第35章：基于磁共振成像的冠脉血流：人工智能的作用（Magnetic Resonance Imaging-Based Coronary Flow: The Role of Artificial Intelligence）

引言

本章承接前两章关于心脏磁共振（cardiac magnetic resonance, CMR）图像重建与 4D flow MRI 处理的讨论，把焦点从心脏与大血管内的速度向量场量化，转到 CMR 冠脉流量与心肌灌注这两个对空间分辨率与采集速度要求更苛刻的任务。CMR 已经在电影成像、4D flow、晚期钆增强等任务中确立了自身地位，但要把它推到冠脉树与心肌灌注的日常临床使用，仍受困于几件事。首当其冲的是冠脉血管本身的物理尺度与运动：冠脉树中的目标血管既细小又随心动周期大幅运动，使 PCMR 这类基于逐像素速度估计的方法难以直接解析时间与空间上的流量动态——源文第 3 节开篇即指出"anatomical structures of interest are small and they are moving during the cardiac cycle"，意味着流量测量与解剖成像都易受噪声污染，且可达到的空间与时间分辨率限制了直接分辨能力；峰值速度可在舒张期到收缩期之间变化 40–50%，血管横截面上的速度空间分布在弯曲或扭曲血管中可能很复杂，潜在地需要比勾画血管壁所需更高的空间分辨率。其次是流量指标定义本身的复杂度：常规的 CFR、MFR、FFR 各自有严格的定义与边界条件，CFR 与 MFR 需要静息与应激两套采集并配以冠脉窦或心肌组织的速度/信号时间序列，FFR 需要最大充血状态下狭窄远端与近端的压力比或通过计算流体力学（computational fluid dynamics, CFD）从 CT/MR 推导；这三类指标在 ch35 的语境下被视为等价度量，反映心外膜疾病（狭窄）与微血管疾病的组合。第三是心肌灌注磁共振图像的视觉判读高度依赖经验，定量分析又依赖繁琐的手工勾画；CE-MARC 等多中心研究已经显示 CMR 灌注相对 SPECT 的敏感性优势（86.5% vs 66.5%），但视觉评估本身是复杂且耗时的任务，其准确性取决于操作者的训练水平和经验。本章正是在这些瓶颈处引入人工智能（artificial intelligence, AI），重点讨论机器学习（machine learning, ML）与深度学习（deep learning, DL）方法如何改进冠脉血流的测量与建模、自动化心肌灌注磁共振的定量分析。本章组织如下：第 2 节回顾冠脉流量与流量指标（CFR、MFR、FFR）的定义、传统测量方法及其与 CMR 的结合；第 3 节讨论 AI 在冠脉流量中的应用，重点是数据同化（data assimilation, DA）框架、物理信息神经网络（physics-informed neural network, PINN）和基于 AI 的不确定性量化；第 4 节回顾心肌灌注磁共振的概述与定量分析方法；第 5 节介绍 AI 在心肌灌注自动量化中的关键步骤；第 6 节给出未来方向与结论。

冠脉流量与流量指标

冠脉流量测量的目标，是确定灌注心肌的冠脉血管内的绝对流量。这些流量值可以用于确定和定位由心外膜病变或微血管冠脉疾病引起的灌注缺损。冠脉流量测量技术主要用于确定冠脉流量储备（coronary flow reserve, CFR）——即静息冠脉血管流量与充血（hyperemic）流量之比 [51, 52]；或心肌流量储备（myocardial flow reserve, MFR）——即组织层面静息流量与充血流量之比。尽管两者存在一些重要差异（前者测的是冠脉动脉中的速度与面积，后者测的是心肌组织层面的血流量），CFR 与 MFR 通常被视为由不同模态得到的等价度量，反映心外膜疾病（狭窄）与微血管疾病的组合 [53–55]。这一测量传统上通过两种不同方法实现：一是直接测量冠脉动脉中的血流速度和血管面积（单位为 cm/sec 或衍生流量率 ml/min），二是测量输送至心肌组织的流量（单位为 ml/min/gram）。前者（直接测量）主要用于导管室，由多普勒超声导管测量血流速度并估计血管横截面积；后者（组织流量）则主要由核医学技术（SPECT 与 PET）完成。

