第33章：心脏磁共振功能成像的人工智能评估（Artificial Intelligence-Based Evaluation of Functional Cardiac Magnetic Resonance Imaging）

引言

心脏磁共振（cardiac magnetic resonance, CMR）凭借出色的软组织对比度和良好的空间分辨率，被广泛认为是心脏成像的"金标准"模态；精准评估心脏功能是多种心血管疾病诊断与评价的重要基础。心脏功能评估的 CMR 序列通常包括稳态自由进动（steady-state free precession, SSFP）电影 MRI——它能在一个完整心动周期内可视化心脏运动——以及标记（tagged）MRI——后者通过对心肌组织中纵向磁化强度的空间调制，更显式地追踪心肌运动。在临床实践中，电影 MRI 因采集与分析相对简便，是心脏功能评估中使用最多的序列。功能 CMR 序列的分析可以由放射科医师基于经验以定性方式进行，也可以基于人工或计算机辅助的图像分析进行量化。量化分析能够为单个患者提供更准确、客观、深入的信息，但对人和计算机而言都不是一个轻松任务：例如一段电影 MRI 序列就需要解读超过 300 帧图像（切片数乘以心动相位数），人工完成极为繁琐耗时；同样，标记 MRI 中手工跟踪标记图案也几乎是不可能的。正因如此，功能 CMR 的自动与半自动分析在过去三十年里一直是医学影像领域的研究热点。广义上，人工智能（AI）即模仿人类智能来完成某些数据分析任务的计算机方法集合；尽管 AI 近年才走红，其历史可追溯至二十世纪五十年代。CMR 分析的主流 AI 算法经历了数次范式转变——从基于图像的方法，到基于模型的方法，再到基于数据的方法——而最新的基于数据的方法在很大程度上依赖于"深度学习"，即使用多层神经网络（NN）的机器学习方法集合。深度学习方法是当前最流行、最具领先水平的算法，本章旨在对更广泛的功能 CMR AI 方法（不仅限于数据驱动方法）作系统性的历史回顾。本章组织如下：第 2 节给出功能 CMR 分析问题的形式化定义及其主要技术挑战；第 3、4、5 节按历史顺序回顾 AI 方法的原理，分别覆盖心脏分割、心脏运动追踪和功能参数估计三类任务；第 6 节讨论当前局限性与未来前景。

功能 CMR 分析的技术挑战

功能 CMR 的 AI 方法旨在自动或半自动地完成三件事：(1) 从视野中识别心脏并分割心肌；(2) 追踪局部心脏运动；(3) 量化并报告临床相关的功能参数。心脏的自动检测与分割是功能 CMR 分析的重要任务，因为它是后续量化的基础——量化内容涵盖左、右心室容积、射血分数、心肌壁厚度与质量等。心脏运动追踪则进一步提供了评估心肌动力学的手段，并可对室壁运动异常进行表征，使心肌应变（反映心肌力学特性）的量化成为可能。在四个心腔中，左心室（LV）因体积较大、形状规整，在文献中受到最多关注；早期的 AI 方法多聚焦于 LV，而近年来越来越多的方法开始处理右心室（RV）和左心房（LA）。对 AI 方法而言，主要技术挑战来自功能 CMR 图像的高度变异性。变异性既来自外部因素（具体 MRI 扫描仪、序列参数、成像平面、空间分辨率、对比度、亮度、偏置场、噪声模式、信噪比、伪影等），也来自内部因素（心脏结构、方位、尺寸等的巨大个体差异，尤其在心血管疾病患者中）。因此，对一款真正可在临床中使用的 AI 工具而言，核心难题就是要充分应对这种高度变异性，使其能处理临床实践中任意 CMR 数据集。尽管最新基于深度学习的方法在功能 CMR 分析上展现了当前最优性能，本章仍希望回顾过去几十年中范围更广、原理持续演化的 AI 方法；沿着这条脉络，可以看到知识整合程度在不断提升，并最终使应对功能 CMR 高度变异性成为可能。

