跳转至

第 35 章 基于 MRI 的冠脉血流：AI 的角色（Magnetic Resonance Imaging-Based Coronary Flow: The Role of Artificial Intelligence）

作者

  • Tiziano Passerini, PhD —— Siemens Healthineers, Princeton, NJ, USA；本章第一作者，Siemens 冠脉 AI 研究核心成员。
  • Yitong Yang, BS —— Wallace Coulter Department of Biomedical Engineering, Georgia Institute of Technology and Emory University, Atlanta, GA, USA。
  • Teodora Chitiboi, PhD —— 同单位；EMEA Scientific Partnerships, Siemens Healthcare GmbH, Hamburg, Germany。
  • John N. Oshinski, PhD（通讯作者）—— 同单位；Department of Radiology and Imaging Sciences, Emory University School of Medicine。

本章位于 Part III 心脏应用部分，承接第 34 章（4D flow MRI）的 CMR 主题，转向冠脉血流——直接冠脉成像 + 冠脉流速定量 + 心肌灌注。属于"方法学 + 跨领域"性质的章节，结合了 MRI 物理、流体力学（PDE / 物理信息 NN）、AI 重建、CMR 灌注。Passerini 来自 Siemens Healthineers，Oshinski 来自 Emory 大学——产学合作视角。

内容概述

CAD 是西方世界主要死因，AI / ML / DL 在 CAD 诊断与管理中扮演越来越重要的角色。本章按"冠脉直接成像 → 冠脉流速 → 心肌灌注"三大 CMR 应用组织：

  1. 冠脉 MRA 重建：
  2. 传统方法：SENSE、GRAPPA、CS、字典学习、低秩矩阵建模、patch-based。
  3. DL 方法分四类：(a) 图像域去噪器（image domain denoiser，Wang CNN [X28]、DenseNet [X29][X30]）；(b) 图像域去噪 + 数据一致性（Residual U-Net [X34][X35]）；(c) 端到端级联学习（Schlemper 2018 [X36]、Qin 2019 CRNN [X37]、Fuin MS-VNN [X41][X42]）；(d) k-space 学习（RAKI [X44]、sRAKI [X45]）。
  4. 性能：MS-VNN 14 秒重建（vs. CS 5 分钟），改善冠脉血管锐度。
  5. 冠脉流速（CFR / MFR / FFR）：
  6. PCMR 直接测冠脉或冠脉窦流速。
  7. CMR-FFR 仿真：MRA + PCMR + Navier-Stokes 求解（CT 已有 FFR-CT 商业化）。
  8. 物理信息神经网络（PINN）：Raissi 2019 [X77-79]、Kissas 2020 [X80]—— 嵌入 Navier-Stokes 方程预测流速与压力。
  9. 不确定性量化（UQ）：Sankaran [X81]、Yin [X82] 证明 FFR 对狭窄几何最敏感。
  10. 心肌灌注（perfusion）成像：
  11. 首过灌注（first-pass perfusion）+ 血管扩张剂（adenosine / regadenoson）。
  12. MBF（myocardial blood flow）量化需要 AIF（arterial input function）反卷积。
  13. CE-MARC 试验 [X91-96]：CMR 灌注敏感性 86.5% vs. SPECT 66.5%。

核心方程与概念

1. 冠脉 MRA 的传统重建

SENSE（并行成像，敏感性编码）：利用多线圈敏感性差异恢复欠采样： $\(\mathbf{m} = (S^H \Psi^{-1} S)^{-1} S^H \Psi^{-1} \mathbf{y}\)$

CS（压缩感知）：欠采样 + 稀疏先验： $\(\min_m \|\Psi m\|_1 \quad \text{s.t.} \quad \|F_u m - y\|_2 \leq \epsilon\)$

低秩矩阵建模（low-rank matrix modeling）：利用 4D / 5D 数据的空间-时间冗余。

2. DL 重建的四类网络

(a) 图像域去噪器（Wang CNN [X28]）：把零填充欠采样图像 \(\mathbf{m}_n\) 映射到 ground truth \(\mathbf{m}^*\)： $\(\mathbf{m}^* \approx f_{\text{CNN}}(\mathbf{m}_n; \theta)\)$

