目录

【JCMR】CMR的未来：一体化与实时CMR（上）

0 基本信息

1 摘要

2 导读

3 “一体化” CMR

    3.1“一体化”CMR协议的愿景

    3.2“一体化”心脏成像的现有方法和验证

4 与传统CMR相比，一体化心脏检查的优点和缺点

    4.1“一体化”CMR的优势

5 部署“一体化”协议之前的需求    

    5.1全面一体化开发

    5.2临床验证和整合

    5.3利用一体化协议的全部信息

6 第1部分结论

2 0 24 年

基本信息

●标题：The Future of CMR: All-in-One vs. Real-Time CMR (Part 1)

●期刊：Journal of Cardiovascular Magnetic Resonance

●DOI：https://doi.org/10.1016/j.jocmr.2024.100997

1 摘要 

心脏磁共振（CMR）协议可能是漫长而复杂的，这促使研究界开发新技术，使这些协议更加高效和对患者友好。已经提出了两种不同的改善CMR的方法，特别是“一体化”CMR和“实时”CMR，前者同时采集多个对比度和/或运动状态，后者加速检查以避免屏气和/或心脏门控的需要。这份由两部分组成的手稿的目标是描述这两种不同类型的新兴快速CMR。为此，描述了每种方法的愿景，以及在临床实施过程中设计和测试的技术。介绍了不同方法的优缺点，并详细说明了每种方法的剩余开放需求。第1部分将介绍“一体化”方法，第2部分介绍“实时”方法，并对这些新兴方法进行总体总结。

 

2 导读

• 心脏磁共振成像（CMR）的强大功能源于其对独特的广泛生理过程、图像对比度和组织状态的敏感性。这种灵活性使CMR能够可视化解剖结构、测量功能和流量，并利用核磁共振（NMR）弛豫等物理过程来揭示包括纤维化和炎症在内的组织状态。然而，虽然CMR可用于询问大量心脏组织/功能特征，但通常使用特定的CMR脉冲序列来收集这些特征中的每一个。例如，电影序列用于评估心脏运动和功能，微血管阻塞的对比增强灌注扫描，生存能力的晚期钆，浸润性疾病的T1标测，水肿的T2标测，铁过载的T2*标测等。这些序列中的大多数必须在屏息期间执行，以避免由于呼吸运动而产生的伪影，并且许多序列是门控的，以便仅在特定的心脏阶段收集数据。此外，传统的CMR采集收集心脏的3D结构内的2D平面，因此，如果正在评估整个心脏，则必须收集多个图像；这方面的一个常见示例是在电影成像中收集12-16个2D切片，以显示左心室从底部到顶部的运动。此外，某些序列的定时要求会使CMR协议进一步复杂化。例如，ECV标测和LGE成像需要在注射造影剂后的特定时间点进行成像；随后花费在等待形成适当对比度上的时间也会延长检查时间。   
• 由于传统的CMR检查需要多个图像，每个图像具有不同的对比度，在不同的屏气中，在心脏的整个3D体积上，CMR协议可能会变得相当长；许多机构为每位患者安排45-60分钟的时间，即使是不合作的患者或解剖结构异常的患者，也可能经常超过这些时间。成功进行这一长系列扫描所需的费用和培训使CMR难以超越先进的学术医疗中心。这限制了高资源和低资源地区大部分人口的可及性。因此，公开需要用于CMR采集的快速方法，以减少单个图像和序列的采集时间，并且还减少整个协议的长度。
• 近年来，为了缩短CMR考试的时间，出现了几种不同的思想流派。一种基本方法是专门针对狭窄的临床问题定制方案，减少使用的单个序列的数量。例如，已经开发了一种构建良好的30分钟CMR检查，它可以解决大量的临床适应症。虽然这种方法在许多机构中使用，但研究人员正在设计新的技术，以更有效的方式收集所有对比。这些技术大致分为两类：“一体化”方法和“实时”方法。在“一体化”方法（也称为SMART CMR）中，新序列被设计为同时捕获多种形式的信息；在最极端的情况下，用于组织表征的运动场和图可以在单个综合采集中在心脏的整个体积上采集。在“实时”方法中，每个单独的序列被更快地收集，通常足够快，以消除屏息和心电图门控的需要，从而使整个协议更加高效。由于相关的技术挑战，这两种方法都尚未在临床上完全部署，但在每种新型方案的部分方面都取得了重大进展。
• 这份由两部分组成的手稿的目标是描述这两种不同类型的新兴快速CMR协议，即“一体化”和“实时”方法。为此，描述了每种方法的愿景，以及在临床实施过程中设计和测试的技术。介绍了不同方法的优缺点，并详细说明了每种方法的剩余开放需求。第1部分将介绍“一体化”方法，第2部分介绍“实时”方法，并对这些新兴方法进行总体总结。