CMR 可通过使用首过灌注（伴或不伴定量建模）测量 CFR/MFR [56, 57]。CMR 也可通过在静息与充血（应激）状态下用相位对比磁共振（phase-contrast magnetic resonance, PCMR）测量冠脉窦的流量来测量 CFR [58–60]。冠脉窦中的 CFR 测量是定量全局度量，而心肌灌注测量是区域半定量度量。冠脉流量测量也可用于确定血流储备分数（fractional flow reserve, FFR）。FFR 是通过血管的实际流量与假设无狭窄时的流量之比 [61]。由于无狭窄时的流量无法直接测量，FFR 由导管室中最大充血状态下狭窄远端与近端测得的压力之比来估计。最大充血降低下游阻力并保证压力与流量成正比。FFR 仅反映心外膜狭窄处的阻力，因此已在指导经皮冠状动脉介入治疗（percutaneous coronary intervention, PCI）和支架放置中显示价值 [48, 62]。计算机断层扫描（computed tomography, CT）已通过 CT 冠脉造影（CT coronary angiography, CTCA）与计算流体力学（computational fluid dynamics, CFD）的组合用于确定 FFR [63]。CTCA 提供冠脉血管的解剖几何，CFD 在此几何上求解 Navier-Stokes 方程并施加边界条件以估计流量与压力场。尽管基于 CT 推导 FFR 需要若干假设，但已显示与有创 FFR 具有良好相关性 [63–65]。AI 已被广泛用于训练基于 CT 的 FFR 算法 [66–68]。最近的研究表明，FFR 可以通过 CMR 来模拟，即结合 PCMR 测量与冠脉解剖成像：3D 冠脉 MRA 重建冠脉血管几何，PCMR 在静息与应激下测量冠脉动脉与/或冠脉窦中的流量作为数据同化的边界条件，建模步骤在 3D 几何上求解 Navier-Stokes 方程以确定时变流动，最终可在血管几何上直接显示 FFR 等参数——这正是图 35.2 所描述的五步工作流 [69, 70, 71]。CMR 已展示出应用于无创血流测量的巨大潜力。CMR 的相位对比磁共振（phase-contrast magnetic resonance, PCMR）允许在逐像素的基础上对血流速度进行定量局部估计。冠脉与全身血管流量可由快速 2D 测量或 4D flow 测量技术（三空间维加时间）完成。相较多普勒超声速度测量等其他无创技术，PCMR 可提供更丰富的流场结构细节。然而，对局部速度的准确测量依赖于图像质量，这由成像参数设置、空间与时间分辨率以及感兴趣解剖结构的尺寸共同决定：尽管基于 AI 的重要技术进步已显著扩展了 PCMR 在广泛应用中提供准确速度估计的能力（参见第 44 章），一些开放性挑战仍然存在。冠脉树中的流量估计正是这样的挑战，因为感兴趣的解剖结构既细小又随心动周期运动。在这种情况下，流量与解剖测量都易受噪声污染，且可达到的空间与时间分辨率可能阻碍直接解析时间与空间上的流量动态。

人工智能在冠脉流量中的应用

从含噪数据估计血流（用于解剖重建和速度估计两项目的）的传统方法，是将问题表述为数据同化（data assimilation, DA）问题。在这种表述中，数据与所观测现象的物理规律相结合，从而获得与数据一致同时满足物理定律约束的模型。典型情况下，可用数据稀疏、空间与时间分布不规则且伴有噪声。DA 模型允许对整个感兴趣区域中的物理量进行估计，且与直接测量有可度量的偏差。文献中已记录若干 DA 应用于血流估计的例子，主要集中在中到大血管或不受运动显著影响的感兴趣区域，例如脑血管。Toger 等人 [75] 近期证明，对脑血管几何中的 4D flow 测量采用 DA 方法，与标准 4D flow 相比，显著提高了血流速度估计的准确性；以血管横截面上 2D PCMR 流量测量为参考。Gaidzik 等人 [76] 考虑了复杂血管网络中通过 4D flow 进行流量测量的问题，其中某些血管可能过小以至于 PCMR 无法适当分辨。利用整个 Willis 环中的血流模型，DA 实现了 PCMR 测量估计不确定度相比传统基于图像的流建模方法的显著降低。这对于血管网络中图像分辨率无法分辨的区域尤其有意义。