DenseNet 变体 [X29][X30] 改善梯度流；mDCN（multi-level densely connected network）减少内存消耗。

(b) 图像域去噪 + 数据一致性：在 CNN 末尾加 DC 层： $\(\mathbf{m}_{n+1} = \mathbf{m}_n + \eta (F_u^H y - F_u^H F_u \mathbf{m}_n)\)$

Residual U-Net [X34][X35] 用 encoder-decoder + 残差连接，比纯 CNN 更稳定。

(c) 端到端级联学习：在迭代 CS 重建的每一步嵌入 CNN： $\(\mathbf{m}^{(k+1)} = f_{\text{CNN}}\left(\mathbf{m}^{(k)}, F_u^H y, \theta\right)\)$

Schlemper 2018 [X36] 在 11 倍欠采样下重建时间 23 ms / 2D、8.2 s / 3D。Qin 2019 [X37] 用 CRNN（CNN + RNN）处理动态冠脉。Fuin MS-VNN [X41][X42] 14 秒重建（vs. CS 5 分钟）。

(d) k-space 学习（RAKI, Akçakaya 2019 [X44]）：直接学习缺失 k-space 线： $\(\hat{\mathbf{k}}_{\text{miss}} = f_{\text{CNN}}(\mathbf{k}_{\text{acquired}}; \theta)\)$

比 GRAPPA 线性卷积噪声鲁棒。sRAKI [X45] 加 SPIRiT 迭代一致性，冠脉血管锐度提升 11%。

3. 冠脉流速：CFR / MFR / FFR

CFR（coronary flow reserve）： $\(\text{CFR} = \frac{Q_{\text{hyperemic}}}{Q_{\text{baseline}}}\)$

MFR（myocardial flow reserve）：组织水平流速比。CMR 中通过 PCMR 测冠脉窦流速或心肌首过灌注。

FFR（fractional flow reserve）： $\(\text{FFR} = \frac{P_d}{P_a} \leq 0.80 \iff \text{功能性显著狭窄}\)$

CMR-FFR 工作流：3D MRA 重建冠脉树 → PCMR 测流速边界条件 → Navier-Stokes 求解 → FFR。

4. 物理信息神经网络（PINN, Raissi 2019, [X77-79]）

Navier-Stokes 残差作为损失的一部分： $\(\mathcal{L}_{\text{PINN}} = \mathcal{L}_{\text{data}} + \lambda \mathcal{L}_{\text{NS}}\)$

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

Kissas 2020 [X80] 在血管网络拓扑 + 局部 PCMR 测量基础上，用多网络分布式训练预测全网络流速与压力。

5. 不确定性量化（UQ）

Sankaran [X81] / Yin [X82]：冠脉 FFR 估计的 UQ 分析证明：狭窄几何估计的误差是 FFR 的主要不确定性来源。提示：临床 FFR 应给区间估计 + 置信水平，而非点估计。

6. 心肌灌注 MBF 量化

AIF-MBF 反卷积：MBF 通过对组织时间-强度曲线 \(C_t(t)\) 与动脉输入函数 \(C_a(t)\) 反卷积得到： $\(C_t(t) = \text{MBF} \cdot C_a(t) * R(t)\)$

