两种心脏深度学习电影磁共振成像序列的临床可行性：单次屏气法和自由呼吸运动校正法

《Journal of Cardiovascular Magnetic Resonance》：Clinical Feasibility of two Cardiac Deep Learning Cine MRI Sequences: Single-Breath-Hold and Free-Breathing Motion-Corrected Approaches

心脏MRI电影序列的深度学习加速研究显示，单次呼吸暂停（single-BH）和自由呼吸运动校正（FB-MOCO）的深度学习（DL）序列可分别将总扫描时间缩短73%和62%，同时保持左心室射血分数、容积等关键功能参数与常规分段呼吸暂停序列无显著差异。深度学习重建网络（Res-CRNN）通过时空总变差优化和双流门控循环神经网络架构，有效抑制了噪声放大伪影，提升了三维心室容积网格评分（p<0.001）。尽管边缘锐度和心肌血池信号比（BMC）略有下降，但所有序列均达到临床诊断标准（IQ≥3）。Bland-Altman分析表明，各功能参数的95%一致性区间较窄，说明DL序列具有良好的重复性和临床适用性。

　　这项研究探讨了利用深度学习（DL）技术加速心脏电影成像的临床可行性。心脏磁共振成像（CMR）作为评估心脏疾病的重要非侵入性工具，其电影序列在量化心室容积和功能方面具有不可替代的作用。然而，传统的心脏电影成像方法存在扫描时间长和需要多次呼吸屏气（BH）的问题，这不仅给患者带来不便，还可能影响图像质量和诊断准确性。因此，开发能够减少扫描时间并保持图像质量的快速成像技术显得尤为重要。

研究中采用了两种基于深度学习的加速电影序列：单次呼吸屏气深度学习电影（single-BH DL cine）和自由呼吸运动校正深度学习电影（FB-MOCO DL cine）。这两种方法通过减少k空间数据采集量并利用深度学习算法进行图像重建，从而显著缩短了扫描时间。与传统的分段电影序列相比，单次呼吸屏气深度学习电影将总扫描时间从239.70秒减少至63.55秒，减少了73%；而自由呼吸运动校正深度学习电影将总扫描时间从239.70秒减少至90.65秒，减少了62%。这表明，DL加速的电影序列能够在保持图像质量的同时，显著提高扫描效率。

尽管两种DL加速电影序列在总体图像质量上与传统分段电影序列没有显著差异，但它们在某些方面存在不足。例如，单次呼吸屏气深度学习电影和自由呼吸运动校正深度学习电影的边缘清晰度和血池心肌信号比（BMC）略低于传统分段电影序列，这可能会影响对心室边界的准确描绘。此外，心室应变参数的测量结果也显示，DL加速电影序列的应变值低于传统分段电影序列。这些结果表明，虽然DL技术在减少扫描时间方面表现出色，但在某些细节的捕捉上仍存在局限。

研究还评估了两种DL电影序列与传统分段电影序列之间的相关性和一致性。结果显示，所有测量参数在两种DL序列与传统分段序列之间均表现出强相关性（相关系数r≥0.80），并且Bland-Altman分析显示两者之间的差异较小，表明DL加速的电影序列能够提供与传统方法相媲美的功能测量结果。此外，研究还对心室功能参数进行了分类，结果显示，两种DL序列在对心室功能障碍的分级上与传统方法相比，仅有少数患者被误分类，说明DL方法在临床应用中具有较高的可靠性。

在讨论部分，研究指出尽管传统分段电影序列仍是临床参考标准，但其对多次呼吸屏气的依赖可能给部分患者带来挑战，特别是那些呼吸功能受损的患者。因此，开发无需多次呼吸屏气的快速成像技术具有重要的临床价值。当前的AI加速技术，如基于深度学习的电影序列，不仅能够缩短扫描时间，还能通过自动重建和优化图像质量提高诊断效率。

然而，研究也指出，基于深度学习的加速电影序列并非没有局限性。高加速因子可能导致图像采样频率降低，从而影响心肌边界清晰度和血池-心肌对比度。此外，图像边缘的细节信息可能丢失，进而影响应变分析的准确性。这些局限性在后续的研究中需要进一步解决，以提高DL加速电影序列在临床应用中的可靠性。

总体而言，这项研究为心脏磁共振成像提供了新的解决方案，通过深度学习技术实现了快速、高效的扫描过程，同时保持了较高的图像质量和功能测量准确性。这些成果对于改善患者体验、提高诊断效率具有重要意义，尤其是在那些难以维持多次呼吸屏气的患者群体中。未来的研究需要进一步扩大样本量，包括更多中心和不同年龄段的患者，以验证DL加速电影序列的广泛适用性和临床价值。此外，还需要进一步优化算法，以减少图像边缘的模糊和提高心肌边界的清晰度，从而提升整体的诊断效果。