0
本文作者: 李雪 | 2021-11-04 11:14 |
近日,2021年醫(yī)學人工智能大會(CMAI 2021)暨第一屆“中國醫(yī)學學術(shù)期刊發(fā)展”高端論壇在北京舉辦。本次大會邀請了數(shù)十位頂尖醫(yī)院的放射科主任及人工智能技術(shù)的權(quán)威專家。
本次大會由中國生物醫(yī)學工程學會醫(yī)學人工智能分會、中國醫(yī)學影像AI產(chǎn)學研用創(chuàng)新聯(lián)盟、中國研究型醫(yī)院學會感染與炎癥分會、國家衛(wèi)健委全國衛(wèi)生健康傳承項目放射專業(yè)委員會、北京影像診療技術(shù)創(chuàng)新聯(lián)盟主辦,CMAI 組委會承辦。
雷鋒網(wǎng)&醫(yī)健AI掘金志作為本次大會的支持單位,全程參與嘉賓的演講內(nèi)容與深度報道。
作為本次大會嘉賓,國際心血管磁共振學會中國委員會副主委、華中科技大學同濟醫(yī)學院附屬同濟醫(yī)院放射科夏黎明主任發(fā)表了主題演講。
夏黎明主任表示:心臟磁共振檢查目前面臨很多的困難:例如,對患者的心率、呼吸要求比較高;其次,患者心臟檢查時間很長,病人耐受差,對技師的要求也更高。因此,在成像環(huán)節(jié)的加速和標準化中,AI可以發(fā)揮巨大的作用。
另一方面,深度學習在心臟磁共振成像圖像分割、分析、診斷應(yīng)用方面,也有諸多亮點。例如,在圖像分割(左心室、左心房)、心肌瘢痕定量評估、診斷心肌梗死診斷,夏黎明主任以多篇論文舉例進行論證分享。
以下為夏黎明主任大會演講的全部內(nèi)容,雷鋒網(wǎng)《醫(yī)健AI掘金志》做了不改變原意的編輯和整理。
各位專家、各位同道,大家好。我今天要介紹的主題是《AI在心臟磁共振成像中的應(yīng)用與研究進展》,我從AI在CMR檢查流程、質(zhì)控中的應(yīng)用兩個方面開始進行介紹。
AI在CMR檢查流程、質(zhì)控中的應(yīng)用
心臟磁共振檢查目前面臨很多的困難:
首先,是我們對患者的心率、呼吸要求比較高;
第二,是患者心臟檢查時間很長,病人耐受差;
第三,對我們操作者的技術(shù)要求很高。
綜合以上三點,AI在心臟磁共振成像檢查中,其實大有前途。
心臟掃描的各種平面需要我們定位,定位需要一定的技術(shù),手動定位也需要較多的時間,如果定位不準確,圖像就不標準,所測量的解剖結(jié)構(gòu)值、功能就不準,另外,它的重復性也很重要,在病情復查、對比時常常需要多次檢查平面一致。
如果我們用人工智能進行精準、快速的定位,目前的研究,只要定位16秒鐘就可以解決。
如圖,這個是心臟智能的定位,現(xiàn)在大家研究的還是比較多,通過卷積神經(jīng)網(wǎng)絡(luò)基本上可以得到我們常用的四個定位的平面,我們可以看到有四腔、兩腔、三腔和短軸平面的圖像。從目前的結(jié)果來看,一次屏氣全心覆蓋,自動、快捷、多方位定位,定位準確、穩(wěn)定、可重復性好。
上面是心臟六個層面的圖像,分別是短軸、兩腔,四腔、三腔,右、左流出道層面電影圖像。
另外,AI在圖像的重建方面,有非常好的價值。
例如,在黑血里面利用深度學習的成像,提高了圖片的分辨率和信噪比。
我們可以看到(如圖)里面的參數(shù),我們基于AI的這種黑血,它的分辨率及信噪比很高。