 

3 “一体化” CMR

3.1“一体化”CMR协议的愿景    

如引言中所述，CMR的优势在于它能够使用单个成像模式捕获关于心脏健康的多种类型的信息。然而，这种灵活性可以被视为一把“双刃剑”：因为CMR扫描对广泛的生理相关影响很敏感，当试图捕捉心脏健康的特定方面时，这些影响中的每一个都可能成为一个混淆因素。以心脏运动为例——尽管成像运动对评估心脏功能至关重要，但在收集图像进行组织表征时，这一过程通常被视为麻烦的伪影发生器。标准方法如图1a所示，其中不同的专用脉冲序列逐个独立地针对相关生理过程。在这里可以看出，电影图像和定量参数（如T1、T2、T2*或ECV）的映射都是使用专门的脉冲序列获取的，通常是在屏息期间。这种串行采集链可能导致未映射参数的潜在偏差、不同对比度的映射和图像之间缺乏配准以及扫描时间过长。这些单独的脉冲序列被仔细地（有时不稳定地）计时，以消除或忽略混杂效应——之后，技术专家必须回去，通过在稍后的扫描中应用不同的专用脉冲序列来瞄准这些先前的“混杂因素”。例如，T1恢复在电影、T2标测和灌注扫描中被视为混杂因素，但由于其作为纤维化、脂肪浸润、铁沉积等的生物标志物的用途，它是T1标测扫描的唯一焦点。这种有目的地避免收集多种形式的临床有用信息，并且在扫描之间不共享公共成像信息的策略，自然效率低下，导致长时间的连续检查。使用连续序列成像的另一种选择是使用一体化方法（图1b）。

最近引入的几种成像框架表明，当多个过程同时发生时，可以同时对它们进行成像，而不是一次连续地询问一个过程。“一体化”CMR协议的最终愿景是一个单一序列，它对特定患者的所有临床相关组织特性都敏感，并在自由呼吸期间收集数据，而无需心电图门控。请注意，“一体化”不必是“一对一”：这种方法可以以患者为中心，旨在用单一的、量身定制的序列取代单个患者的序列检查，而不是作为标准化检查。如果在3D中采集，体积成像将消除对单个2D切片的收集的需要，因为3D体积可以被重新格式化为显示感兴趣解剖结构的任何方向的2D图像。然而，如果不需要3D覆盖来回答临床问题，则2D成像可以被视为“一体化”。   

监测具有已知位置的目标感兴趣区域。更重要的特征是在运动过程中同时交错采集多参数数据。通过联合处理这些数据，可以生成所有相关组织特性的图，以及显示心脏运动的电影图像，甚至是呼吸分辨图像。这种多路复用成像作为传统CMR的替代方案是有吸引力的，因为它可能更高效，更容易在扫描仪上执行，并产生可用于多参数分析的本地配准图像。以下部分将描述“一体化”CMR的几种最新方法，这些方法的优势和劣势，以及在将其转化为临床使用之前必须解决的其他挑战。