传统数据同化框架的局限在于，它们依赖感兴趣区域用于血流建模的解剖模型定义。大多数传统方法假设血管几何已知，或至少血管壁位置的不确定度小于血流速度值的不确定度。血流速度的动态特征在心动周期中呈现显著的时间与空间变异性。峰值速度可在舒张期到收缩期之间变化 40–50%，血管横截面上的血流速度空间分布在弯曲或扭曲血管中可能很复杂，潜在地需要比勾画血管壁所需更高的空间分辨率。在冠脉血管的情况下，前述假设不能直接应用，这既因为可能受显著冠脉疾病影响的小分支可能细小，也因为血管壁的时间动态与冠脉血流速度的时间动态具有同等复杂性。在传统 DA 框架中显式纳入解剖模型的不确定度通常会增加问题的复杂度，往往使其难以处理。

最近提出了 AI 应用于 DA 问题的方法。这些方法在解剖几何的不确定度不能被忽略的情况下显著降低了问题的复杂度。在这些场景中，用于同化数据的底层物理模型的选择可能对感兴趣量的估计产生重大影响。具体地，血管的几何形状对预期物理现象施加了硬约束，使得与数据达成一致可能更难实现。Raissi 等人 [77–79] 在一系列近期工作中描述了一种数据驱动的流体动力学模型定义方法，它使用物理原理作为神经网络训练过程的正则化。所得模型在以下意义上表示流动：它将相关物理量（例如速度、压力）关联到作为输入提供的点坐标与时间帧的元组；这与传统的计算模型所做的事情类似。当提供足够多的、输入元组关联到输出物理量的样本时，可以训练神经网络表示这样的模型：然而，传统学习方法将使最终模型在训练阶段未见过的配置（例如几何或流态的变化）上泛化能力不足。

物理信息神经网络（physics-informed neural network, PINN）将流体动力学方程所表达的运功定律加入训练过程。它们旨在学习输出变量与其导数之间的关系，这些导数按控制方程定义并使用自动微分计算。因此，在训练过程中，神经网络实现的联合目标是最小化预测物理量与真值之间的差异，同时最小化附加的量，例如不可压缩流体的质量守恒或预测输出变量中的动量守恒。该方法在心血管流动研究中的应用最近由 Kissas 等人 [80] 探索。作者表明，血管网络中的物理量估计可以使用物理信息神经网络实现，输入信息包括网络拓扑结构和少数血管横截面上的血流速度及面积测量。网络拓扑的知识允许将问题分解为多个组成部分。专用神经网络被训练用于预测每条血管中的流量，按标准流建模过程规定接口条件。神经网络系统使用血流计算模型产生的真值物理量以及在指定血管位置处采集的测量时间序列进行训练。在简单的血管配置中，作者显示相比传统计算方法，预测血流速度值的准确性有所提高。这些结果表明，所提方法适用于在动脉网络中估计流量，前提是可靠数据仅在有限数量的血管横截面上可用。因此，高分辨率 2D PCMR 测量与相对较低分辨率 3D 成像（用于定义网络拓扑）的组合足以在流量估计中取得有竞争力的准确性，同时摆脱传统 DA 方法对流动控制原理的硬约束。这种方法显示有潜力，但存在若干局限。使用降阶模型作为神经网络训练的底层物理模型，在设计上限制了网络仅能预测平均流量（例如血管横截面上的平均压力）。建立训练数据库和训练网络复杂且耗时。最重要的是，网络预测中的不确定性分析（由所采集数据中的不确定度决定）仍然缺失，仍是活跃的研究主题。