心脏分割的 AI 方法——基于图像的方法

现有的功能 CMR AI 方法大致可分为三大类：基于图像的、基于模型的、基于数据的方法，大体上按时间顺序排列。基于图像的方法是早期 AI 方法的着眼点：从计算机算法的角度，一张图像可被视为一个标量矩阵，可以设计多种滤波器来提取与心脏相关的特征。例如，心肌边界可以通过 Sobel 滤波器或 Canny 算子等边缘滤波器加以突出。对于分割任务，这些离散的边界点需要被连接起来，这对计算机而言并非易事。最直观的方案是在极坐标系下用动态规划方法连接 LV 短轴图像中的边界点。Snake 算法（即活动轮廓）则是另一类成熟方法，它通过参数化与优化来连接结构周围的边缘点。Snake 通过参数化一组轮廓点，并基于能量函数的最小化使其演化：能量函数通常包含两项——一项是内部能量（约束 Snake 形状，如平滑度、曲率），另一项是外部能量（促使 Snake 贴近结构边界）。Snake 通过梯度下降法逐步降低能量函数、迭代优化，这代表了一种经典的图像分析 AI 形式化方法：(1) 参数化代表解空间的可变量 θ；(2) 定义一个代价函数 C(θ; I)，描述当其被最小化时所要的解（如对象边界上的平滑轮廓），其中 I 是图像；(3) 通过沿代价函数梯度方向迭代下降来求最小值。在早期文献中，Snake 方法已被用于电影 MRI 与标记 MRI 中的 LV 分割。Snake 是一条参数化曲线、通过能量最小化迭代更新；其升级版本——水平集（level set）方法——则用一条未参数化的曲线（或曲面）来表达。和 Snake 类似，水平集同样最小化由内、外部能量构成的复合能量函数，对几何形状和位置施加约束；不同之处在于，曲线或曲面被隐式地表示为高维超曲面的零水平集，因此能处理更复杂的拓扑结构，并在噪声污染下得到更稳定的结果。水平集方法在 2000 年前后获得了广泛流行，并出现了许多针对电影 MRI 分割的改进型能量函数；同时，通过设计复合能量函数 C(θendo, θepi; I)（θendo 参数化心内膜轮廓、θepi 参数化心外膜轮廓），水平集方法还被用于同时检测心内膜与心外膜轮廓，代价函数还可编码心肌厚度信息。其他常见的基于图像的电影 MRI 分割方法包括形态学运算、图割、像素分类与聚类。需要指出的是，多数基于图像的方法是半自动的，需要合适的初始化，且分割结果严重依赖初始化的质量。尽管许多方法在实验室数据集上表现良好，但能否推广到临床上的任意 CMR 数据集仍存疑：不合适的初始化或优化中的局部极小都会使结果出错；并且由于能量函数仅由局部图像块计算，这些方法缺乏对心脏的全局视角，容易被局部伪影所主导而陷入局部极小。数学上虽严谨，但这一类方法在真正的临床场景中仍有明显不足。

心脏分割的 AI 方法——基于模型的方法

随着 AI 算法与算力的发展，基于模型的方法在医学图像分析中变得流行。与仅使用图像本身信息的方法不同，基于模型的方法引入了"学习"概念——它们既考虑给定图像中的信息，也融合对象的先验知识。在主动形状模型（active shape model, ASM）中，形状空间（shape space）被定义为表示所有合理心脏形状的低维流形，从一组经过对齐的手工标注心脏形状中学习得到；该形状空间可通过主成分分析（PCA）一类线性降维方法提取正交主成分并保留最大方差。ASM 用远少于原始维数的主成分数量刻画心脏形状，从而形成一个良好约束的形状空间；当优化代价函数时，轮廓的演化可以受到合理约束。因此 ASM 有时被称为"智能 Snake"，可视为带全局形状约束的活动轮廓。优化问题可表达为在 θ 属于低维流形 Θ 的约束下求 C(θ; I) 的最小值——在低维流形上的优化大幅缓解了纯图像方法在全局上不对形状施加约束的问题，并减少由局部噪声或伪影引起的误差。ASM 的升级版本是主动外观模型（active appearance model, AAM），它不仅整合了心脏的形状（几何），还整合了心脏的外观（纹理）。这里的"外观"指对象周围信号强度的模式或分布。AAM 提供了更多约束来描述一个合理分割——不仅心脏形状需满足预定义模型，心肌外观同样需满足。文献中 ASM、AAM 及其变体已被用于电影 MRI 心脏分割问题；同时，这些模型还常被扩展到时间维度，以进一步编码心脏运动带来的形状变异性。在引入形状与外观先验后，ASM 与 AAM 方法相较纯图像方法取得了长足进步，但仍不足以应对功能 CMR 图像中巨大的变异性；实际问题还包括难以对尺寸、形状、方位各异的不同心脏进行轮廓参数化、不同扫描仪下图像外观的差异，以及在全自动场景下难以恰当地初始化分割。随着图像配准技术的发展，一种更鲁棒的基于模型的功能 CMR 分割方法——多图谱分割（multi-atlas segmentation）——开始流行。"图谱"指一组 CMR 图像，每幅都带有其已知的（手工）分割；图谱把信息从心脏的形状和局部外观扩展到整个图像（或体）的内容。给定一组图谱与待分割的新数据集，多图谱方法的流程如下：(1) 用非刚性配准把图谱图像配准到待分割图像；(2) 将图谱分割传播到待分割图像；(3) 由第 (2) 步得到的多个分割合成出最终分割。多图谱方法完全自动、无需初始化且对噪声不敏感，继承了非刚性配准技术的多项优势。本质上，多图谱方法同样利用了"先验模型"，只是较 ASM/AAM 更为隐式；其心脏分割性能相对 ASM/AAM 进一步提升。

