作者：周佳丽，乐颖慧，贺毅，首都医科大学附属北京友谊医院放射科

心脏磁共振(cardiac magnetic resonance，CMR)被广泛用于心脏定性和定量评估，对缺血性心脏病、心肌病、心脏瓣膜病、先天性疾病、心包疾病和肿块等的识别与鉴别提供重要诊断价值。钆对比剂延迟强化(late gadolinium enhancement，LGE)磁共振成像是定位与定量心肌纤维瘢痕的一种技术，被认为是评估活体心肌纤维化的金标准。

标准的LGE序列通常采用重纵向弛豫加权分段反转恢复梯度回波序列，在注入钆对比剂后10 ~ 15 min 采集图像，此时正常心肌内的对比剂已洗脱，对于心肌缺血梗死患者，急性期心肌细胞细胞膜破裂以及后期坏死心肌形成纤维瘢痕组织会造成钆对比剂的残留。由于钆对比剂具有强的降低组织纵向弛豫时间作用，病变心肌因此呈现高信号，当然，这种信号并不特异，一些非缺血性心肌病患者也能出现此种改变。所以判读LGE 图像时，不仅要观察心肌是否存在高信号，还需要判定其出现的部位、范围以及模式。

实际工作中，分析LGE 图像往往耗时且重复性较差，如何减轻影像医师负担并提高工作效率呢? 近些年人工智能在心血管影像领域的应用为该目标的实现带来了诸多解决方案，其中机器学习(machine learning，ML)起着格外重要的作用。ML 是人工智能的主要分支，主要指机器通过解决一些简单或复杂的数学问题来学习特定于某一特定任务的识别模式，模型通过调整参数，最小化损失函数，将输入图像映射到期望的结果。

简单来说，ML 的目标就是让计算机能够模拟人类的学习行为，建立学习框架，实现与人脑相当的识别和判断。深度学习(deep learning，DL)是ML 的一个子集，灵感来源于人类神经网络，其核心就是进行一系列可调数学运算，将输入数据变成预期的输出。本研究旨在归纳总结ML 在CMR 延迟强化成像方面的应用。

1.优化延迟强化图像质量及采集

相较其他CMR 序列，LGE 图像质量欠佳，可能是受到呼吸运动、心率变化、采集期间钆对比剂洗脱以及手动选择反转时间次优等的影响。低质量图像会影响医师诊断的准确性，所以如何提高LGE 图像质量是亟待解决的重难点。ML的发展提供了一些思路：Van Der Velde 等使用基于DL 的重组算法评估不同降噪水平在改进LGE 图像质量和量化瘢痕方面的影响，结果表明基于DL 的重组算法的图像质量高于标准LGE 图像(主观质量评分3.3 ± 0.5 vs.3.6 ± 0.7，P<0.001)且与阈值法相比，半峰全宽法能更好地量化瘢痕，因其对不同降噪水平不敏感。

Yang 等的研究也发现当在50%和75%降噪水平重组图像时，无论是幅度重组序列还是相位敏感反转恢复序列(phase sensitive inversion recovery sequence，PSIR)，总体成像质量得分明显高于常规采集图像(P <0.01)且所有降噪水平LGE 成像的信噪比、对比度噪声比和边缘锐利度均高于常规成像(P <0.01)。Xie 等利用DL 模型在多中心多供应商数据的反转时间定位序列中获取最佳反转时间以采集最优图像，其最佳模型(SE-ResNet18-LSTM)在外部测试集中准确率为97.3%，平均绝对误差为15.2 ms，林氏一致性相关系数为0.64。

通过此模型，可消除因影像技师经验不同而导致反转时间的选择误差，提供可重复的、客观的和省时的操作方案。判读图像过程中，延迟强化区域需要放射科医师仔细判定真伪，能否在技师采集图像时保证较高图像质量呢? Zaman 等利用DL 二进制分类器来区分延迟强化存在的确定性，在外部测试集中准确率可达91%，这种方式可帮助技师确定在检查中的患者是否需要重新扫描，从而减少由于诊断犹豫不决而导致的召回和错误报告的频率。临床实践中，图像分辨率、各种伪影、扫描参数等均会影响最终成像。由此可见，聚焦改进其中一个或多个因素，LGE 图像质量和采集效率就能得到提升。