冠脉树中血流估计的不确定性量化最近已由若干团队探索，特别关注于评估冠脉疾病（coronary artery disease, CAD）的感兴趣量。Sankaran 等人 [81] 特别考虑了心外膜冠脉血管中血压的准确估计，这与 FFR 估计相关。他们分析了输入数据中的不确定度影响，包括血管几何的定义、血流速度的测量以及对血液物理性质的假设。他们也将研究重点放在模型衍生 FFR 值的不确定度对严重与非严重冠脉病变分类系统准确性的潜在影响。他们发现模型衍生 FFR 对狭窄面积的估计几何性质有显著依赖，表明在无法从图像中准确获得解剖信息的情况下，模型预测必须以区间估计而非点估计形式给出，并附置信度水平。Yin 等人 [82] 在计算冠脉血流模型中报道了狭窄几何是 FFR 最显著的决定因素，也得到了类似结论。在模型参数中，估计的外周阻力也被确定为模型预测的关键决定因素，提示参数识别方法起关键作用。

物理系统不确定性量化的传统方法依赖于描述控制原理的数学模型。它们基于系统在受控条件下或当模型输入与参数假定遵循特定概率分布时的行为分析。这种有原则的方法对评估基于图像的流模型估计的临床相关量中的内在不确定度是有价值的。该方法能够理解不确定度的来源，并解释数据噪声或建模假设对可能直接参与临床决策过程的度量影响。另一方面，近年来已发展了大量文献，为多种情境（如计算机视觉）中的不确定性量化问题提供创新解决方案，在这些情境中通常有大量数据可用，但不假设关于数据结构或分布的强先验信息。这些方法在可扩展性和捕获模型输出的复杂概率分布的能力方面展示出巨大前景，而这些分布通常不能被传统不确定性量化方法很好地建模 [83]。模型开发的新范式，如物理信息神经网络，有潜力为数据有限或受噪声影响的情境提供有竞争力的建模解决方案，在这些情境中，纯基于控制原理的模型可能隐含地强制过强的先验信息，而纯数据驱动模型会缺乏稳健性。这反过来可以解锁物理系统中不确定性量化的新方法，利用最先进的基于 AI 的技术。Zhu 等人 [84] 探索了物理约束深度学习模型在构建用于传统不确定性量化方法的仿真器方面的使用。他们展示了无需标注数据（即无需数值求解原始物理方程）的物理现象代理模型的定义，同时相比替代的数据驱动代理模型对分布外测试输入实现了更好的泛化。Yang 等人 [85] 开发了一个深度学习框架，基于其状态的概率表示来估计物理信息神经网络输出相关的不确定度。该方法能够对不确定系统执行概率计算并执行不确定度传播研究，而无需评估基于偏微分方程计算求解的前向模型——后者是传统物理系统不确定性量化方法中复杂性的重要来源。这些有前景的优势以需要专门训练技术为代价，使得实际应用在这一早期阶段仍具挑战性。

未来方向：AI 数据同化技术与 AI 不确定性量化技术的结合具有驱动优化成像协议的潜力，可专注于采集确保以受控准确性水平估计临床实践相关量所需的数据量。最近关于物理信息或物理约束神经网络的研究趋势在无创冠脉流量量化背景下尤其相关。基于从成像衍生的解剖信息和底层控制原理知识定义冠脉循环的流量模型的任务，对解剖模型的准确性以及模型参数和边界条件提出了严格要求。模型产生的感兴趣量（血流速度、血压）将以可预测的方式依赖于输入数据的估计不确定度。另一方面，图像内容与感兴趣量（血流速度、血管壁位置）之间的相关性很难被显式建模，特别是在空间分辨率有限的情况下——例如细小或狭窄的冠脉动脉。数据驱动方法已在类似情境中为各种计算机视觉应用发现输入与输出之间相关性方面表现出优越性能。开发数据驱动模型的物理信息方法有望在解释输入数据与感兴趣输出量之间相关性的同时，最大化输出数据与物理系统预期行为的一致性，从而找到最佳平衡。此外，冠脉树成像数据获取的内在挑战——其具有复杂拓扑和血管解剖以及复杂运动模式——使得数据不确定度能被恰当考虑至关重要。AI 技术在物理系统模型中高效量化不确定度传播方面的进一步发展，预计将成为冠脉流量无创自动化量化的关键组成部分，对临床工作流产生影响。

