《Artificial Intelligence in Medicine》：Artificial intelligence in 4D flow MRI: Review of technological aspects and clinical applications
编辑推荐：
4D流动MRI通过深度学习技术优化数据重建、血管分割及血流动力学分析，解决扫描时间长、分辨率低和用户依赖性强等临床应用难题，但存在数据不足和模型泛化能力差等问题。
Jiwon Poong|Gyu-Han Lee|Hyungkyu Huh|Dong Hyun Yang|Hojin Ha
韩国江原国立大学智能健康科学与技术系，韩国春川市Kangwondaehak-gil 1号，24341
摘要
背景
四维（4D）血流磁共振成像（MRI）已成为一种先进的无创成像技术，能够全面评估心血管系统的血流情况。4D血流MRI提供的血流动力学数据包括壁面剪切应力（WSS）、湍流动能（TKE）和粘性能量损失等关键生物标志物，这些数据有助于心血管疾病的分析。然而，其临床应用受到扫描时间较长和时空分辨率有限等挑战的限制。虽然已经开发出一些算法来自动化重建稀疏数据并进行图像分割以实现血流动力学量化，但这些方法通常耗时较长，并且需要用户具备专业知识才能进行准确的后期处理。为了解决这些问题，引入了人工智能（AI），特别是深度学习（DL）技术。DL模型通过将稀疏采样数据重建为完全采样的数据集、结合计算流体动力学（CFD）与4D血流MRI数据来提高图像分辨率，以及通过降噪来改善数据质量，从而显示出巨大的潜力。此外，还开发了自动化分割技术以减少用户干预，使得分析更加一致和高效。许多研究人员正在使用有限的数据集开展基于DL的4D血流MRI研究。然而，由于缺乏系统性的方法论，目前难以确定合适的研究方法。本文旨在全面回顾基于4D血流MRI的最新AI应用，帮助研究人员更有效地获取和评估现有研究成果。
结论
本综述探讨了将AI与4D血流MRI结合的最新研究，涵盖了从数据采集到后期处理的整个过程，并强调了开发新型AI技术以提高临床适用性的必要性。此外，本文认为这可以为开发完全自动化的基于AI的方法奠定基础。
引言
四维（4D）血流磁共振成像（MRI）能够无创地获取时间分辨的血流数据，从而实现对生理机制的全面血流动力学评估。量化净流量和峰值速度以及可视化血流方向对于精确诊断至关重要。这些技术有助于诊断各种心血管疾病，包括瓣膜狭窄[1,2]、主动脉缩窄（CoA）[3]、反流[4, [5, [6]]、血栓形成[7,8]和动脉瘤[9]。此外，这些信息在心血管研究中也非常有价值，可以为动能[10]、粘性能量损失[11,12]、湍流动能（TKE）[13, [14, [15]]和壁面剪切应力（WSS）[16,17]等生物标志物提供关键见解。
然而，由于采集时间较长、时空分辨率有限以及复杂的后期处理工作流程，4D血流MRI的临床应用仍然受到限制。特别是依赖用户的血管分割操作降低了分析的可重复性和一致性，严重影响了诊断的准确性和临床适用性[18, [19], [20]]。
为了解决这些问题，基于深度学习（DL）的技术最近受到了关注。DL能够自动学习复杂的时空特征，从而简化去噪、加速重建和自动化血管分割等关键流程，最终提高4D血流MRI的实用性和准确性。与传统滤波和数值方法不同，DL能够实现自动边界识别和基于特征的推断，同时保持定量分析的高可靠性[21, [22], [23]]。
尽管具有这些优势，但由于4D血流MRI在临床应用中尚未普及，主要用于研究目的，因此基于DL的4D血流MRI的应用仍面临挑战。因此，获取足够的数据以进行高效的人工智能（AI）学习非常耗时，且每个研究团队的数据量有限。因此，不同扫描仪制造商、序列、感兴趣区域（ROI）和临床场所之间的差异可能导致DL模型性能的不一致性，需要重新训练和调整超参数以保持准确性和可靠性。这些挑战突显了进一步研究以解决将基于AI的方法整合到常规临床实践中的问题的必要性。
之前发布的4D血流心血管磁共振（CMR）共识声明[20,24]中概述了4D血流MRI数据的分析工作流程。本综述在此基础上扩展了该流程，并介绍了基于DL的4D血流MRI方法（见图1）。此外，我们展示了代表性的基于AI的4D血流MRI方法，并强调了建立技术可靠且在多种临床环境中广泛适用的人工智能策略的重要性。（见表1、表2、表3、表4、表5。）
部分内容摘录
搜索方法
尽管基于AI的心脏MRI研究发展迅速，但与血流相关的CMR技术仍然有限，仅占所有CMR相关出版物的4.8%[25]。这表明在AI应用于血流动力学分析方面存在显著差距。为了解决这一差距，我们进行了针对性的文献搜索，以捕捉基于AI的4D血流MRI的最新进展。我们在Google Scholar上使用“4D flow MRI”、“4D MRI”等关键词进行了全面搜索。
4D血流MRI分析中的非AI传统方法
已经开发了多种基于物理和数值方法的4D血流MRI处理技术。4D血流MRI的一个根本限制是获取时间分辨的3D速度数据所需的时间较长。为了解决这个问题，采用了灵敏度编码（SENSE）和广义自校准部分并行采集（GRAPPA）等并行成像技术，利用线圈灵敏度图来缩短采集时间[26, [27], [28]]。临床应用中的未解决的问题
基于4D血流MRI的DL在心血管图像分析中表现出高准确性和效率，显示出作为临床诊断辅助工具的巨大潜力。然而，在实际临床应用中仍存在一些限制。4D血流MRI本身需要较长的扫描时间，并且时空分辨率有限，导致后期处理复杂且耗时。虽然基于AI的方法为解决这些挑战提供了潜在的解决方案，但模型往往仍存在不足。结论
本综述强调了DL在解决4D血流MRI局限性方面的关键作用，如长扫描时间、有限的时空分辨率以及耗时的后期处理需求。基于AI的方法在改善图像重建和分割方面显示出巨大潜力，这对于提高心血管诊断的准确性和效率至关重要。
超分辨率重建和后期处理任务自动化等方面的进展
CRediT作者贡献声明
Jiwon Poong：撰写——审稿与编辑、撰写——初稿、方法论、概念构建。Gyu-Han Lee：撰写——审稿与编辑、撰写——初稿、方法论、概念构建。Hyungkyu Huh：撰写——审稿与编辑、方法论。Dong Hyun Yang：撰写——审稿与编辑、概念构建。Hojin Ha：撰写——审稿与编辑、撰写——初稿、方法论、概念构建。
资助
本研究得到了韩国政府（MSIT）资助的韩国国家研究基金会（NRF）（RS-2023-00218630、RS-2024-00336999）以及教育部资助的韩国国家研究基金会（NRF）基础科学研究计划（2021R111A30403461322182102130103、RS-2023-00270614）的支持。
