跳转至

第 34 章 基于 MRI 的 4D 血流：AI 的角色（Magnetic Resonance Imaging-Based 4D Flow: The Role of Artificial Intelligence）

作者

  • Eva S. Peper, PhD —— Institute for Biomedical Engineering, ETH Zurich and University of Zurich, Zurich, Switzerland。
  • Sebastian Kozerke, PhD —— 同单位；ETH Zurich 心脏 MRI 资深教授。
  • Pim van Ooij, PhD（通讯作者）—— Department of Radiology & Nuclear Medicine, Amsterdam University Medical Centers, Location AMC；Department of Pediatric Cardiology, Wilhelmina Children's Hospital, University Medical Center Utrecht。

本章位于 Part III 心脏应用部分，承接第 32-33 章的"CMR"主题，深入 4D flow MRI——心脏 MRI 中评估血流动力学的最复杂技术。属于"前沿方法学"性质的章节，AI 在 4D flow MRI 的应用还处于"研究原型"阶段，远未临床落地。Peper 与 Kozerke 来自 ETH Zurich，是欧洲 4D flow MRI 的代表团队。

内容概述

4D flow MRI 是在三维体积 + 时间维度上编码速度向量场（v_x, v_y, v_z）——一次采集同时得到"幅度图像"和"相位图像"，通过相减得到速度图。它能计算血流动力学参数：WSS（wall shear stress）、脉搏波速度、动能、湍流动能、粘性能量损失、压差。本章按"采集 → 重建 → 分割 → 量化 → 临床"组织：

  1. 4D flow MRI 物理：双极梯度编码速度 \(\phi = \gamma v_0 m_1\)；VENC（velocity encoding）= \(\pi / (\gamma m_1)\)；ECG 门控 + 呼吸导航；采集时间 15–30 min，重建时间 15 min。
  2. 临床应用：心脏瓣膜反流定量 [X3][X4]、HCM / DCM 异常血流 [X5][X6][X7]、AF 卒中预测 [X8]、COPD 上腔静脉逆流 [X9]、PH 右心室血流 [X10]、BAV / AS 主动脉 WSS [X11]、Marfan 主动脉僵硬 [X14][X15][X16]。
  3. 加速采集：CS、SENSE、k-t BLAST/GRAPPA/PCA。
  4. DL 重建：Hammernik 2018 [X32] 变分网络、Zhu [X31] k-space to image、Vishnevskiy 2020 FlowVN [X33]——21 秒重建 vs. CS 10 分钟。
  5. DL 分割：Berhane 2020 3D U-Net + DenseNet [X44] 669 例多中心 BAV / 升主动脉瘤分割 dice 0.95；Froeling [X43]、Berhane [X48] 等小样本研究。
  6. 图像质量提升：Ferdian 2020 4DFlowNet [X52] 用 CFD 训练 NN 提升低分辨率 4D flow；Rutkowski [X53] CFD-informed CNN 用于颅内动脉瘤。
  7. 物理信息神经网络（PINN）：Kissas 2020 [X55] 嵌入 Navier-Stokes 方程解决血压反演；Fathi [X56] 数据保真 + 流动物理正则化。
  8. ML 临床结果预测：Dinh 等 [X51] 用 LASSO 等特征（time-to-peak-vorticity、time-to-peak-in-plane-velocity、peak-systolic-in-plane-mean-velocity）分类健康 vs. BAV。

核心方程与概念

1. 4D flow MRI 速度编码

相位累积：在双极梯度（bipolar gradient）下，沿 x 方向的速度 \(v_{0x}\) 引起的相位累积为： $\(\phi = \gamma v_{0x} m_{1,x}\)$

其中 \(\gamma\) 为旋磁比，\(m_{1,x} = \int_0^t G_x(\tau) \tau d\tau\) 为一阶梯度矩。

VENC（velocity encoding）： $\(\text{VENC} = \frac{\pi}{\gamma m_{1,x}}\)$

VENC 略高于实际最大速度；过低的 VENC 引起相位缠绕（aliasing），过高的 VENC 降低速度-噪声比。

速度图：从两个相位（参考 + 流动编码）做复数除法： $\(\mathbf{v} = \arg\left(\frac{S_2}{S_1}\right) / (\gamma m_1)\)$

2. 4D flow MRI 采集：双极梯度 + 门控

  • 三个方向各自独立采集（"四点编码"）
  • ECG 门控（retrospective 或 prospective）将不同心动周期的数据排序到平均心动周期
  • 呼吸导航或自门控减少呼吸伪影