其中 \(R(t)\) 为组织残留函数。CMR 灌注在双序列（dual bolus）方法中用低浓度对比剂保持 AIF 线性关系。

7. CE-MARC 试验结果

指标 CMR 灌注 SPECT
敏感性 86.5% 66.5%
特异性 83.4% 82.6%
NPV 90.5% 79.1%
PPV 77.0% 71.4%

8. 关键概念辨析

  • 冠脉 MRA vs. 冠脉 CTA：MRA 无辐射、无碘对比剂、软组织对比优，但空间分辨率低、采集时间长。CTA 速度快、空间分辨率高、辐射大、需碘对比剂。
  • CFR vs. MFR vs. FFR：CFR/MFR 反映"流量比"（含微循环），FFR 反映"压力比"（仅心外膜狭窄）。CMR-FFR 是新兴方向，需 3D MRA + PCMR + 数值 CFD。
  • CS vs. DL 重建：CS 迭代慢（5–15 min）但物理透明，DL 推理快（秒级）但数据依赖。Fuin MS-VNN 结合两者（每层嵌入 DC）。
  • 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，但训练慢；纯 CNN 在 i.i.d. 假设下快但不可靠。
  • Sankaran / Yin 的"狭窄几何敏感性"：UQ 证明冠脉狭窄几何（直径、长度）是 FFR 的主要不确定性来源，PCMR 速度是次要——这意味着"准确的冠脉 MRA 分割"比"准确的 PCMR"更关键。
  • AIF 非线性校正：CMR 灌注中 AIF 信号强度在高对比剂浓度下非线性（饱和），双序列（dual bolus）/ 双浓度（dual sequence）方法解决。
  • CE-MARC vs. SPINS / MR-INFORM：CMR 灌注敏感性优势已被多个独立试验验证（CE-MARC 86.5%, MR-INFORM 等）。
  • 分布式 PINN（Kissas 2020）：用多网络分别预测每条血管的流速，通过界面条件耦合——这是大规模血管网络 PINN 的工程方案。

关键结论

  • AI 在冠脉 MRA 重建上分四类：图像去噪、去噪 + DC、级联 CNN、k-space 学习。
  • MS-VNN [X41][X42] 14 秒重建（vs. CS 5 分钟），改善冠脉血管锐度。
  • Schlemper 2018 [X36] 11 倍欠采样下 23 ms / 2D、8.2 s / 3D 重建。
  • Qin 2019 CRNN [X37] 在动态冠脉上同时提升精度与速度。
  • RAKI [X44]、sRAKI [X45] 直接学习 k-space 插值，比 GRAPPA 更鲁棒。
  • CMR-FFR 是新兴方向：MRA + PCMR + Navier-Stokes 求解——但仍需 PINN 等加速。
  • PINN（Raissi 2019 [X77-79]、Kissas 2020 [X80]）嵌入 Navier-Stokes 方程预测流速与压力。
  • Sankaran [X81]、Yin [X82] 证明狭窄几何是 FFR 的主要不确定性来源。
  • 心肌灌注首过 + 血管扩张剂在 CE-MARC 中敏感性 86.5% vs. SPECT 66.5%。
  • MBF 量化需要 AIF 反卷积，CMR 双序列方法保持 AIF 线性。
  • AI 加速重建 + PINN 加速 FFR + DL 加速 MBF 量化——三方面协同推进冠脉 CMR 临床应用。

挑战和开放性问题

  • 冠脉 MRA 空间分辨率低：冠脉直径 1–3 mm，MRA 分辨率 ~ 1 mm³ 体素，受限于扫描时间。
  • i.i.d. 假设违反：跨厂商、跨中心、跨序列，DL 泛化能力差。
  • 训练数据稀缺：高质量全采样冠脉 MRA 标签稀缺，SSDU（self-supervised learning via data under-sampling）[X50] 是潜在方向。
  • PINN 边界条件：冠脉树的入口 / 出口流速难以直接测量，PINN 需要简化假设。
  • 不确定性量化的工程实现：Sankaran [X81] 的 UQ 分析需要蒙特卡洛采样，计算昂贵。
  • MBF 量化的 AIF 准确性：AIF 反卷积对噪声敏感，不同双序列方法间一致性未充分验证。
  • 临床整合路径：从"研究原型"到"PACS 集成插件"需要工程 + 监管 + 经济性验证。
  • CMR-FFR vs. CT-FFR 的对比：CT-FFR（HeartFlow）已商业化，CMR-FFR 仍以研究为主——临床医生更熟悉 CT-FFR。
  • PINN 的训练稳定性：物理约束 + 数据约束的联合优化可能陷入局部极小。
  • 多任务学习的耦合：冠脉分割 + 流速定量 + FFR 联合推理可能比单独训练更好，但工程复杂。
  • 物理可解释的 AI 工具：PINN 在心血管领域的"工程范式"仍在探索，标准化数据集和评估指标缺失。
  • CE-MARC 试验的"理想场景"：单中心、高质量扫描、专家中心——跨中心真实世界泛化未充分验证。
  • AI 在冠脉 CMR 的"价值"：相比冠脉 CTA 已有 HeartFlow 等商业 AI，冠脉 CMR AI 仍以"研究原型"为主。