3.2“一体化”心脏成像的现有方法和验证  

实现一体化CMR需要在脉冲序列设计、图像重建和图像分析方面取得进展。近年来，已经开发了几种成像框架，这些框架结合了所有这些领域的进步，为一体化成像奠定了基础。

第一种联合方法以有效的心肌组织表征为目标。这些早期方法中的大多数被设计为对一些对比度加权图像进行采样，从中可以导出几个感兴趣的参数（通常通过指数拟合）。请注意，这些例子中没有一个能够实现完全的一体化”扫描，但每个例子都表明可以同时收集几种不同类型的信息，这是实现所需的“一体化”CMR检查的第一步。将反转恢复（IR）和T2制备（T2prep）模块组合在一起的第一种方法，通常用于将T1和T2编码为单个，自由呼吸、交错采集（图2）。该策略使空间分辨率为1.3×1.3×8 mm3的联合配准地图能够从约3分钟的单次（导航）自由呼吸采集中得出。估计的T1和T2值与文献值一致，变异系数（CoVs）分别为~4.6%和~2.6%。用于参数编码的IR和T2prep的组合已用于多项研究，使用指数拟合和字典匹配，并提供了高精度的心脏T1和T2量化。   

还使用饱和恢复（SR）代替IR开发了联合T1/T2估计，在单次屏息中获得，实现了2x2x8 mm3的分辨率，扫描时间约为13秒。T1和T2分别相对于SASHA（~9.6ms）和T2prep-bSFP（~0.7ms）观察到可忽略的偏差，以及相似的精度（通过每个心脏节段的标准差估计）。中采用了类似的方法，进一步结合了可变翻转角以提高精度，从而能够在约11秒的屏气中以1.4×1.9×8 mm3的分辨率估计T1和T2值。T1相对于SASHA（~4 ms）无显著差异，但T2显著高于线性顺序的T2prep-bSFP（~4.6 ms）；T1和T2的相应CoV分别为~3.3%和~6.7%。

尽管心电图触发通常用于冻结心脏运动，但在“自由运行”（尽管屏息）方法中已经证明了几种形式的标测。例如，IR和连续bSFP读数已用于T1和T2编码，非刚性配准用于解释心脏运动，在约8秒的屏息中实现1.7×1.7×8 mm3的分辨率。相对于MOLLI（~2ms）和T2prep-bSFP（~0.7ms），仅测量到较小的偏差；T1和T2的CoVs分别为约3.2%和6.3%。IR准备的自由跑策略也已被探索用于评估单次屏息中的T1和功能信息。通过确保每个心时相具有适当的T1编码，可以在17-23秒的屏气中以1.9×1.9x10mm3的分辨率获得心脏分辨的T1图。T1值比SAPPHIRE（基于饱和度的）T1标测低约7%，表观精度在100-150 ms之间变化（随心时相增加）。已经探索了类似的想法，以在自由呼吸和无门控的情况下同时产生T1标测和电影成像，使用自门控图像导航器来导出呼吸和心脏运动状态，并使用双翻转角度序列来校正B1+，这是参数标测中的一个常见混杂因素。这种方法能够在约30秒的自由呼吸扫描中收集分辨率为1.5×1.5×8 mm3的地图（相对于MOLLI，报告的正偏差约为94 ms）。电影和心脏分辨T1映射的另一种方法将自由运行的IR制备序列与在分辨率为1.3×1.3×8 mm3的16秒屏息中获得的基于模型的重建相结合。观察到相对于MOLLI约80ms的正偏差，表观精度在57-65ms范围内，具体取决于心时相。基于模型的公式允许高加速因子，并在约4秒的扫描时间内证明了高分辨率（1x1x8 mm3）T1映射，相对于MOLLI（约20ms）具有可忽略的偏差，CoV约为3%。联合T1/T2/T2*标测已在自由呼吸中使用SR、T2prep、多梯度回波和导航仪门控进行了演示，在约26.5秒的扫描中进行了2x2x8 mm3分辨率的多参数标测。对于T1、T2和T2*，分别观察到与SASHA（~30 ms）、T2prep-bSFP（~0 ms）和多回波梯度回波（~1.5 ms）相关的微小差异；相应的精度分别为~68ms、~1.1ms和~3.3ms。  

 