3. 血流动力学参数

Wall Shear Stress (WSS)：血流对管壁的剪切力。Newton 流体： $\(\text{WSS} = \mu \frac{\partial v}{\partial r}\bigg|_{\text{wall}}\)$

Pulse Wave Velocity (PWV)： $\(\text{PWV} = \frac{\Delta x}{\Delta t}\)$

其中 \(\Delta x\) 为两点距离，\(\Delta t\) 为脉搏波通过时间。

Kinetic Energy (KE)： $\(\text{KE} = \int_V \frac{1}{2} \rho |\mathbf{v}|^2 \, dV\)$

Viscous Energy Loss (EL)： $\(\text{EL} = \int_V \mu \left( \frac{\partial v_i}{\partial x_j} + \frac{\partial v_j}{\partial x_i} \right)^2 dV\)$

4. CS 重建（Lustig 2007）

CS 重建是约束优化问题： $\(\min_m \|\Psi m\|_1 \quad \text{s.t.} \quad \|F_u m - y\|_2 \leq \epsilon\)$

其中 \(\Psi\) 为稀疏变换（如时间 TV），\(F_u\) 为欠采样傅里叶算子，\(\epsilon\) 为噪声水平。CS 在 4D flow MRI 上实现 10–30 倍加速，但重建时间 15–30 分钟。

5. DL 4D flow 重建

FlowVN（Vishnevskiy 2020, [X33]）：把数据一致性步与 CNN 交替：

\[P^{(k+1)} = \text{CNN}\left(P^{(k)}, k\text{-space data, sens}\right) \quad \text{with} \quad P^{(0)} = \text{zero-filled image}\]

损失： $\(\mathcal{L} = \sum_{k=1}^K e^{-\tau(K-k)} \|P^{(k)} - P^*\|_1\)$

训练后可重建时间 21 秒（vs. CS 10 分钟）。在主动脉狭窄患者 10 倍欠采样数据上，速度误差 19.7%（vs. CS 22.1%）。

6. CNN 4D flow 分割（Berhane 2020, [X44]）

3D U-Net + DenseNet 编码-解码结构。输入为时间平均 PC-MRA + 速度图，输出为 3D 分割 mask。669 例 BAV + 升主动脉瘤患者训练，dice 0.953 (vs. 观察者 1) / 0.958 (vs. 观察者 2)。

Froeling [X43] 与 Berhane [X48] 的小样本（n=42, 73）研究也达到 dice ~ 0.90。

7. 物理信息神经网络（PINN, Kissas 2020, [X55]）

把物理方程（Navier-Stokes）嵌入损失函数： $\(\mathcal{L} = \mathcal{L}_{\text{data}} + \lambda \mathcal{L}_{\text{physics}}\)$

其中 \(\mathcal{L}_{\text{physics}}\) 编码 Navier-Stokes 残差： $\(\mathcal{L}_{\text{physics}} = \left\| \rho \left(\frac{\partial \mathbf{v}}{\partial t} + \mathbf{v} \cdot \nabla \mathbf{v}\right) + \nabla p - \mu \nabla^2 \mathbf{v} \right\|^2\)$

可解决"无创血压反演"——4D flow MRI 本身测不到绝对压力（只测速度），PINN 用物理约束从速度推压力。

8. CFD-informed 4D flow 增强（Rutkowski, Ferdian 2020）

4DFlowNet（Ferdian 2020, [X52]）：用 CFD 仿真数据 + 合成 4D flow MRI 训练 CNN，预测从低分辨率（4 mm）到高分辨率（2 mm）的 4D flow 图像。速度误差：入口 -0.6%（vs. 插值 7%）、出口 5.8%。

9. 关键概念辨析

  • 2D flow vs. 4D flow MRI：2D flow 是单平面、时间分辨的流速；4D flow 是 3D 体积 + 时间——可计算 WSS、PWV 等需要 3D 信息的参数。
  • PC-MRA vs. 速度图：PC-MRA（phase contrast MR angiogram）是时间平均的幅度图，用于解剖分割；速度图（velocity map）是相位差图，用于流速定量。
  • VENC 选择：临床常用 150–200 cm/s（主动脉峰值约 160 cm/s），太低 aliasing、太高 SNR 损失。
  • WSS 的"局域性"：WSS 在升主动脉外侧弯高（与 BAV 主动脉病相关），需要 4D flow MRI + 时间分辨分割才能准确。
  • CFD vs. 4D flow MRI：CFD 空间分辨率高（亚毫米）但需假设边界条件；4D flow MRI 真实但分辨率低（2–4 mm）且噪声大。两者互补。
  • PINN vs. 纯数据驱动 CNN：PINN 用物理方程约束，可外推到训练分布外；纯 CNN 仅在 i.i.d. 假设下可靠。
  • i.i.d. 违反的现实问题：4D flow MRI 数据高度异构（厂商、场强、序列、伪影），CNN 跨中心泛化差是当前主要瓶颈。
  • 时间分辨分割的挑战：4D flow MRI 心脏周期内运动可达 8 mm（升主动脉），但时间分辨手工分割标签稀缺——这是 AI 时间分辨分割的核心瓶颈。