心脏分割的 AI 方法——基于数据的方法

基于数据的方法同样依赖先验知识，但完全摆脱了显式模型，能直接学习比基于模型方法所用的规模大得多的数据集。CMR 分析中绝大多数基于数据的方法都建立在神经网络之上，其成功可归因于四点：(1) 卷积神经网络（CNN）借助二维输入与深度架构而复兴；(2) 图形处理器（GPU）的发展使快速并行计算成为可能；(3) TensorFlow、PyTorch 等开源平台让复杂计算得以实现；(4) 数字时代累积的海量数据集。对于功能 CMR，公开数据库也日益丰富，包括 Cardiac Atlas、Automated Cardiac Diagnosis Challenge（ACDC）以及 Multi-Centre, Multi-Vendor & Multi-Disease Cardiac Image Segmentation Challenge（M&Ms）等。基于数据的方法在形式上看起来不同于基于图像与基于模型的方法，但本质上仍是一个最小化代价的优化问题：给定一组训练数据，通过最小化代价函数（深度学习中更常称为"损失"）来优化网络参数，使其能够把输入映射到输出。深度学习 CNN 的输入通常是图像或图像序列，输出可灵活定义——根据应用可为分类标签、定量数值（回归）或输出图像（分割、配准、合成）。基于这一新原理，功能 CMR 分析问题可被形式化为：用专门的损失函数构建 CNN，输入是电影 MRI 或标记 MRI，输出可以是心脏分割、心肌应变、运动场，甚至定量测量（如 LVEF）。CNN 的主要组成包括：(1) 设计良好的网络架构；(2) 专门的损失函数（如分割中的交叉熵）；(3) 高效的优化器。基于这三个组件的选择，可构建各式 CNN 应对功能 CMR 分析问题。相较此前方法，基于数据方法的优化形式更简洁——既不需要轮廓参数化，也不依赖先验模型。方法上的简洁与性能上的优越使 CNN 已成为多种医学图像分析任务的流行工具。近年来，已开发出大量基于 CNN 的功能 CMR 分析方法：早期方法采用逐像素分类的 CNN（通过评估像素所在图像块的上下文进行分类）；后续工作采用了更高效的网络架构，如全卷积网络（FCN）与 U-Net——两者都是端到端 CNN。借助大量已知标注的图像，端到端 CNN 能够直接从原始电影图像映射到分割。文献 [64] 中 FCN 被用于短轴电影 MRI 中同时分割 LV 与 RV，性能优于传统方法；[65] 中 FCN 模型被应用于同一厂商 UK Biobank 健康人群的电影 MRI 数据；[67] 中 U-Net 模型在多中心、多厂商、多病理的电影 MRI 数据上做了评估，展示了在高度变异性数据上的优异表现。后续工作集中在网络架构与损失函数的改进上：包括引入 Inception 模块以在不同尺度上提取特征、用 ResNet 替换原始网络模块，以及提出加权 Dice 损失与 Focal 损失等改进的损失函数。由于电影 MRI 是时间序列，而放射科医师通常在 cine 模式下观看，因此也有研究工作把时间维度纳入进来，以在心动周期内获得时间上更连贯的分割结果。尽管 CNN 架构与损失函数的技术改进在持续突破分割精度的极限，仍需注意——精选均衡的训练数据和高质量的标注始终至关重要。在这一背景下，深度学习研究领域的最新进展正通过图像归一化、迁移学习与域自适应来应对分布偏移问题；还有一些最新研究采用对抗学习技术生成人造训练数据，以减少大量数据采集与标注的负担。