如圖,左側(cè)圖是傳統(tǒng)的T2黑血成像,中間是SSFSE T2黑血成像,早期我們沒有人工智能,SSFSE T2黑血成像很差,右圖是基于AI的一次屏氣,成像質(zhì)量幾乎和跟傳統(tǒng)的十個心動周期圖像保持一致。
如圖,這個病人是心律不齊,傳統(tǒng)的黑血回音很重,右邊人工智能的黑血成像可以采納。
另外,AI在電影序列里面也是很有價值的,跟其他的一些電影圖像序列相比有很大的優(yōu)勢,它單次屏氣、全心覆蓋、信噪比及空間分辨率高、重建速度快。
傳統(tǒng)的采集需要多個心動周期,目前基于AI的電影圖像采集,只要一個心動周期就可以。(如圖)左邊是處理前的圖像,中間是 AI處理后的圖像,跟傳統(tǒng)圖像幾乎是一致的。
如圖,是心律不齊患者的CMR圖像,上面是傳統(tǒng)的Cine,圖像有心率不齊導致的偽影,下面是AI Cine,圖像質(zhì)量很好。
基于AI利用不同迭代的技術(shù),(a)是欠采樣的圖像,(b)是我們希望得到的圖像,(c-i)采用不同的迭代次數(shù),最后我們重建過程中1-10迭代圖像跟我們所需要的圖像應(yīng)該是一致的。
另外,AI也可以在檢查的質(zhì)量控制里面發(fā)揮很好的作用。
文章從三個維度評估,包括掃描的范圍,圖像層間運動以及圖像的對比。
上面一排是我們比較理想的圖像,下面是不太好的圖像,通過深度學習、訓練,從四個層面的圖像進行訓練,然后得到三個獨立檢查的質(zhì)量控制的功能。
AI在CMR圖像分割、分析、診斷應(yīng)用
AI在心臟磁共振成像圖像分割、分析、診斷應(yīng)用,深度學習在心臟電影圖像方面的應(yīng)用在逐漸增多,例如電影圖像的自動分割、多參數(shù)、功能分析,對瘢痕的分割等。
另外對于非對比增強來診斷梗死或者心肌病的一些方法,還有T1/T2 mapping對水腫、瘢痕進行評估等。
我們可以看到AI可以自動測量,有很多的功能,例如,它的心室容積、射血分數(shù)、心輸出量,還有心肌厚度分析等。
如圖,這篇文章是荷蘭萊頓大學陶倩教授研究的,我們也參與了研究,利用深度學習對電影進行自動的分割,對它的功能、全自動量化進行了評估,它的結(jié)果還不錯。
這是左心室(LV)分割網(wǎng)絡(luò)的完整流程,從左到右的輸入、卷積、激活函數(shù)、池化、全連接、輸出等等,最后分割出左心室。
我們看看它的效果,研究把人工智能的分割和手動勾畫行了一個對比,在左心室的舒張末期、收縮末期的容積,心肌質(zhì)量和左心室射血分數(shù)方面做了對比,它的一致性非常好。
另外,對它的三個模型、三種數(shù)據(jù)進行了評估,最后的效果很好,因為它是一個多中心、多設(shè)備、病例數(shù)也比較多的研究。
另外有一個研究,利用人工智能對左心房進行分割,計算它的直徑和容積。
左心房擴大的患者,常常會導致房顫,所以對于左心房的體積和直徑的評估非常有意義,因為人工智能對增強以后的延遲強化能識別,左心房分割效果還是相當不錯。
如圖,分為幾個步驟,第一個是2D的CNN,第二是3D的CNN,第三是雙3D的CNN,病例數(shù)目不多,但效果不錯。
下面對三種方法進行了對比。
第一種我們可以看到Dice系數(shù),應(yīng)該算是雙3D的CNN,Dice系數(shù)最高達到93.2%。另外從它壁的厚度,還有直徑、容積的差錯方面來進行評估,也是證明了雙3D的CNN,它的效果是最好的。
第一篇的研究就是對心肌瘢痕進行一個定量評估,它是利用3D深度卷積神經(jīng)網(wǎng)絡(luò)對肥厚型心肌病進行評估,主要是計算它的瘢痕體積,還有瘢痕體積的百分比,應(yīng)該說人工智能分割與手動勾畫的一致性很好。