关键结论

  • 4D flow MRI 在 3D 体积 + 时间上编码速度向量场，可计算 WSS、PWV、KE、EL 等血流动力学参数。
  • 临床应用：瓣膜反流定量、HCM/DCM 异常血流、AF 卒中风险、COPD、PH、BAV、Marfan 主动脉病。
  • 4D flow MRI 三大瓶颈：长采集（15–30 min）、长重建（15 min）、手工 / 半自动分割耗时。
  • 加速采集：CS、SENSE、k-t BLAST/GRAPPA/PCA 可达 10–30 倍加速。
  • DL 重建：Vishnevskiy 2020 FlowVN [X33] 在 10 倍欠采样下重建时间 21 秒，速度误差 19.7% vs. CS 22.1%。
  • DL 分割：Berhane 2020 3D U-Net + DenseNet [X44] 669 例 BAV / 升主动脉瘤 dice 0.95。
  • 物理信息神经网络（PINN, Kissas 2020 [X55]）可从 4D flow 速度反演血压——传统 CFD 难以实现的"无创压力测量"。
  • CFD-informed 4D flow 增强：Ferdian 2020 4DFlowNet [X52] 用 CFD 训练 CNN 提升低分辨率到高分辨率。
  • ML 临床结果预测：Dinh 等 [X51] 用 LASSO 特征（time-to-peak-vorticity 等）分类健康 vs. BAV。
  • 时间分辨 4D flow 分割仍困难——Scott 2019 [X49] 用 2D 标签代理训练，dice 0.87。
  • AI 在 4D flow MRI 整体仍处于"研究原型"阶段，未广泛临床落地。

挑战和开放性问题

  • 采集时间长：15–30 min 受患者舒适度、成本、运动伪影限制。AI 加速但不能从根本上突破物理（梯度切换率、射频功率）。
  • 重建时间长：CS 15–30 min；DL 21 秒（FlowVN）但需大量训练数据。
  • 分割标签稀缺：时间分辨 4D flow 手工分割几乎不可能——需 2D 标签代理或合成数据。
  • i.i.d. 假设违反：跨厂商、跨场强、跨中心、跨伪影类型，CNN 泛化能力差。
  • 可解释性：PINN 相对黑盒 CNN 更可解释（物理方程可解读），但工程实现复杂。
  • PINN 的"边界条件"问题：Navier-Stokes 方程需要入口 / 出口边界条件，临床 4D flow 数据无法直接提供。
  • CFD-informed 方法的"分布漂移"：训练用合成数据，测试用真实数据，分布差异可能导致性能下降。
  • 无创血压反演的准确性：PINN 在仿真数据上验证，未充分临床验证。
  • ML 临床结果预测的"可解释性"：LASSO 选出的 time-to-peak-vorticity 等特征对临床医生陌生，难以整合到决策流程。
  • 跨人群 / 跨疾病泛化：现有研究多在 BAV / Marfan / PH 等特定人群，跨疾病泛化未验证。
  • AI 工具的临床整合路径：从研究原型到 PACS 集成 / 报告自动化需要工程 + 监管 + 经济性验证。
  • 物理信息 ML 的工程瓶颈：PINN 训练需要 GPU 集群 + 数值 PDE 求解器，临床部署困难。
  • 4D flow MRI 与 CT / 超声的 AI 工具"代差"：相比 CCTA 已有 HeartFlow 等商业 AI，4D flow MRI 仍以研究为主。