心脏运动追踪与应变分析的 AI 方法

心脏运动追踪是功能 CMR 分析中 AI 的另一项重要任务。MR 标记（MR tagging）技术使用特殊脉冲序列对心肌组织中的纵向磁化强度进行空间调制，使心肌被"打上标记"，从而可追踪其运动。运动追踪既可以可视方式、也可以计算方式在标记图案上完成；近年来，运动追踪也直接在电影 MRI 序列上进行（因其在采集与分析上更便捷）。有了心脏运动追踪结果，心肌应变与应变率就可以从物理位移中计算得到。本节将先回顾过去数十年占主导地位的经典运动追踪方法，再介绍最新的数据驱动 CNN 方法趋势。传统的自动心肌运动与应变评估有两大成熟技术：位移编码刺激回波（displacement encoding with stimulated echoes, DENSE）与谐波相位（harmonic phase, HARP）。DENSE 的基本原理是利用带双极梯度的刺激回波，直接把运动编码到 MRI 信号的相位中。HARP 则是为空间调制磁化（SPAMM）标记图像所设计的后处理方法，其原理是从标记线的局部空间频率中计算应变；HARP 在傅里叶域中计算谱峰，再通过相位解调提取运动信息。在深度学习出现之前，文献中已有大量用于心脏运动追踪的 AI 方法，大致可归为四类：(1) 基于 Snake 与 AAM/ASM 的方法，通过内、外部约束定位标记；(2) 光流方法，将运动追踪问题形式化为光流问题进行求解，包括最初为斑点超声心动图开发、后来被用于电影 MRI 的特征追踪（feature tracking, FT）方法；(3) 频域分析方法，把分析变换到傅里叶域，思路类似 HARP；(4) 基于配准的方法，通过非刚性图像配准来匹配标记图案。文献 [101] 中，作者对 HARP、Snake、光流和配准方法进行了系统比较，结论是非刚性配准方法的精度与鲁棒性最高。在临床实践中，MR 标记因可用性有限、缺乏标准化分析工具而使用受限。多项近期研究把稳态自由进动（SSFP）电影序列用于运动追踪，并以 MR 标记作为金标准进行了验证。值得注意的是，许多用于心脏分割的方法同样可被改造用于心脏运动追踪：例如基于 Snake 与基于 ASM/AAM 的方法可被应用于心动周期内的所有图像帧，并且由于轮廓点已被参数化，可以获得它们在每个心动相位的对应关系，从而追踪心内膜与心外膜边界处的心肌运动；ASM/AAM 还可被进一步扩展到时间维度，额外建模心脏运动带来的形状与外观变异性；多图谱分割中使用的非刚性配准方法同样可被用于找到不同心动相位之间轮廓位置的对应关系，从而追踪心脏运动。深度学习 CNN 的最新发展为自动追踪心脏运动开辟了新可能。虽然它不是常见的图像分类或分割任务，但深度学习的灵活性允许从视频输入到运动场输出的"映射"：心脏运动追踪可被形式化为跨帧识别光流问题，从而用 FlowNetS、FlowNetC 等方法在心动周期内追踪心肌边缘与解剖点。相较原始计算机视觉任务中针对非受限自然场景计算光流，心肌运动追踪是一个受约束得多的问题，因此光流 CNN 的训练可以专为电影 MRI 或标记 MRI 服务。文献 [85] 提出了基于光流 CNN 的自动心脏运动追踪，并与传统配准方法做了比较，结果显示在涵盖大量心脏病理的异质数据集上训练后，CNN 在精度与速度上均优于配准方法。配准也可以被形式化为回归问题：既可以利用合成数据中已知的运动进行有监督训练，也可以以完全无监督方式实现经典图像配准的摊销式版本。文献 [110] 提出了一个 CNN 框架，直接从电影 MRI 数据中提取运动特征以识别慢性心肌梗死，并以晚期钆增强（LGE）MRI 为金标准，报告了在无需对比剂的情况下定位心肌梗死的较高准确率。文献 [111] 提出将 CNN 与循环神经网络（RNN）相结合，从标记 MRI 中全自动检测并追踪标记，实现高通量图像分析并直接计算心肌应变。

