第19章：人工智能与 MR 系统的集成（Artificial Intelligence Integration into the Magnetic Resonance System）

Scan Speed（扫描速度）

源文开篇即点出心脏磁共振（CMR）在测量心肌容积与功能上被视为"金标准"，适应症涵盖先天性心脏病、心力衰竭、肺动脉高压与冠心病等多个领域。常规的电影（cine）成像基于心电门控的二维平衡稳态自由进动（bSSFP）序列，时间分辨率优于 45 ms、空间分辨率优于 2 mm；典型的 2D 电影成像需要 10–15 次屏气（每次约 10–15 s）才能完成短轴位上覆盖左室的全部 10–15 层。这些重复的屏气对相当比例的患者是负担，且若屏气不一致，将导致层面错位，从而引起左室容积与功能评估的偏差。

源文回顾了为缩短总扫描时间所做的几代探索。早期的策略是降低空间分辨率、减少层数或降低时间分辨率，但以临床诊断价值为代价。Roifman 等人（参考文献 [19]）提出一种自由呼吸的加速螺旋 k 空间读出轨迹，与传统的屏气笛卡尔读出相比，能显著缩短扫描时间，并对左室功能的常规测量指标表现相当。

在常规临床扫描中，得益于多通道阵列接收线圈，并行成像技术（如 SENSE、GRAPPA、ARC、SPIRiT）可将采集时间加速 2–3 倍。电影图像天然具有时间相关性这一特点已被多种加速算法所利用——k-t SENSE、k-t BLAST、k-t GRAPPA、k-t ARC 等，目标是尽量减少屏气次数。进一步的加速来自压缩感知（CS）方法，CS 利用图像稀疏性并采用亚奈奎斯特-香农方式对 k 空间进行欠采样，可实现单次屏气或自由呼吸采集；CS 重建算法需在求解带正则项的逆问题时仔细平衡先验假设以避免过度正则化。

最近，基于深度学习的方案被开发出来以缓解 CS 方案的若干局限。Schlemper 等人开发了一套用于高度欠采样电影笛卡尔采集的卷积神经网络（CNN）重建流水线 [24]：用 10 套完整采样的 bSSFP 数据集（经数据增广）训练，目标是重建高度欠采样的 2D 电影图像；验证结果表明其优于其他 CS 方法，但未在含病理的数据集上验证。Hauptmann 等人 [25] 训练一个 U-Net（多尺度 CNN）来去除 13 倍加速电影图像中的混叠伪影，训练用 250 套高质量完整采样 bSSFP 笛卡尔电影数据集，在健康志愿者与患者上与常规 CS 方法对比，结果显示该方案可在自由呼吸下获得更高加速且无伪影的图像，重建时间缩短，与临床标准技术相比心室容积计算一致。

但与其他深度学习应用相比，获取大规模训练数据库是该领域的一大挑战。Sandino 等人 [18] 提出新方法 DL-ESPIRiT 以应对这一限制：不同于传统的端到端学习，他们将基于 CNN 的重建与基于模型的传统重建相结合，交替地用 CNN 与 ESPIRiT 灵敏度模型更新图像；该算法被证明比常规 CS 算法（l1-ESPIRiT）更优，可实现 12 倍加速且无图像质量下降，从而能在一次心跳内于自由呼吸下完成单层 2D 电影成像。Sandino 等人 [18] 还把 CNN 中三维 (x, y, t) 卷积分解为二维 (x, y) 与一维 (t) 卷积算子，进一步提升重建图像质量与左室射血分数（LVEF）量化精度，并加快重建模型收敛。Chen 等人 [26] 提出了更快的残差卷积循环神经网络（Res-CNN）用于 2D 电影图像并结合 ESPIRiT 线圈灵敏度模型：在 12 倍加速电影数据上，重建结果在噪声、伪影与运动表现上比 L1-ESPIRiT 获得更高的专家评分，仅在锐度上略低。文中给出一个使用 DL-ESPIRiT 的代表性病例（图 19.3）。