个人反思与批判性分析

  • Peper / Kozerke 团队的物理信息视角：作者来自 ETH Zurich，是欧洲 4D flow MRI 物理 + 工程的重镇。本章的 PINN 视角（嵌入 Navier-Stokes 方程）反映了他们的方法学偏好——区别于纯数据驱动的 CNN 路线。这种"物理 + 数据"融合是 4D flow MRI AI 的真正前沿。
  • FlowVN 21 秒 vs. CS 10 分钟的"速度优势"被过度宣传：Vishnevskiy 2020 [X33] 的 21 秒是离线测量，且需要预先训练。临床实时部署需集成到扫描仪硬件、FDA 审批、医保覆盖——这些工程 + 监管环节远比"21 秒 vs. 10 分钟"复杂。
  • Berhane 2020 dice 0.95 在 BAV / 升主动脉瘤上的"好成绩"需谨慎解读：669 例训练 + 验证都是 PC-MRA 时间平均图像——这是"理想场景"。时间分辨 4D flow 分割 dice 0.87 [X49] 才接近临床可用，且需 2D 代理标签。
  • PINN 的"无创血压反演"远未临床落地：Kissas 2020 [X55] 主要在仿真颈动脉分叉上验证。临床主动脉、肺动脉、瓣膜反流的血压反演需要更复杂边界条件，临床证据稀缺。
  • CFD-informed 4D flow 的"循环论证"风险：Ferdian 2020 4DFlowNet [X52] 用 CFD 训练 → 预测 4D flow → 改善 CFD 输入——逻辑链合理，但需独立验证 CFD 假设的真实性。
  • "4D flow AI 仍处研究阶段"的现实：相比 CCTA 已有 HeartFlow、Siemens cFFR 等商业 AI，4D flow MRI AI 仍以"原型 + 论文"为主。这一代差反映 4D flow MRI 检查量小、设备昂贵、临床整合路径长。
  • 临床应用的"已有但不常用"：4D flow MRI 已在瓣膜反流定量、HCM、Marfan 等有临床应用，但 AI 自动化尚未进入常规报告——临床医生仍以手工 / 半自动分割为主。
  • 跨学科合作的"瓶颈"：4D flow MRI AI 进展需要 MRI 物理 + ML 工程师 + 临床医生 + 流体力学家紧密合作——这种团队组合在医疗中心稀缺。
  • 与第 32-33 章的协同：本章是 4D flow MRI 主题，比第 32-33 章更技术化。读者读完本章后，对"CMR AI 工具"会有从"成像"到"流体力学"的更立体认知。
  • "AI 万能" vs. "AI 仅辅助"的两端：本章在某些方面乐观（FlowVN 21 秒重建、PINN 血压反演），在某些方面保守（时间分辨分割 dice 0.87、临床落地远）。这种"该强则强、该弱则弱"是工程现实的体现。
  • 物理信息 AI 的"长期价值"：PINN、CFD-informed 等"物理 + 数据"融合范式在 4D flow MRI 上有独到价值，但工程实现复杂、临床证据稀缺。读者应将其视为"未来 5–10 年的潜在方向"而非"现在可用的工具"。
  • 数据 vs. 物理的"哲学对立"：纯数据驱动 CNN 在 ImageNet 上取得突破，但在物理约束强的 4D flow MRI 上，PINN 等物理信息方法可能更稳健——这是 AI 在科学计算中的"反潮流"。