个人反思与批判性分析

  • 作者团队的"产学合作"视角：Passerini 来自 Siemens Healthineers，Oshinski 来自 Emory 大学——这是经典的"工业 + 学术"合作。读者应意识到 Siemens 的方法学偏好（MS-VNN 引用 Fuin 是 Siemens 团队工作）。
  • MS-VNN 14 秒 vs. CS 5 分钟的"速度优势"：Fuin 等的 MS-VNN 是 Siemens 内部研究，临床部署需 FDA 审批、扫描仪集成、医保覆盖——这些远比"14 秒"复杂。
  • Schlemper 2018 在冠脉上的"应用"：Schlemper 原始工作在 CMR 通用重建上，本章的"冠脉 MRA 应用"是后续推广——读者应区分"原始方法"与"特定应用"的边界。
  • CMR-FFR vs. CT-FFR 的"代差"：CT-FFR（HeartFlow）已商业化，CMR-FFR 仍以研究为主——这一代差与 CT 检查量、设备成本、临床整合路径相关。
  • PINN 在心血管领域的"早期阶段"：Raissi 2019、Kissas 2020 都是开创性工作，但临床应用受限于：(a) 边界条件假设，(b) 训练稳定性，(c) 工程实现复杂。读者应将其视为"未来方向"而非"现有工具"。
  • Sankaran UQ 的"几何敏感性"意义：狭窄几何是 FFR 的主要不确定性来源——这意味着"准确的冠脉 MRA 分割"是 CMR-FFR 的真正瓶颈。AI 重建 + AI 分割 + PINN 三者需要协同。
  • CE-MARC 的"老牌"地位：CE-MARC 试验是 2010s 初的成果，2020s 的 SPINS、MR-INFORM 等更大型试验进一步验证 CMR 灌注。本章引用 CE-MARC 是合理的，但应与新试验结合。
  • AI 在冠脉 CMR 上的"全栈工具"缺失：相比 CCTA 上 HeartFlow + 钙化评分 + 斑块分析 + CAD-RADS 自动化的"全栈 AI"，冠脉 CMR AI 仍以"单点工具"（重建、分割、灌注）为主，缺少整合平台。
  • "AI 万能"与"AI 仅辅助"的两端：本章在 DL 重建、PINN FFR 上乐观，在不确定性量化、临床整合上保守——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 在心血管领域的"工程范式"仍在探索。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"。
  • 与第 32-34 章的协同：本章是"冠脉 + 灌注"主题，比第 32-34 章的"4D flow / 功能分析"更侧重冠脉。读者通过对比可学会判断"哪些任务适合 AI"、"哪些任务 AI 仍力不从心"。
  • "重建 vs. 分析"的方法学对立：本章前半部分侧重"重建加速"（DL 把小时降到秒），后半部分侧重"分析智能"（PINN 做 FFR）——这两者都是 AI 在 MRI 上的核心价值，但本质上是不同的方法学问题。