心肌灌注成像

CMR 心肌灌注成像的目标是确定区域心肌缺血的程度与位置。心肌灌注成像利用静脉注射钆基 T1 缩短对比剂（gadolinium-based T1 shortening agent），随后在每个心动周期中对左心室（left ventricle, LV）内的多片磁化准备切片（multiple magnetization-prepared slices）进行快速采集。采集在对比剂的首过和血管舒张诱导的充血期间进行。信号强度作为若干心动周期内时间的函数，给出区域灌注和灌注储备的定性度量 [56]。在灌注图像上信号强度延迟或减低的区域是血流量减少或延迟的区域，代表缺血。关于 T1 加权首过灌注成像序列的文献综述可用 [86]，但当前文献对最佳成像方法的使用尚无共识。定量灌注成像基于对比剂浓度与信号强度成正比的假设。然而，在灌注 MRI 中，两者之间在高对比剂浓度下存在非线性关系，导致动脉输入函数（arterial input function, AIF）的低估。为了为心肌血流量（myocardial blood flow, MBF）定量获得更准确的 AIF，可使用双 bolus 或双序列方法 [87]。这些方法使用高浓度对比剂用于心肌分析，但使用低浓度以在 LV 血液池中维持线性信号 [88]。

在临床实践中，CMR 灌注图像在大多数情况下已被主观评估。图像的视觉解读是一项复杂且耗时的任务，取决于操作者的训练水平和经验 [89, 90]。从 MR 灌注图像中定量 MBF 有潜力降低对操作者的依赖并相比半定量方法能够在三支血管病变中检测平衡缺血 [90]。MBF 还能定量心肌灌注储备（myocardial perfusion reserve, MPR），其定义为应激与静息 MBF 的比值，是 CAD 的另一个生物标志物并可能是 CAD 患者结局的潜在预测因子。可通过求解血液-组织交换模型的偏微分方程实现逐像素的 MBF 定量 [88]。

最近的研究表明，使用钆基对比剂与血管舒张应激药物的 MRI 心肌灌注成像在 CAD 检测方面优于使用 18FDG 的单光子发射计算机断层扫描（single-photon emission computed tomography, SPECT）。在 CE-MARC 研究中，CMR 灌注与 SPECT 的敏感性分别为 86.5% 和 66.5%。CMR 与 SPECT 的敏感性和阴性预测值差异显著，特异性和阳性预测值等同 [91–96]。其他试验中也观察到类似结果 [93, 94]。因此，基于 CMR 的心肌灌注成像的使用已经增加，扮演看门人的角色，以识别由于需要接受 PCI 缓解缺血的高度概率而应接受导管室检查的受试者。

人工智能在心肌灌注成像中的应用

机器学习已对从首过灌注 MRI 开发心肌血流量（myocardial blood flow, MBF）自动量化所需的重要任务提供了帮助。图 35.3 显示了涉及自动量化灌注 MRI 的图像分析步骤，按图注详述包括以下七类任务：心脏边界框检测、运动校正、从图像序列中创建或识别具有最佳对比度的代表性图像、标志点检测、心肌分割、应用示踪动力学模型计算参数图（如图 35.3 用 16 段 AHA 模型展示）以及低灌注心肌区域的自动检测 [97]。首先，确定心脏边界框——把灌注图像序列裁剪到大致包含 LV 的 3D 区域，作为后续步骤的输入。下一个必需步骤是对可能在不同心脏或呼吸相位下采集的心脏图像进行配准。文献中已提出许多刚性与非刚性配准（rigid and non-rigid registration）解决方案以解决该问题 [98–100]。