重要参考文献

  • [X1] Wigström L, Sjöqvist L, Wranne B. Temporally resolved 3D phase-contrast imaging. Magn Reson Med. 1996;36(5):800-3.
  • [X2] Markl M, Frydrychowicz A, Kozerke S, et al. 4D flow MRI. J Magn Reson Imaging. 2012;36(5):1015-36.
  • [X3] Calkoen EE, Roest AA, van der Geest RJ, et al. Cardiovascular function and flow by 4D-MRI. Heart. 2016;102(7):558-65.
  • [X4] Westenberg JJ, Roes SD, Ajmone Marsan N, et al. Mitral valve and tricuspid valve flow in cardiomyopathy. JACC Cardiovasc Imaging. 2008;1(3):281-9.
  • [X5] van Ooij P, Allen BD, Contaldi C, et al. 4D flow MRI and T1 mapping in HCM. Eur Radiol. 2016;26(11):4030-40.
  • [X6] Hirtler D, Garcia J, Barker AJ, Geiger J. 4D flow MRI in HCM. J Magn Reson Imaging. 2016;44(2):317-27.
  • [X7] Eriksson J, Carlhäll CJ, Dyverfeldt P, et al. Hemodynamic alterations in DCM. J Cardiovasc Magn Reson. 2015;17(Suppl 1):O94.
  • [X8] Markl M, Lee DC, Ng J, et al. Left atrial 4D flow in atrial fibrillation. J Cardiovasc Magn Reson. 2016;18(1):49.
  • [X9] Kozerke R, Galanakis N, Nordmeyer S, et al. 4D flow MRI of SVC in COPD. Insights Imaging. 2018;9(3):389-99.
  • [X10] Schäfer M, Kheyfets VO, Barker AJ, et al. 4D flow MRI in PH. Ann Am Thorac Soc. 2017;14(6):898-906.
  • [X11] Hope MD, Hope TA, Crook SE, et al. 4D flow CMR in BAV. JACC Cardiovasc Imaging. 2011;4(7):781-7.
  • [X14] Grotenhuis HB, Westenberg JJ, Doornbos J, et al. 4D flow MRI in Marfan. J Magn Reson Imaging. 2009;30(4):778-85.
  • [X15] den Reijer PM, Sallee D 3rd, van der Velden P, et al. Hemodynamic predictors in Marfan. JACC Cardiovasc Imaging. 2018;11(1):100-8.
  • [X16] Geiger J, Hirtler D, Gottfried K, et al. Longitudinal wall motion in Marfan. J Cardiovasc Magn Reson. 2017;19(1):79.
  • [X19] Larson AC, White RD, Laub G, et al. Self-gated cardiac cine MRI. Magn Reson Med. 2004;51(1):93-102.
  • [X20] AlOmiri AS, Boyle PM, Bachtiar AD, et al. In-bore camera motion tracking. Magn Reson Med. 2017;78(5):1780-91.
  • [X22] Lustig M, Donoho D, Pauly JM. Sparse MRI. Magn Reson Med. 2007;58(6):1182-95.
  • [X27] Hsiao A, Lustig M, Alley MT, et al. Rapid pediatric cardiac 4D flow MRI. J Cardiovasc Magn Reson. 2012;14(Suppl 1):W23.
  • [X31] Zhu B, Liu JZ, Cauley SF, et al. Image reconstruction by domain-transform manifold learning. Nature. 2018;555(7697):487-92.
  • [X32] Hammernik K, Klatzer T, Kobler E, et al. Learning a variational network for reconstruction of accelerated MRI data. Magn Reson Med. 2018;79(6):3055-71.
  • [X33] Vishnevskiy V, Walheim J, Pan J, et al. Deep variational network for rapid 4D flow MRI reconstruction. Nat Mach Intell. 2020;2:228-35.
  • [X35] Dyverfeldt P, Bissell M, Barker AJ, et al. 4D flow cardiovascular magnetic resonance consensus statement. J Cardiovasc Magn Reson. 2015;17:72.
  • [X36] Bell V, Mitchell WA, Sigurðsson S, et al. Longitudinal wall motion of the common carotid artery. J Am Heart Assoc. 2014;3(2):e000712.
  • [X41] Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation. MICCAI 2015.
  • [X42] Çiçek Ö, Abdulkadir A, Lienkamp SS, et al. 3D U-Net: learning dense volumetric segmentation from sparse annotation. MICCAI 2016.
  • [X43] Froeling V, Neukirchen C, Gerhards A, et al. U-net for 4D flow MRI segmentation. J Magn Reson Imaging. 2019;49(7):2055-66.
  • [X44] Berhane H, Scott M, Elbaz M, et al. Fully automated 3D aortic segmentation of 4D flow MRI for hemodynamic analysis. J Cardiovasc Magn Reson. 2020;22(1):48.
  • [X45] Huang G, Liu Z, Maaten LVD, Weinberger KQ. Densely connected convolutional networks. CVPR 2017.
  • [X48] Berhane H, Moore R, Elbaz M, et al. CNN for 4D flow MRI segmentation. J Cardiovasc Magn Reson. 2020;22(Suppl 1):W16.
  • [X49] Scott M, Elbaz M, Berhane H, et al. Time-resolved CNN segmentation of 4D flow MRI. J Cardiovasc Magn Reson. 2019;21(Suppl 1):O66.
  • [X52] Ferdian E, Suinesiaputra A, Jandt U, et al. 4DFlowNet: super-resolution 4D flow MRI using deep learning and computational fluid dynamics. Front Phys. 2020;8:138.
  • [X53] Rutkowski DR, Roldán-Alzate A, Johnson KM. Enhancement of CFD and 4D flow MRI via CNNs. Ann Biomed Eng. 2019;47(7):1610-24.
  • [X54] Raissi M, Perdikaris P, Karniadakis GE. Physics-informed neural networks. J Comput Phys. 2019;378:686-707.
  • [X55] Kissas G, Yang Y, Hwuang E, et al. Machine learning in cardiovascular flows modeling. Comput Methods Appl Mech Eng. 2020;358:112623.
  • [X56] Fathi MF, Perez-Raya I, Baghaie A, et al. Super-resolution and denoising of 4D flow MRI using physics-informed deep neural nets. Comput Med Imaging Graph. 2020;85:101735.