上述方法可用于从2D切片收集多种形式的组织特性信息。然而，在这些2D方法的基础上，已经有了3D多参数映射的发展。在CMR中，全心脏覆盖通常是可取的，但必须进一步考虑序列，因为临床可接受的分辨率和覆盖所需的屏气时间是不可行的。可以使用采用心脏触发和/或呼吸门控的序列，但在存在心律失常和/或不切实际的扫描时间时可能会出现不准确的情况。然而，使用IR/T2preps在单次屏息中获得了全左心室T1/T2标测（10-13个切片之间以实现全覆盖）；图3显示了使用3D-QALAS方法收集的3D地图示例。初步临床评估表明，3D T1和T2标测的分辨率为2x2x12 mm3，屏气约17秒，T1（约-7.3 ms）和T2（约0.1 ms）的偏差可忽略不计。SR/T2prep序列也已结合导航仪门控和脂肪抑制对3D自由呼吸T1/T2进行了评估。在这种方法中，可以在~8分钟的扫描时间内获得分辨率为1.5×1.5x16mm3的3D T1和T2图。T1和T2值均与文献值一致，报道的T1和T2的CoV分别为约6.0%和10.2%。还使用IR/T2preps和图像导航器进行呼吸运动校正，在自由呼吸下获得了三维各向同性水/脂肪分离的T1和T2图，在约9分钟的扫描时间内实现了2x2x2 mm3的分辨率。报告了相对于MOLLI的正偏差（~101 ms），以及相对于T2prep bSFP的小偏差（~-0.8 ms）；T1和T2的相应精度分别为55ms和3.9ms；示例T1和T2地图以及使用该技术生成的脂肪和水图像如图4所示。各向同性T1和T2映射和电影也已在自由呼吸中使用3D自导航黄金径向轨迹和呼吸运动校正进行了演示，在约11分钟的扫描时间内提供了2x2x2 mm3的分辨率。本研究还报告了相对于MOLLI的正偏差（~140ms）和相对于T2 GraSE的负偏差（~4.4ms），T1和T2的精度分别为~30ms和~1.9ms。   

   

          

与上述方法不同，磁共振指纹（MRF）等技术遵循不同的范式，在整个脉冲序列中收集有关组织特性的独特信息。MRF利用不规则空间编码引起的非相干伪影以及字典模板匹配，实现高度欠采样数据的参数映射。心脏MRF最初被提议使用类似于的IR/T2prep序列在2D中绘制T1和T2，但使用Bloch方程模拟的字典进行基于模型的重建（图5）。心脏的原始MRF方法用于在约16秒的屏气中以1.6×1.6×8 mm3的分辨率估计T1和T2。据报道，相对于MOLLI（~1 ms）和T2prep-bSFP（~2.6 ms），差异最小；T1和T2的相应精度分别为~71ms和~5.5ms。已经研究了心脏MRF中切片轮廓和B1+误差的影响，揭示了当序列采用小翻转角时会产生可忽略的偏差。MRF框架的灵活性促进了心脏中几种不同形式的多参数映射的开发。已经使用径向和玫瑰花结轨迹证明了在屏息中收集的2D水/脂肪分离的T1/T2图，显示出与传统（单独）映射方法的良好一致性。前一种方法，在大约15秒的屏息中获得分辨率为2x2x8 mm3的地图。相对于SASHA和MOLLI，观察到约-80 ms和约20 ms的T1偏压，相对于T2 GraSE，观察到～-9 ms的偏压；T1和T2的相应精度分别为~49ms和~4.6ms。在后一种方法中，在大约15秒的屏息时间内实现了1.6×1.6×8 mm3的分辨率。观察到类似的结果，报告的正偏差相对于MOLLI（~130 ms），负偏差相对于T2prep FLASH（~6 ms）。通过同时进行多切片采集，提高了T1/T2 MRF的覆盖率，其中三个切片可以在一次屏息中映射在一起，同时保持与以前方法相似的性能。在对健康受试者的初步研究中，T1/T2心脏MRF在图像质量评估方面与参考方法进行了比较。对非缺血性心肌病患者的初步研究显示，MRF和相应参考文献之间的标测性能相似（尽管MRF的扫描时间较短）。   

T1/T2/PDFF（质子密度脂肪分数）心脏MRF也已在健康受试者和患者中得到验证，表明由于从纯水T1和T2图谱中去除了作为混杂因素的脂肪，相对于参考文献，MRF的标测得到了改善。该框架已进一步扩展到单次屏息中的T1/T2/T2*/PDFF映射，使用增加的回波序列进行T2*编码，通过心脏运动校正采集窗口实现。在这里，分辨率为2x2x8 mm3的地图是在大约18秒的屏息中获得的。测量T1、T2、T2*和PDFF与MOLLI（~90ms）、T2 GraSE（~8ms）、8回波GRE（~4.4ms）和6回波GRE（~0.5%）的对比偏差。   