2. 自动分割LGE 图像房室结构及瘢痕量化

心肌瘢痕通常在LGE 序列上表现为高信号，目前瘢痕的识别主要有两种方法，一是视觉评估，一是定量分析。尽管对于临床大多数心肌疾病，仅需视觉评估就可以提供相当的诊断证据，但是精确的瘢痕量化可以提供患者预后信息及疾病进展情况，LGE 程度>15%已被2020 美国心脏协会/美国心脏病协会纳入心源性猝死风险分层的危险因素之一，所以准确量化LGE 图像高信号区域非常重要。临床工作中，LGE 图像左室瘢痕手动分割往往面临观察者间可重复性差、分割识别费时费力等难题，近年来ML 的发展为准确、快速分割心脏结构与瘢痕带来了希望。

2.1 左室瘢痕分割及量化

由于心肌瘢痕是肥厚型心肌病(hypertrophic cardiomyop-athy，HCM)患者不良预后的独立预测因子，且增厚的心肌更容易识别内部高强化区，所以目前ML 在左心室瘢痕量化的研究人群主要集中在HCM。Fahmy 等使用深度卷积神经网络(convolutional neural network，CNN)框架对HCM 患者的左室质量及瘢痕容积进行量化，结果显示DL 作为辅助分割患者左心室和瘢痕体积的工具的潜能，并与手动分割具有很强的一致性。

同样针对纳入对象为HCM 患者，Navidi 等开发了一个二维卷积神经网络(two-dimention convolutional neural network，2D-CNN)构架即SAUNet，该构架可以在LGE图像上进行快速左心室心内膜和心外膜分割及左心室瘢痕量化，与Fahmy 等的研究相比，该模型整合了来自不同中心、不同供应商、不同分析包得来的数据，不需要大量的手动图像预处理。

但由于2D-CNN 不允许全面综合地处理容积数据，Fahmy 等随后采用三维卷积神经网络(three-dimention convolutional neural network，3D-CNN)模型对多中心、多供应商的HCM 患者左心室瘢痕分割，结果表明与3D-CNN相比，2D-CNN 低估了瘢痕体积(r = 0.85，P < 0.001)和瘢痕占比(r = 0.83，P < 0.001)，3D-CNN 分割的Dice 相似系数(dice similarity coefficient，DSC)在不同供应商之间具有可比性(P =0.07)，并且高于2D-CNN(DSC 0.54 ±0.26 vs.0.48±0.29，P = 0.02)。但由于不同中心的HCM 患者数量较少，Fahmy 没有比较不同中心的数据由3D-CNN 输出的结果有无差异，且在训练过程中也没有改变CNN 构架的参数，调节其参数有可能会得出更符合真实世界的模型。

除此之外，当标准亮血LGE 图像中心内膜下心肌高信号不易与血池分开时，放射科医师会手动定位电影序列中与延迟强化图像对应的层面来判断病变的真伪，尽管早在20 世纪早期就有研究提出将电影序列与LGE 图像进行非刚性配准来进行心肌分割，但是其结果可能会受到LGE 和电影模态之间的配准失调的影响，并且模型可能需要计算，所以这种方法没有得到很好的拓展。由于ML 领域的新突破，特别是DL 的发展，上述难题有了新的解决方案，Fahmy 等通过开发一个融合LGE 图像和电影序列的DL 模型，探讨采用两种序列融合的方式来提高模型分割HCM 患者左室瘢痕的鲁棒性和准确性，结果表明融合了电影序列的CNN 模型能够成功分割更多的图像(603 张95% vs.562 张89%，P < 0.001)，且在识别瘢痕的效能更高，准确性、特异性、敏感性分别为89%、96%、77%。

李子文等融合心脏电影与扩散加权成像，与单纯扩散加权成像相比，融合后图像和LGE 测量的急性心肌梗死面积具有更好的一致性与相关性，ML 模型能否将其结果带来更大提升还需进一步研究。