Küstner 等人开发了名为 CINENet [17] 的四维深度学习重建算法用于高度欠采样的 3D 笛卡尔电影数据；其流水线在 15 s 内实现单次屏气的 3D 电影成像，覆盖左室、各向同性 1.9 mm³，其中采集时间不足 10 s、重建时间 5 s。CINENet 用 6500 套回顾性欠采样的 3D 电影数据集训练，基于级联的 3D 空间与 1D 时间卷积架构以利用时空冗余；与 2D 电影临床金标准采集和 CS 采集相比，图像质量优于 CS，但因 3D slab 常见的心池饱和效应，与 2D 电影相比对比度下降；不过 LV 功能定量结果与定性图像评估在常规 2D 电影与 CINENet 之间是可比的。

除电影成像的显著加速外，Nath 等人将深度学习重建技术应用于高度欠采样的相位对比成像：重建时间改善、流速测量更接近参考值，表明深度 CNN 不仅能高质量重建幅值图像，也能重建相位信息，从而支持 4D flow 技术的加速 [27]。

Future Perspective（未来展望）

源文总结指出，AI 在 CMR 中的应用，如前节所述，在图像处方（prescription）、采集与重建三方面都发挥关键作用；多家厂商已调整其 MR 系统，以缩短图像采集时间并提高图像质量。展望未来，自动化的进一步提升、加速与易用性预计将在近期内陆续实现。

References

（参考文献列表略；详见原书 Chapter 19 参考文献 [1]–[27]。）

本章个人批注

本章与上一章 ch18 在结构上完美镜像：ch18 围绕 CT 主机的"扫描+重建+分析"全链条自动化，本章则集中讲 CMR 的电影与相位对比加速。两条主线同属"以主机（scanner）为中心"的 AI 集成范式——把放射技师或影像科学家过去在工作站上做的事塞进磁体旁的计算机里。

本章几条值得记住的工程细节：（1）DL-ESPIRiT 不是端到端黑箱，而是 CNN 与传统 ESPIRiT 模型-based 重建的"交替迭代"——这是深度学习与传统重建结合的一种通用范式，可推广到很多图像重建问题。（2）CINENet 把 3D 时空卷积拆成 3D 空间 + 1D 时间，是处理"高维数据 + 小样本"时常见的维度分解技巧；其在 15 s 内完成 3D 电影+覆盖左室，临床意义是单次屏气内可获得完整心室形态+功能评估。（3）相位对比成像（4D flow）也可用深度学习加速——这意味着除电影之外的血流定量也将更快、更易获得。

源文反复出现的一个未明说的限制：训练深度学习重建网络需要"完整采样"（fully sampled）参考数据，而在体内几乎不可能获得——所有方法都用回顾性欠采样（retrospective undersampling）数据作为训练对。这意味着金标准本身就含有"已欠采样"的偏差；这一假设对所有 k 空间加速 AI 方法都成立，应在评估重建结果时保持审慎。

另外，文中多次提到"在患者上"vs"在健康志愿者上"的对比，跨患者/病理学验证仍偏少——这是大多数 MR 加速 AI 方法共同的局限。值得跟踪的是：当加速倍数提至 12× 时，专家评分在锐度上反而劣于 CS——这提示深度学习方法并非在所有评估维度上全面胜过传统方法。

与上下章的衔接（一段话）

本章（ch19）与前两章（ch17 剂量优化、ch18 CT 系统集成）一起构成书中 Part II 末段"AI 在成像系统中的集成"三联章：ch17 讲"如何用更少辐射做完 CT"，ch18 讲"AI 嵌入 CT 主机后的全链条工作流"，本章讲"AI 嵌入 MR 主机后的电影与 4D flow 加速"。从 ch17/18 的 CT 域到本章的 MR 域，焦点从"剂量"和"采集协议个性化"转向"采集速度"与"重建质量"——这反映了 CMR 临床推广的最大瓶颈是扫描时间长、患者屏气负担重，而 CT 的瓶颈更多在剂量与对比剂。下一章 ch20（MR Fingerprinting）将顺着本章的"加速"主题继续深入，从"如何更快得到传统 T1/T2 电影/相位图"转向"如何同时得到多种定量参数图"，从而与本章的重建加速主题形成衔接。