心肌分割是自动量化中的下一个必要步骤。通常选择心肌与血液池之间具有最佳对比度的图像帧用于分割，或者将图像序列使用最大强度投影合并为单个单帧表示。深度学习在灌注 MRI 的准确与稳健自动分割中具有巨大潜力 [101, 102]。Xue 等人 [103, 104] 的一项近期研究使用来自 1000 多例患者的成像数据训练了一个卷积神经网络（convolutional neural network, CNN），以产生平均误差在受试者间变异性范围内的分割结果。

接下来，使用示踪动力学模型对配准的心肌像素计算 MBF。为了自动生成灌注参数的 16 段美国心脏协会（American Heart Association, AHA）模型报告，需要参考点（例如右心室插入点）以定义各个节段并提供图的方向。可以使用图像分区 [105, 106] 和深度强化学习 [105, 106] 等 DL 方法自动检测该标志点。物理信息神经网络也可以被训练以拟合所观测的灌注 MR 测量数据，同时尊重由多腔室交换模型描述的底层物理规律 [107]——这与 ch35 第 3 节 PINN 在冠脉流量建模中的角色呼应，是 PINN 在"无创流量/灌注量化"这条主线的两处应用。初步工作也展示了机器学习在心肌中使用基于对象的图像分析自动分割低灌注区域的潜力 [108]。自动量化流水线最近已集成在 MRI 扫描仪控制台上，使结果在采集后立即可用 [103]。这些技术已在最近旨在验证心肌灌注自动量化的研究中结合使用，目标是将这些方法用于自动检测 CAD [89, 90, 109–111]。Knott 等人近期的一项多中心研究，是迄今为止规模最大的研究，包括 1000 多例患者，显示 MBF 和心肌灌注储备（myocardial perfusion reserve, MPR）降低与主要不良心血管事件（major adverse cardiovascular events, MACE）显著相关，表明定量灌注在检测局部缺血之外具有预后价值。未来方向：首过心肌灌注 MRI 尚未在临床实践中更广泛采用的主要原因之一是结果视觉解读的挑战性以及定量分析所需的繁琐手动勾画。近年来，深度学习已被应用于该问题，并已显示具有完全自动化分析的潜力，可促进 CMR 灌注在 CAD 检测中的更广泛使用。近期发现，例如降低的 MPR 对心血管死亡率的强大预测能力（如通过 PET（CFR）和首过灌注 MRI 测量），为该方法更常规的使用提供了基础，但仍需随机对照试验（randomized controlled trial, RCT）以进一步验证这些发现。

结论

AI 技术，特别是 ML 和 DL，已开始在 CAD 患者的诊断与管理中发挥作用。ML 和 DL 技术在 MRI 中的使用广泛，目前已有研究开始将 AI 用于 MRI 的心血管应用以辅助图像解读并加速图像重建与处理。这些 AI 技术使得从稀疏采样数据改进冠脉解剖重建、改进冠脉流量的测量与建模、自动化定量心肌灌注分析过程成为可能。本章中提出的概念和信息基于尚不可商业获得的研究结果。未来可用性不能保证。

