面向自包含心脏磁共振弹性成像：基于深度学习的左心室心肌分割

《Magnetic Resonance Imaging》：Toward self-contained cardiac magnetic resonance elastography: Deep learning-based segmentation of the left ventricular myocardium

　　

摘要

背景：心脏磁共振弹性成像（cardiac MRE）是一种新兴的无创评估左心室（LV）心肌硬度的成像技术。准确的左心室心肌勾画对于MRE分析至关重要，然而当前的工作流程往往依赖手动标注和额外的结构MRI。目前尚不确定仅凭原生心脏MRE数据是否足以实现可靠的自动化LV分割。目的：评估深度学习方法在心脏MRE数据上进行左心室心肌分割的性能，并评估输入表示和自动化策略对分割性能的影响。方法：研究人员使用16名健康男性志愿者的心脏MRE数据训练并评估了两个当代分割框架，即nnU-Net v2和MedSAM。Reader 1使用MRE幅度图像标注了完整数据集，Reader 2独立标注了测试集，从而使模型性能能够以读者间一致性为基准进行衡量。nnU-Net使用多种输入表示和训练策略进行训练。MedSAM在零样本、半自动、微调、自动提示和框回归配置下进行了评估。结果：读者间Dice一致性为0.79±0.03。最佳的nnU-Net模型在完全平均的归一化幅度图像上训练，达到了0.82±0.04的Dice评分。使用幅度加相位和实部加虚部输入时性能较低，Dice评分分别为0.65±0.21和0.60±0.20，并且使用未归一化的幅度输入时性能也下降，Dice评分为0.75±0.05。MedSAM的最佳结果是在使用强ROI平滑的半自动微调变体中获得的，Dice评分为0.82±0.02。完全自动化的MedSAM变体表现较差，自动提示和框回归的Dice评分分别为0.68±0.09和0.71±0.08。结论：仅凭心脏MRE数据即可实现准确的左心室心肌分割，nnU-Net和MedSAM均达到了读者间水平的性能。这些发现支持直接从原生心脏MRE中进行左心室心肌分割，并代表了迈向自包含心脏MRE工作流程的一步。

心脏磁共振弹性成像（cardiac MRE）作为一种新兴的无创定量成像技术，通过将组织运动编码到磁共振信号中，能够提供心肌硬度及相关生物力学行为的信息，弥补了传统心脏MRI在力学特性表征方面的不足。由于心肌力学特性的改变与心血管疾病密切相关，该技术正受到越来越多的关注。然而，准确勾画左心室（LV）心肌区域是心脏MRE分析流程中的关键步骤，这直接关系到后续力学分析是否局限于感兴趣组织以及能否从心室壁中提取有意义的硬度相关测量值。实践中这一任务面临严峻挑战，因为心脏MRE图像通常比标准结构心脏MRI具有更低的空间分辨率、更低的信噪比以及更不明显的解剖边界，导致心肌分割往往依赖手动勾画或额外结构成像辅助，这不仅费时费力、存在观察者间差异，还增加了工作流程复杂度并可能引入图像配准相关的不确定性。这些局限性降低了心脏MRE的实用性，阻碍了流水线化和可复现的后处理流程的发展。深度学习已成为医学图像分割的主流策略，在包括心脏MRI在内的众多应用中展现了强劲性能，但在心脏MRE这一特殊场景中，心肌勾画需同时应对心脏运动、呼吸效应、波动相关信号变化和有限的解剖可见性等多重挑战。因此，研究人员提出了能否直接从原生心脏MRE数据中分割左心室心肌这一核心问题，旨在攻克心脏MRE工作流程中的关键瓶颈，减少对人工处理或额外成像的依赖。该研究的主要目标是评估基于深度学习的自动化左心室心肌分割方法直接应用于心脏MRE图像的效果，以推动心脏MRE向更实用、更自包含的定量成像工作流程迈进。

研究人员开展了一项前瞻性研究，招募了16名无心血管疾病史的健康男性志愿者，在3T MRI扫描仪上采用两种相关采集协议获取心脏MRE数据，包括幅度图像和编码剪切波运动的相位图像，并据此推导出复数磁共振信号的实部和虚部分量。数据集按受试者级别随机分为训练集（9名受试者，23个数据集）、验证集（3名受试者，8个数据集）和测试集（4名受试者，10个数据集）。两名具有不同心脏MRE经验水平的研究人员独立对左心室心肌感兴趣区（ROI）进行标注，其中Reader 1标注完整数据集用于模型训练和验证，Reader 2仅独立标注测试集作为独立参考标准。研究评估了两类互补的分割框架：nnU-Net v2作为自配置的全监督分割基线模型，MedSAM作为基于提示的基础模型方法。对于nnU-Net，研究人员比较了多种输入表示（幅度、幅度+相位、实部+虚部）和训练策略（直接训练、组件级训练、迁移学习分阶段训练）；对于MedSAM，研究人员评估了零样本、自动提示、微调、自动提示和框回归等多种配置。分割性能采用Dice系数、灵敏度、精确率、95%豪斯多夫距离（HD95）和平均表面距离（ASD）进行量化，并以读者间一致性作为人类基准进行对比。