功能参数估计的 AI 方法

临床上相关的功能参数包括心肌质量、厚度、每搏输出量、LVEF、RVEF、纵向与环向应变等。由于心脏分割与心脏运动追踪可由 AI 方法自动获得，这些参数便可以很自然地计算出来。已有研究报道，AI 导出的参数与人工导出参数相比精度高且相关性好。借助深度学习 CNN 将任意输入映射到任意输出的强大能力，还有一些探索性研究通过回归直接从原始 CMR 图像提取功能参数。文献 [114] 提出了一个 CNN 架构，将原始电影 MRI 直接映射为所有结构与功能参数，无需中间 LV 分割步骤；该架构包含一个图像自编码器网络（用于从电影 MRI 提取低维特征）和一个回归网络（基于这些特征做定量预测），两个网络在训练数据上联合优化。这种数据到参数的映射方式展示了深度学习方法执行高度非线性、复杂映射的强大能力，并可在一定程度上模拟经验丰富的放射科医师查看 CMR 的方式——放射科医师无需任何标注就能在观看电影 CMR 时估计出每搏输出量或 LVEF。但没有中间分割结果时，这种方法难以解释与监控。

讨论

尽管传统 AI 方法经过数十年发展，仍难以应对临床 CMR 中巨大的变异性；如今深度学习已确立为功能 CMR 领域的当前最优，展现出进入临床实践的广阔前景。深度学习 AI 的优势包括精度高、灵活性强、计算速度极快。本章没有把焦点仅放在数据驱动的深度学习方法上，而是回顾了过去几十年中范围更广的 AI 方法——基于图像的方法（仅利用单幅图像信息）与基于模型的方法（融合一定先验信息）。AI 方法的演化清晰显示出信息整合程度不断提升的趋势；整合先验信息的方式也从显式模型演化到隐式模型。作者认为，CMR 图像的复杂性很难用自由度有限的显式模型完整捕捉；更合适的做法是基于统计学习的方法，借助大规模数据集尽可能覆盖数据分布。尽管深度学习方法带来了性能上的巨大提升，但同时也带来了可解释性与可控性的下降——基于数据的深度学习方法通常拥有数以百万计的内部参数，无法直观解释、也难以方便地调整。这与传统方法（如 Snakes 或 ASM）不同，后者的参数远少但具有清晰的物理意义，可以被相应地控制与微调。基于数据的 AI 方法在可解释性与可控性上的不足，在临床决策类应用中尤为棘手——因为这类场景下临床医生与患者都承受着高风险。目前已有一批研究关注深度 CNN 整体的可解释性，未来还需要针对临床 AI 分析工具专门、严格地研究可解释性。基于数据的方法的另一弱点是其对分布偏移的脆弱性：深度学习是一种统计方法，其底层假设是数据应独立同分布（i.i.d.）。一旦该假设被违反——即测试数据分布与训练数据不同——结果就会变得非常不可靠。分布偏移的来源包括不同的 MRI 设备与协议、不同的中心以及不同的患者队列。这种独立同分布假设也解释了基于数据的方法中"偏差"的存在——CNN 的性能只能和它所训练的数据一样好。深度学习 CNN 还有一个值得关注的问题：由于高维空间中极高的自由度，它可能易受对抗攻击。这种弱点可能对 CNN 的实际可用性产生负面影响，并在高风险应用中引入风险。近期已有研究开始关注分布偏移与对抗攻击问题，从实践与理论两端同时入手，以弥补深度 CNN 的这些不足。鉴于上述局限性，要把基于数据的 AI 工具部署到功能 CMR 分析的临床实践中，关键是要在广泛且异质的数据集上进行严格验证；此外，那些能提供中间结果（如分割）的 AI 工具应优先于黑箱——中间输出在一定程度上提供了可解释性与可控性，必要时可被检查并加以人工修正。尽管 AI 足以胜任多种劳动密集、定义明确的任务（如分割与追踪），但人类所具备的某些能力——在干扰下进行高层级思考、综合与认知——仍是当前 AI 所欠缺的。未来的发展需要在计算机科学家、MRI 物理学家、放射科医师与心脏科医师之间开展紧密的跨学科合作。