本章个人批注

本章由 Passerini 团队（来自 Siemens Healthineers 与学术合作单位）撰写，作者背景是计算流体力学与心血管建模跨界，所以 ch35 与 ch34 在"血流动力学"这条线上的延续性比表面看起来更强——ch34 是 MRI 物理 + 4D flow 后处理，ch35 是在 ch34 的物理基础上把"流量估计 + 不确定性 + 临床决策"这个上层应用完整接住。本章叙事线索是：冠脉流量指标（CFR/MFR/FFR）→ 传统 DA → AI-DA（PINN）→ AI 不确定性量化 → 心肌灌注（类似线索）→ AI 自动化 pipeline → 临床预后（MACE）。每一步都点了名作者（Toger、Gaidzik、Raissi、Kissas、Sankaran、Yin、Zhu、Yang、Xue、Knott 等），但比 ch34 稍简——ch34 是"工具箱"风格，ch35 是"应用案例"风格。值得保留的要点：(1) PINN 的"reduced-order physics model"这个限制很关键——它从设计上决定了 PINN 只能输出截面平均量，无法输出逐点速度场，这跟 Raissi 原始的"解 PDE"愿景有差距，作者自己写出了这个限制，说明团队对方法边界有清醒认识；(2) Sankaran 与 Yin 两组独立得出"狭窄几何 > 速度测量 > 外周阻力"的 FFR 决定因素排序，且明确指出当几何不准确时 FFR 必须以"区间估计 + 置信度"给出——这是临床落地中很重要但少有综述直白写出的一点；(3) CE-MARC 数字（CMR 敏感性 86.5% vs SPECT 66.5%）是支撑"CMR 灌注作为看门人"这个临床定位的关键证据，但本章只在背景里给数字，不展开讨论设计细节；(4) Knott et al. 的 1000+ 患者 MACE 关联是连接"定量灌注 ↔ 预后"的桥梁——这意味着 MBF 不只是诊断工具，也是风险分层工具，但本章把这条线索留给读者自己连。需要注意的疑点：(a) "AI 在冠脉流量中的应用"小节几乎没有给出具体性能数字（如某 PINN 在某数据集上的相对误差），只描述方法学——这与 ch34 形成对比（ch34 有 FlowVN 的 19.7% vs 22.1% nRMSE、4DFlowNet 的入口/出口相对误差等具体数字）；(b) "Use of AI in Myocardial Perfusion Imaging"中提到"the average error within the intersubject variability range"对 Xue 等的 CNN 分割是个模糊表述，没给具体 Dice 或 Hausdorff；(c) 本章把冠脉流量与心肌灌注分两节独立讨论，但二者临床上常被一起使用（"CMR stress test"既看 perfusion 也看 flow），本章没有给出整合视角。整章与 ch34 的关系是"方法 ↔ 应用"——ch34 给出 MRI 物理与 AI 重建，ch35 给出上层应用与不确定性，二者组合才能形成"无创 CMR 冠脉评估"完整链条。

与上下章的衔接（一段话）

承接 ch34（4D flow MRI AI）的"采集加速 + AI 重建 + AI 分割 + 物理信息增强"四段式技术框架，ch35 把这套技术向"冠脉流量 + 心肌灌注"两个临床应用推进一步。ch34 处理的是大血管（主动脉、肺动脉）和心腔的速度向量场，主要生物标志物是 WSS、PWV、压力差；ch35 转入冠脉树和心肌组织，关注的是 CFR、MFR、FFR、MBF、MPR 这类与 CAD 诊断和预后直接挂钩的指标。从方法学看，ch34 已经介绍过的 PINN（Kissas 等）在 ch35 中被进一步讨论为冠脉流量建模的"框架级"工具，但 ch35 明确点出了 PINN 的"reduced-order model"限制——这与 ch34 中"physics-informed ML 改善图像质量"的乐观叙事形成微妙的张力：同一个 PINN 工具，从"图像增强"角度看是利好的，从"流量估计"角度看是有结构性限制的。ch35 也在 ch34 较少触及的不确定性量化（uncertainty quantification, UQ）上开辟新线（Sankaran、Yin、Zhu、Yang），把"AI 在物理系统中的输出可信度"作为单独主题来写。下一章 ch36（先天性心脏病，congenital heart disease）将转向儿科与结构性心脏病的 AI 应用，是从"成人心血管疾病 + 冠脉"切换到"先天性结构异常"的一步。可以把 ch34–ch35 视为"AI 加速 + AI 重建 + AI 流量建模"在 CMR 上的方法学堆叠，ch36 则是"这套方法在另一类患者群上的临床再应用"。