除了对HCM 患者的瘢痕进行分割以外，也有一些研究对缺血性心肌病患者的瘢痕进行分割与量化。Ghanbari等采用一个全卷积神经网络对缺血性慢性心力衰竭患者左室瘢痕进行量化，该算法在没有任何用户交互的情况下评估心肌瘢痕，并且不需要对LGE 图像进行心内外膜轮廓的勾画，所开发的ML 算法的量化性能与观察者内性能相当，并且优于中值绝对误差显著较低的观察者间性能，比较ML算法与人类算法时，正常心肌的DSC 为(80.0 ± 5.5)%，总瘢痕为(62.0 ±11.4)%，致密瘢痕为(56.8 ± 17.2)%，非致密瘢痕为(64.7 ±12.0)%。上述研究中输入训练的数据，无论是否带有标签，延迟强化的图像都是基于亮血序列进行的，这种成像的一个缺点就是血池的高信号与心内膜下出现的延迟强化高信号不易区别，从而容易出现低估或高估出现延迟强化的范围，而暗血序列可以减少这种误判。

为此，Papetti 等首次通过ML 获取暗血序列LGE 图像来识别缺血性心肌病患者的瘢痕情况，通过结合2 个具有U-Net架构的CNN，以执行自动化、省时[ <1 min vs.(7 ±3) min]和准确的梗死瘢痕的分割，同时开发了一种自动处理与报告工具可以获得梗死瘢痕的透壁百分数。现有不少针对暗血序列的成像技术，但面临着需要调整MRI 系统软件和/ 或配置，优化新序列和患者特定参数以及额外培训相关从业人员，阻碍了它们引入常规临床实践。

目前的心脏分割和瘢痕量化大都集中特定的心脏疾病谱如HCM、心肌梗死，这可能与医院数据不易获取，公开数据集有限，疾病发生率不同等有关。余南南等探讨了DL模型对扩张型心肌病患者LGE 左心室分割效果并进行定量比较，他们通过凸形先验的U-Net 网络分割左心室，再应用视觉几何组(visual geometry group，VGG)网络识别心肌图像块，此联合分割模型在测试集中心肌分割精确度为0.827，DSC 为0.832，纤维化比率与手动提取的一致性高(组内相关系数=0.991，P <0.001)。

2.2 左房瘢痕分割及量化

心房纤维化是持续性房颤的重要因素之一，并被提议作为指导该类患者个性化治疗的生物标志。既往有研究将心房纤维负荷认定>10%作为房颤患者复发的临界值，所以精确地测量心房纤维负荷尤为重要，即使是1% ~ 2% 的差异也可能带来不同的预后。对比心室分割，心房分割往往更加困难。由于心房的壁很薄，平均2.2 ~2.5 mm，并且左心房和肺静脉的可变的形状也给LGE 的分割带来巨大挑战。

Sim 等和Razeghi等用多标签CNN 模型对对比增强磁共振血管成像(con-trast-enhanced magnetic resonance angiography，CE-MRA)图像进行分割，去除心房附近结构如肺静脉、二尖瓣、左心耳以得到左心房主体的图像，然后将其与左心房延迟强化的图像配准，再通过阈值法探测LGE 图像的纤维瘢痕。

笔者构建的多标签CNN 通过LGE 心脏磁共振扫描提供了与手动分析相当的纤维化负荷的全自动估计，自动心房分割DSC 为0.91，对比量化瘢痕的3 种阈值法，自动评估与手动评估组内相关系数非常好，并且优于或等于观察者间的相关性，可以用于指导房颤患者个性化治疗。但除了LGE 的数据，该模型还需输入CE-MRA 图像，提高了工作量和扫描时间，并且心房肌太薄不易分割的问题并没有得到很好解决。

Lefeb-vre 等同样对左心房进行分割并量化了瘢痕大小，他们构建的LASSNet 只需输入LGE 图像，分2 个阶段来识别心房与瘢痕，每个阶段有2 个步骤：兴趣区域神经网络和精细分割网络，通过LAScarQS 2022 挑战赛提供了200 多张晚期钆增强磁共振图像来训练网络并得出优于之前研究结果，LASSNet 框架可轻松应用于其他需要两阶段精细分割任务的分割任务。

Cho 等旨在使用基于主动学习的CNN 对延迟强化图像的左心房进行分割，尽管既往研究在没有主动学习的情况下就能对左心房进行良好的分割，但Cho等的研究中使用主动学习进一步减少标注时间和成本，在有限的数据情况下，也能获得良好的分割结果，从手动分割所需时间(218.00 ± 31) s 降到通过基于手动修改后的CNN 模型分割只需(36.56 ±15) s。综上，ML 确实能辅助心脏分割且各种模型层出不穷，如何构建一个具有普适性且稳定的模型，还需要大量数据训练及临床研究验证。图像分割后ML 模型能挖掘更多信息辅助疾病诊疗。