结论

AI 方法用于功能 CMR 分析在过去三十年中一直是活跃的研究课题。本章按历史顺序系统回顾了为功能 CMR 分析所开发的多种 AI 方法，分为三类：(1) 基于图像的方法——仅利用给定图像中的信息；(2) 基于模型的方法——融合来自有限标注数据集的先验信息；(3) 基于数据的方法——从大规模标注数据集中学习。对每一类 AI 方法，都介绍了其高层级工作原理并回顾了相关文献应用。AI 方法的演化展示了信息整合的不断加强，并支持了性能的持续改善。如今，CMR 分析的 AI 已展现出进入临床实践的广阔前景；持续的研究将使 AI 在可解释性、可问责性与可控性方面取得更多进步。

本章个人批注

本章是全书第一篇专门讨论心脏功能 MR（功能 CMR）AI 方法的章节，作者 Tao 与 van der Geest 来自代尔夫特理工大学与莱顿大学医学中心，本身就是 Cardiac Atlas 等公共数据集的重要贡献者，立场偏"影像分析算法"，与前面 ch32（Vignale 等偏临床/指南）形成对照。整章叙事结构相当工整：从基于图像、基于模型到基于数据的三段式方法学演化串起分割、追踪、参数估计三大任务，再用"可解释性 + 分布偏移"两条线索收束——这条线索其实就是数据驱动方法的天花板。值得保留的几个要点：(1) Snake/ASM/AAM 并不是被淘汰的旧物，而是当 CNN 出错时仍有"可控可解释"价值的安全网——作者明确建议"提供中间结果的工具"优先于黑箱，这与 ch32 强调 AI 作为辅助而非替代的态度一致；(2) 独立同分布假设是 CNN 一切"换厂商就崩"的根本原因，本书后续 ch45（机会性胸部 CT）、ch19（AI MR 系统集成）会反复回到这个主题；(3) ch33 把"自动"与"半自动"方法分得清楚，承认初始化敏感性是图像方法的硬伤——这点对临床部署非常关键，许多学界论文忽略；(4) 多图谱方法其实和 AAM 思路相通（都是把图谱/先验引入），但借助非刚性配准变得全自动，这点对后续阅读传统心脏分割文献会有帮助。需要注意的疑点：作者对 ASM/AAM 的 PCA 描述稍显简化，没有提"点对应（point correspondence）"这一前置难题；level set 与 Snake 的对比也较教科书化（只说拓扑灵活性，没说其数值稳定性代价）。还有一处小歧义——DENSE 与 HARP 的关系，作者说"two views on the same technique"是引自文献 [89]，但前文只说 DENSE 直接编码相位、HARP 走频域，两者物理原理其实并不完全等价，这个等同性需要回到 Kuijer 2006 那篇原始文献核实。

与上下章的衔接（一段话）

从全书结构看，ch32（Vignale 等）刚刚回答了"心脏 MR 指南/临床应用中 AI 该放在哪里"的临床侧问题，给出了 9 个具体场景的 AI 应用图景；ch33 立刻把镜头切到方法学侧——沿着 image-based → model-based → data-based 的时间轴，把功能 CMR 中三大基础任务（分割、运动追踪、参数估计）的代表性 AI 算法一一定位并比较优劣。ch33 是 ch32 中"AI for AI 自动化分割 / 运动追踪 / 报告"那些临床应用背后的方法学根基。下一章 ch34（Peper, Kozerke, van Ooij）将话题延伸到 4D Flow MRI——一个比常规功能 CMR 采集更复杂（15-30 分钟扫描 + 15 分钟重建 + 手工或半自动分割）、对 AI 自动化需求更强的子领域，可以视为 ch33 所提"自动分割 + 参数估计"框架在血流动力学场景下的特化与扩展。从 ch33 到 ch34 的过渡非常自然：ch33 给出"AI 如何做功能评估"的方法学坐标，ch34 则把同一个方法学坐标搬到一个更新、更吃自动化能力的成像模态上。