重要参考文献

  • [X11] Manning WJ, Li W, Edelman RR. A preliminary report comparing magnetic resonance coronary angiography with conventional angiography. N Engl J Med. 1993;328(12):828-32.
  • [X12] Botnar RM, Stuber M, Danias PG, et al. Improved coronary artery definition with T2-weighted, free-breathing, three-dimensional coronary MRA. Circulation. 1999;99(24):3139-48.
  • [X18] Feng L, Grimm R, Block KT, et al. Golden-angle radial sparse parallel MRI: initial application to 3D dynamic contrast-enhanced MRI of the liver. Magn Reson Med. 2014;72(3):707-20.
  • [X22] Lustig M, Donoho D, Pauly JM. Sparse MRI. Magn Reson Med. 2007;58(6):1182-95.
  • [X28] Wang S, Su Z, Ying L, et al. Accelerating magnetic resonance imaging via deep learning. ISBI 2016.
  • [X29] Huang G, Liu Z, Maaten LVD, Weinberger KQ. Densely connected convolutional networks. CVPR 2017.
  • [X30] Chen Y, et al. Brain MRI super-resolution using 3D generative adversarial networks. IEEE Trans Med Imaging. 2020.
  • [X34] Hauptmann A, Arridge S, Lucka F, et al. Real-time cardiovascular MR with spatio-temporal artifact suppression. MICCAI 2017.
  • [X35] Hyun CM, Kim HP, Lee SM, et al. Deep learning for undersampled MRI reconstruction. Phys Med Biol. 2018;63(13):135007.
  • [X36] Schlemper J, Caballero J, Hajnal JV, et al. A deep cascade of convolutional networks for dynamic MR image reconstruction. IEEE Trans Med Imaging. 2018;37(2):491-503.
  • [X37] Qin C, et al. Convolutional recurrent neural networks for dynamic MR image reconstruction. IEEE Trans Med Imaging. 2019;38(1):280-90.
  • [X41] Fuin N, Bustin A, Küstner T, et al. A multi-scale variational neural network for accelerating motion-compensated whole-heart coronary MRA. MICCAI 2020.
  • [X42] Küstner T, Fuin N, Bustin A, et al. CINENet: deep learning-based 3D cardiac CINE MRI reconstruction with multi-coil complex-valued 3D U-Net. ISMR 2020.
  • [X44] Akçakaya M, Yaman B, Chung H, Ye JC. Unsupervised deep learning methods for k-space reconstruction. Magn Reson Med. 2019;82(1):132-47.
  • [X45] Yaman B, Hosseini SAH, Moeller S, et al. Self-supervised physics-based deep learning reconstruction. Magn Reson Med. 2020;84(6):3172-91.
  • [X46] Esses SJ, Lu X, Zhao T, et al. Automated image quality evaluation of cardiac MR. J Cardiovasc Magn Reson. 2012;14(Suppl 1):P169.
  • [X50] Yaman B, et al. Self-supervised learning of physics-guided reconstruction neural networks without fully sampled reference data. Magn Reson Med. 2021.
  • [X51] Kern MJ, Samady H. Current concepts of integrated coronary physiology in the catheterization laboratory. J Am Coll Cardiol. 2010;55(3):173-85.
  • [X56] Gerber BL, Raman SV, Nayak K, et al. Myocardial first-pass perfusion cardiovascular MR. Radiology. 2008;249(1):41-55.
  • [X63] Taylor CA, Fonte TA, Min JK. Computational fluid dynamics applied to cardiac CT for noninvasive FFR. J Am Coll Cardiol. 2013;61(22):2233-41.
  • [X66] Itu L, Rapaka S, Passerini T, et al. A machine-learning approach for computation of FFR from coronary CT. J Appl Physiol. 2016;121(1):42-52.
  • [X77] Raissi M, Perdikaris P, Karniadakis GE. Physics-informed neural networks. J Comput Phys. 2019;378:686-707.
  • [X78] Raissi M, Yazdani A, Karniadakis GE. Hidden fluid mechanics: learning velocity and pressure fields from flow visualizations. Science. 2020;367(6481):1026-30.
  • [X79] Raissi M, Karniadakis GE. Hidden physics models: machine learning of nonlinear partial differential equations. J Comput Phys. 2018;357:125-41.
  • [X80] Kissas G, Yang Y, Hwuang E, et al. Machine learning in cardiovascular flows modeling: PINN for estimating blood flow. Comput Methods Appl Mech Eng. 2020;358:112623.
  • [X81] Sankaran S, Kim HJ, Choi G, Taylor CA. Uncertainty quantification in coronary blood flow. Ann Biomed Eng. 2016;44(8):2398-413.
  • [X82] Yin J, et al. Geometry-dependent confidence intervals for FFR. J Cardiovasc Transl Res. 2019;12(4):361-72.
  • [X87] Christian TF, Rettmann DW, Aletras AH, et al. Absolute myocardial perfusion in canines. Radiology. 2004;232(3):677-84.
  • [X91-96] Greenwood JP, Maredia N, Younger JF, et al. Cardiovascular magnetic resonance and single-photon emission computed tomography for diagnosis of coronary heart disease (CE-MARC). Lancet. 2012;379(9814):453-60.