研究结果部分的核心发现如下：

1. 读者间一致性：两名独立读者对左心室心肌掩膜的标注展示了良好的一致性，Dice评分为0.79±0.03，这一指标被用作评估AI方法的人类参考基准。

2. nnU-Net最佳配置：在完全平均的归一化幅度图像上训练的nnU-Net模型达到了0.82±0.04的Dice评分，超越了读者间基准。幅度加相位输入（Dice 0.65±0.21）和实部加虚部输入（Dice 0.60±0.20）的表现显著较差（均为p=0.002），表明幅度图像是左心室心肌分割最有效的输入表示。未归一化的幅度图像也将Dice评分降至0.75±0.05（p<0.001），说明显式归一化对分割质量有重要贡献。

3. 组件级训练策略未带来收益：在先前传统CNN架构中有效的基于组件的训练策略未能在nnU-Net中复现其优势，所有组件暴露或分阶段变体的Dice评分（0.63-0.77）均低于直接训练模型，表明针对一个架构家族开发的数据策略不能假定可迁移至另一架构。

4. MedSAM性能与自动化程度的关系：零样本MedSAM（使用从真实标签生成的提示框）表现不佳，Dice评分仅0.26-0.37。微调后的MedSAM模型显著提升，其中使用最强ROI平滑训练100轮次的模型取得了0.82±0.02的最佳Dice评分，超越了读者间基准，但该模型仍属半自动化，需要从真实标签生成提示框。完全自动化的MedSAM变体表现较差，自动提示模型和框回归模型的Dice评分分别为0.68±0.09和0.71±0.08，反映了完全自动化与分割精度之间的权衡。

5. nnU-Net与MedSAM的比较：最佳nnU-Net配置与最佳MedSAM配置在所有指标上表现相当（均为p>0.05），均达到或超过读者间基准，表明对于心脏MRE数据上的左心室心肌分割任务，具体建模范式的重要性不及确保适当的输入表示和参考标准。

讨论部分指出，幅度图像之所以是最有效的输入表示，既与参考标准基于幅度图像勾画有关，也具有物理层面的解释：MRE相位图像编码的波位移场随激励频率、运动编码方向和呼吸状态而变化，引入了机械上有意义但几何上不稳定的信号变异性，而实部和虚部在继承该变异性的同时还混淆了幅度对比与相位编码位移。研究还发现，尽管nnU-Net内部预处理包含标准强度归一化，但在此之前进行显式归一化仍能显著提升性能，可能原因在于减少了采集间强度尺度变异。对于MedSAM，零样本表现不佳说明其通用预训练无法很好地迁移到原生MRE图像上心肌这种环形、低对比解剖结构，而较激进的ROI掩膜平滑可减少最近邻插值引入的伪影，产生更具解剖一致性的训练目标。值得注意的是，单轮微调与完整训练计划的结果相似，提示MedSAM的预训练表示只需最小限度的任务特定适配即可获得强劲性能，主要性能瓶颈在于提示质量而非微调时长。局限性方面，测试集规模较小、研究人群仅限于健康男性志愿者、完全自动化MedSAM变体的提示生成组件性能特征未充分表征等因素应在结果解读时加以考虑。

研究结论明确表明，使用当代分割框架可直接从原生心脏MRE数据中实现与人类读者间一致性相当水平的左心室心肌分割。最佳的全自动nnU-Net模型（在完全平均的归一化幅度图像上训练）和最佳的半自动MedSAM模型（使用强ROI平滑进行微调）均达到了匹配或超越读者间基准的分割性能。幅度图像是最有效的输入表示，而先前改进传统CNN性能的组件级训练策略未能为nnU-Net带来提升。MedSAM的性能高度依赖于自动化程度，完全自动化的提示生成以一定精度换取了对人工或真实标签输入依赖的消除。这些发现支持使用当代分割框架直接从心脏MRE数据中进行原生左心室心肌分割的可行性，代表了迈向更高效、可复现和自包含的心脏MRE后处理工作流程的一步。该研究发表在《Magnetic Resonance Imaging》期刊上。未来工作应扩展至更大更多样化的人群（包括两性和心脏病理患者），检查各心脏相位的性能，并评估此类自动化分割是否能改善下游心肌硬度量化的可重复性和实用价值。该研究受德国研究基金会（GRK2260 BIOQIC）和热舒夫大学（NIG/45/2022）资助。