对左心房进行分割，计算它的直径和容积。
左心房扩大的患者，常常会导致房颤，所以对于左心房的体积和直径的评估非常有意义，因为人工智能对增强以后的延迟强化能识别，左心房分割效果还是相当不错。
如图，分为几个步骤，第一个是2D的CNN，第二是3D的CNN，第三是双3D的CNN，病例数目不多，但效果不错。
下面对三种方法进行了对比。
第一种我们可以看到Dice系数，应该算是双3D的CNN，Dice系数最高达到93.2%。另外从它壁的厚度，还有直径、容积的差错方面来进行评估，也是证明了双3D的CNN，它的效果是最好的。
第一篇的研究就是对心肌瘢痕进行一个定量评估，它是利用3D深度卷积神经网络对肥厚型心肌病进行评估，主要是计算它的瘢痕体积，还有瘢痕体积的百分比，应该说人工智能分割与手动勾画的一致性很好。
我们看看它的结果，如左上图，体积、百分比还有人工智能和手动勾画的r值都在0.9以上。右图，上面一排是手动勾画，第二排是人工智能分割，第三个就是手动的人工智能勾画纤维瘢痕的面积一致性比较高。
此外，另一个研究是人工智能对心肌梗死进行的一个评估，它对非增强的电影图像进行评估，常常诊断心肌梗死不管是急病还是慢病都需要延迟增强，这个研究对不增强的电影图像进行心肌梗死的诊断，那意义还是很大的。
根据它的结果显示有良好的诊断效率，它的敏感度和特异度都是非常高的，在0.9以上。
看看它的过程，第一我们要定位左心室，第二对运动特征的提取。
一共分为三步，第一步是局部运动的特征，第二步是整体运动的特征，第三步就是把局部和整体运动的特征，经过叠加的自动编码进行分类诊断，哪些是正常，哪些是延迟强化的。
我们看一下结果（如上图），第一列是电影非增强的，第二列是延迟增强，我们可以看到每一例都有延迟强化心肌梗死，第三列是人工智能勾画的梗死和延迟增强，手动勾画梗死的叠加，第四列是提取心肌梗死的区域，第五列是对心肌梗死的范围和透壁性的量化。
总体来讲，诊断效能比较高，诊断慢性心肌梗死的效能达到了0.87以上，应该是相当不错的。
我们可以看到，人工智能和手动勾画的一致性还是不错的。另外，他给了两个病例，第一个人工智能和手动勾画的面积非常吻合，第二个稍微差一点。
如图，这篇文章就是对于对比增强，是人工智能虚拟原生增强技术替代钆延迟增强的研究，主要是利用增强前T1 map图和心脏电影图像的信号，通过VNE技术生成与延迟增强的图像来进行对比，看看它的一致性怎么样。
结果可以看出，人工智能的非对比增强虚拟图像与延迟图像的一致性很好，尤其非对比增强图像质量比对比增强的图像更好。
我们看看它的过程，它的过程主要有三个序列图像组成，第一个是电影，第二个是黑血，第三个是增强前的T1-mapping，然后把它编码，融合生成一个区域的增强图像，只要大约15分钟即可获得，如果我们没有这个技术要进行延迟增强，还需要30分钟的时间来进行操作。
如图，最后一个延迟图像，有四位观看者来进行评价和打分，黄色的是延迟增强，绿色的是非延迟增强人工智能，四位观看者把非对比增强打分高一些，它的平均分数也高，另外一个延迟增强图像比较差，或者完全不能进行诊断的，通过非增强的人工智能方法可以提高图像质量。
如图，我们可以看到这些病例。
第一列是正常的对照组， B到G是不同的心脏疾病。第一排是彩图，第二排是非对比增强人工智能的虚拟图像。第三个是真正的延迟增强图像。下面分别是增强与非增强的彩图，一致性还是非常好的。
总结
综合上述的内容，我们可以发现，AI在心脏磁共振成像中具有不错的应用前景。
第一点，AI在心脏磁共振成像的价值贯穿检查的流程、图像重建、质控、分割、多参数分析、诊断等，总体来说是快、准、重复性好。
与此同时，AI在心脏磁共振成像应用处于初步的阶段，还需要多中心大量的研究。
我的演讲结束了，谢谢大家。
正在生成分享图...
包永刚