2.3 辅助疾病的诊断、预后及风险分层

LGE 已被证实在消融前对心肌纤维化进行量化可以改善消融策略规划、治疗分层和疾病预后。同样，也有些许研究通过ML 提取LGE 提供的信息来优化疾病诊断、预后及风险分层。Durmaz 等将LGE 图像、电影图像和常规临床参数的组合整合到7 个独立的ML 模型中，可以准确预测ST段抬高型心肌梗死患者在急性期的主要心血管不良事件发生率，其中神经网络模型表现出最高的预测性能，该模型曲线下面积(area under the curve，AUC) 为0.822 ± 0.181。

Ghanbari 等研究发现基于机器的致密或总瘢痕赋予了与主要心血管不良事件相关的指南标准的增量价值(AUC：0.68 vs.0.63，P = 0.02 和AUC：0.67 vs.0.63，P = 0.01)，改进了当前使用基于指南的植入式心律转复除颤器风险标准的预测模型。Shu 等构建的ML 模型整合了收缩压、左心室收缩末期和舒张末期容积指数以及CMR 图像上晚期钆增强程度，并选择支持向量机作为分类器。该模型在预测左心室射血分数严重降低的扩张型心肌病患者的不良事件方面表现出色，AUC 和精确值分别为0.873 和0.763。

除了整合左室瘢痕指标，Razeghi 等通过多标签CNN 模型表明：房颤射频消融术后，复发的患者心房平均纤维化负荷对比未复发组显著升高，提示了不同的预后结局。影像组学通过分析像素/ 体素之间的关系和分布，提供了肉眼无法感知的定量特征。影像组学与ML 交互，为不少疾病诊疗带来新的思路。

Alis 等评估基于ML 的LGE 纹理特征分析对HCM 患者室性快速性心律失常(VT)存在的诊断价值，通过对LGE 图像上具有高图像和中等信号强度的区域手动放置感兴趣区提取定量纹理特征，评估了4 种ML 分类器(包括支持向量机、朴素贝叶斯、K-近邻和随机森林)用于预测VT 存在的诊断性能，结果表明LGE 程度与室性心动过速之间存在显著正相关(P < 0.0001，r = 0.6)且在识别VT 的存在方面，K-邻近在所有ML 分类器中具有最高的Matthews 相关系数(0.85)和F 测量(0.93)。Mushari等在受试者LGE 图像中提取了总共94 个放射组学特征，结果表明个体特征的单因素分析无显著差异，在所有特征中，灰度共生矩阵(GLCM)联合熵具有良好的AUC 和具有最小置信区间的准确性，为区分活动性和非活动性结节病患者提供了希望。

如上所述，应用ML 可以进一步挖掘出LGE 潜在价值，为心脏疾病的诊疗提供新见解。

3. 总结

由于近些年人工智能的高速发展，特别是DL 算法的进步，医学各个领域的研究均呈现出焕然一新的新局面。在心血管领域运用ML 到LGE 图像上主要有以下几个问题：

(1)尽管有算法能够改善LGE 图像质量，但其评分均是主观的，质量的提升能够给临床实际疾病诊治带来多少益处还是未知的；

(2)ML 算法的理解和编写较为复杂，现阶段绝大部分模型的应用都只针对特定的人群、特定的疾病或特定扫描技术，如需将疾病谱扩大，还需要在样本量更大、图像质量更好、采集更规范统一的数据库中的模型并且模型也需与时俱进；

(3)由于DL 内部原理仍然被视为“黑盒”问题，还需要更多的科研努力将实验研究与临床密切联系起来。虽然有研究利用DL 网络生成虚拟图像取得与LGE 类似特性，但LGE 依旧是目前评估心肌纤维化的金标准，且作为心脏常规扫描方案在我国各大医院开展，所以对于图像分割及瘢痕识别方面还是应该聚焦LGE 序列本身。科技的进步促使心血管成像领域快速发展，医学从业者应该重视医工学科的交叉，成为引领现代医学发展，推动未来医学提升的关键人才。

来源：周佳丽，乐颖慧，贺毅.机器学习在心脏磁共振延迟强化图像的应用[J].临床放射学杂志，2025，44(05)：961-964.DOI：10.13437/j.cnki.jcr.2025.05.024.