基于可变形配准场的心脏运动估计的心肌梗死检测框架

《International Journal of Computer Assisted Radiology and Surgery》：Myocardial infarction detection framework using cardiac motion estimation with deformable registration field

　　

目的： 心血管疾病是全球范围内的主要致死原因。其中，以心肌运动异常为特征的心肌梗死（myocardial infarction，MI）仍是亟待检测的关键疾病。准确诊断MI需要进行详细的运动分析；然而，基于运动的评估耗时且给医生带来沉重负担。此外，既往多数研究依赖局部运动描述符或有限的形态特征，导致检测性能欠佳。 方法： 为克服上述局限，研究人员提出一种深度学习框架，称为MambaMorph–运动梗死检测器（MambaMorph–Motion Infarction Detector，MMMID），用于从心脏CT图像中检测心肌梗死。该流程整合了语义分割、基于MambaMorph的序列可变形配准以及基于DenseNet的分类模块，以有效利用心动周期中丰富的时空心肌运动信息。 结果： 所提出的方法能够通过将时间分辨的运动场与相应的CT体数据相关联，实现对与解剖结构对齐的心肌运动的准确追踪。MMMID在院内心脏CT数据集上取得了91.92%的准确率和0.9335的AUC。与仅使用CT的配置相比，序列运动场的整合提高了召回率，表明运动信息为心肌梗死检测提供了互补的诊断线索，而非替代解剖CT信息。 结论： 所提出的框架通过联合利用心脏解剖结构和估计的心肌运动实现心肌梗死检测。尽管CT表观仍然是强判别性信息来源，但序列运动场贡献了互补的功能信息，特别是在提高梗死病例的敏感性方面。MMMID可作为自动化心脏CT分析的支持工具，并有助于减轻临床工作流程中基于运动的评估负担。

论文解读

一、研究背景与问题

心血管疾病是全球范围内导致死亡的首要原因，其中以心肌运动异常为特征的心肌梗死（myocardial infarction，MI）是临床亟需准确检测的关键疾病。准确诊断MI需要对心肌运动进行详细分析，然而基于运动的评估耗时费力，给临床医生带来沉重负担。目前可用于MI检测的影像手段包括超声心动图、计算机断层扫描（computed tomography，CT）和磁共振成像（magnetic resonance imaging，MRI）等。超声心动图虽可实现低成本动态心脏图像采集，但其空间分辨率有限且易受噪声干扰，难以进行精细运动分析。既往基于4D心脏CT的研究多聚焦于局部室壁缩短等有限形态特征，未能充分捕捉心动周期中心肌运动的复杂时空特性，导致梗死相关异常运动模式无法被充分表征。因此，亟需一种能够精细捕捉心肌运动动态同时保留解剖上下文的系统，以辅助心肌梗死的临床诊断。

二、研究内容与结论

针对上述问题，研究人员提出了一种名为MambaMorph–运动梗死检测器（MambaMorph–Motion Infarction Detector，MMMID）的深度学习框架，用于从心脏CT图像中检测心肌梗死。该框架通过联合利用心脏解剖结构和估计的心肌运动信息实现MI检测。研究结果表明，MMMID在院内心脏CT数据集上取得了91.92%的准确率和0.9335的AUC，优于基于LVSnake和影像组学（radiomics）的传统机器学习基线方法。消融实验进一步表明，序列运动场（SeqMotion）的引入相比仅使用单一整体运动场（Motion）使分类准确率提升了2.9%，且与仅使用CT的配置相比，序列运动场将召回率从71.47%提升至77.65%，表明运动信息提供了互补的功能性诊断线索，特别是在提高梗死病例的敏感性方面。该研究的重要意义在于，所提出的框架不仅能够实现心肌梗死的准确检测，还能通过可视化与诊断相关的运动模式和区域增强模型的可解释性，有望减轻临床医生在心脏CT分析中的诊断负担。

三、关键技术方法

研究人员构建了由三个相互关联模块组成的MMMID框架。首先，语义分割模块采用基于ModelsGenesis预训练权重初始化的3D U-Net架构，用于从心脏CT图像中提取左心室、右心室和左心室心肌等解剖结构。其次，可变形配准模块采用MambaMorph模型估计心脏各相位间的运动场，该模型基于状态空间模型（state-space model，SSM）架构，能够以线性计算复杂度建模长程序列依赖，通过Dice损失和光滑性正则化进行弱监督训练。最后，心肌梗死检测模块采用基于MONAI实现的3D DenseNet-121架构，以原始CT体数据和序列运动场作为输入进行二分类。分类数据集包含266例正常病例和81例心肌梗死病例，数据收集时间为2022年1月4日至2022年12月27日，来自合作医院的院内临床数据集。

四、研究结果

心肌梗死分类结果： 研究人员采用分层五折交叉验证评估分类性能，结果显示MMMID在准确率和召回率方面均优于基于特征的传统机器学习方法，其AUC与影像组学方法无统计学显著差异（p=0.77）。定性分析显示，成功检测的病例在左心室中央区域和心内膜边界处观察到收缩中期运动减弱，而失败病例则因梗死定位于下壁这一在当前CT切片输入配置下难以评估的区域而出现误判。

消融研究： 研究人员系统评估了各输入模态的贡献。序列运动场（SeqMotion）配置在多项指标上持续优于单一整体运动场（Motion）配置，准确率提升2.9%。CT+SeqMotion与仅CT配置的AUC差异无统计学显著性（p=0.41），但CT+SeqMotion的AUC显著高于仅SeqMotion配置（p<0.001）。当同时使用原始CT切片和序列运动场时取得最高分类准确率，表明空间与时间特征的协同整合对识别心肌梗死相关细微病理变化尤为有效。

可变形配准结果： 研究人员通过将估计的运动场应用于分割掩膜的形变并与目标相位金标准掩膜比较来计算Dice相似系数。结果显示MambaMorph在左心室（LV）、右心室（RV）和左心室心肌（MyoLV）各解剖区域及各心脏相位上普遍取得高于VoxelMorph的Dice分数，验证了MambaMorph配准模块在心脏运动估计中的优越性。

五、讨论与结论

讨论部分指出，CT体数据本身为MI检测提供了强判别性信息，而序列运动场的加入虽未显著提升AUC，但持续改善了召回率，表明运动信息在提高梗死病例敏感性方面发挥互补作用而非替代作用。仅使用序列运动场的配置性能较低，可能源于梗死相关异常不仅体现在心肌运动中，也体现在CT图像可见的结构改变中，同时配准误差和分割不精确也会影响运动场质量。研究局限性包括单中心数据集缺乏外部验证、类别不平衡、与TransMorph等其他配准架构的系统比较不足、对分割和配准质量的依赖以及缺乏区域级梗死定位能力。

研究结论表明，MMMID通过将可变形配准整合到统一神经网络架构中，无需显式运动标注即可实现训练和推理。实验结果证明该方法在心肌梗死检测中优于传统机器学习方法，心肌运动的精细时间序列分析对准确检测MI至关重要。该框架有望通过突出与诊断最相关的运动模式和区域支持临床决策，从而减轻医生的诊断负担。未来工作将聚焦于多中心外部验证、与替代配准和分类模型的系统比较、CT体数据与运动场融合策略的改进，以及区域梗死定位和分割的研究。