我們看看它的結(jié)果,如左上圖,體積、百分比還有人工智能和手動勾畫的r值都在0.9以上。右圖,上面一排是手動勾畫,第二排是人工智能分割,第三個就是手動的人工智能勾畫纖維瘢痕的面積一致性比較高。
此外,另一個研究是人工智能對心肌梗死進行的一個評估,它對非增強的電影圖像進行評估,常常診斷心肌梗死不管是急病還是慢病都需要延遲增強,這個研究對不增強的電影圖像進行心肌梗死的診斷,那意義還是很大的。
根據(jù)它的結(jié)果顯示有良好的診斷效率,它的敏感度和特異度都是非常高的,在0.9以上。
看看它的過程,第一我們要定位左心室,第二對運動特征的提取。
一共分為三步,第一步是局部運動的特征,第二步是整體運動的特征,第三步就是把局部和整體運動的特征,經(jīng)過疊加的自動編碼進行分類診斷,哪些是正常,哪些是延遲強化的。
我們看一下結(jié)果(如上圖),第一列是電影非增強的,第二列是延遲增強,我們可以看到每一例都有延遲強化心肌梗死,第三列是人工智能勾畫的梗死和延遲增強,手動勾畫梗死的疊加,第四列是提取心肌梗死的區(qū)域,第五列是對心肌梗死的范圍和透壁性的量化。
總體來講,診斷效能比較高,診斷慢性心肌梗死的效能達到了0.87以上,應(yīng)該是相當不錯的。
我們可以看到,人工智能和手動勾畫的一致性還是不錯的。另外,他給了兩個病例,第一個人工智能和手動勾畫的面積非常吻合,第二個稍微差一點。
如圖,這篇文章就是對于對比增強,是人工智能虛擬原生增強技術(shù)替代釓延遲增強的研究,主要是利用增強前T1 map圖和心臟電影圖像的信號,通過VNE技術(shù)生成與延遲增強的圖像來進行對比,看看它的一致性怎么樣。
結(jié)果可以看出,人工智能的非對比增強虛擬圖像與延遲圖像的一致性很好,尤其非對比增強圖像質(zhì)量比對比增強的圖像更好。
我們看看它的過程,它的過程主要有三個序列圖像組成,第一個是電影,第二個是黑血,第三個是增強前的T1-mapping,然后把它編碼,融合生成一個區(qū)域的增強圖像,只要大約15分鐘即可獲得,如果我們沒有這個技術(shù)要進行延遲增強,還需要30分鐘的時間來進行操作。
如圖,最后一個延遲圖像,有四位觀看者來進行評價和打分,黃色的是延遲增強,綠色的是非延遲增強人工智能,四位觀看者把非對比增強打分高一些,它的平均分數(shù)也高,另外一個延遲增強圖像比較差,或者完全不能進行診斷的,通過非增強的人工智能方法可以提高圖像質(zhì)量。
如圖,我們可以看到這些病例。
第一列是正常的對照組, B到G是不同的心臟疾病。第一排是彩圖,第二排是非對比增強人工智能的虛擬圖像。第三個是真正的延遲增強圖像。下面分別是增強與非增強的彩圖,一致性還是非常好的。
總結(jié)
綜合上述的內(nèi)容,我們可以發(fā)現(xiàn),AI在心臟磁共振成像中具有不錯的應(yīng)用前景。
第一點,AI在心臟磁共振成像的價值貫穿檢查的流程、圖像重建、質(zhì)控、分割、多參數(shù)分析、診斷等,總體來說是快、準、重復性好。
與此同時,AI在心臟磁共振成像應(yīng)用處于初步的階段,還需要多中心大量的研究。
我的演講結(jié)束了,謝謝大家。
雷峰網(wǎng)原創(chuàng)文章,未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。