相应的精度分别为~47 ms、~4.1 ms、~7.8 ms和~2.7%。T1/T2/T1ρ心脏MRF分辨率为2x2x8 mm3，也已在~16秒的屏气中使用IR/T2prep/旋锁制剂组合进行了验证。据报道，对于T1、T2和T1ρ，相对于MOLLI的偏置为~52ms，相对于T2 GraSE的偏置为~10ms，相对于T1ρ-TFE的偏置为-7.4ms；相应的CoV分别为约6.0%、约9.3%和约12.6%。MRF框架也已用于开发同时的T1和T2标测以及在屏气内使用螺旋和径向轨迹的电影成像，其中两者都报告与参考方法一致。在前者中，通过IR和T2preps实现编码，然后在字典匹配之前进行注册。在后者中，编码是通过IR和高翻转角度实现的，仅使用心脏分辨重建。使用MRF的T1和T2映射也已扩展到3D自由呼吸采集，其中弹性运动场是根据数据本身估计的，并用于校正呼吸运动。这里，在约7分钟的扫描时间内获得了分辨率为2x2x8 mm3的3D T1和T2图。相对于MOLLI和T2 GraSE，观察到约25ms和约-8ms的正偏压；T1和T2的相应精度分别为~61ms和~4.7ms。

几乎所有的心脏MR应用都需要解决呼吸和心脏运动问题。在参数映射的背景下，这些通常通过ECG触发和屏息的组合来管理，尽管一些方法采用门控或运动校正。然而，如果没有至少评估心脏运动而不是标准电影成像的能力，所需的“一体化”方法就不完整。在“一体化”协议中，可以通过注意到所有不同的对比度和运动状态都属于同一个潜在的心脏，从而相互关联来应对这一挑战。

多任务通过将这些因素中的每一个的重建公式化为张量来利用这种冗余，其中每个维度捕捉数据的主要变化模式（例如空间信息、T1对比度、T2对比度、呼吸运动、心脏运动等）（图6）。因此，该张量中的每个图像（即，具有给定对比度，处于给定运动状态）可以被写成来自所有其他对比度/运动状态的图像的线性组合，只要张量的子空间是已知的（通常可以通过理论模型或从数据本身来估计）。这种多任务配方能够在自由呼吸和无心电图的情况下进行呼吸和心脏分辨T1/T2标测，将运动的挑战转化为数据特征。第一项多任务研究在约88秒的自由呼吸扫描中提供了分辨率为1.7×1.7×8 mm3的（心脏分辨）T1/T2图。据报道，相对于MOLLI，偏倚为约-31ms，相对于T2prep-bSFP，偏倚约2.5ms；T1和T2的相应CoV分别为约6.3%和约11.4%。联合T1/B1校正多任务已使用双翻转角方法开发，用于在约60秒内以1.7×1.7×8 mm3的分辨率改进T1映射；据报道，T1值比MOLLI高~350ms（更符合典型的SASHA值），CoV约为4.4%。该方法已与同时多切片T1/T2相结合，允许在3分钟扫描的三个切片中解析呼吸和心脏运动的T1/T2]。这里，T1和T2值略低于MOLLI（~25ms）和T2prep FLASH（~1.2ms），T1和T2prepFLASH的相应CoV分别为~4.7%和8.9%。在一项初步研究中，运动分辨T1和多任务ECV已在梗死患者中得到验证，证明与参考文献以及射血分数保留的心力衰竭大鼠模型中的组织学一致，与纤维化的Masson三色染色相关。运动分辨全左心室扩散张量成像已通过多任务实现，使用切片选择性激发、多切片EPI读数和辅助呼吸运动校正。在健康受试者中，多任务心脏分辨定量灌注成像的动态T1标测显示出很高的可重复性。最后，心脏分辨T1/T2/T2*/PDFF也已通过多任务进行了演示，使用IR和混合T2IR模块、径向读数和多回波GRE，分辨率为1.7×1.7×8 mm3，扫描时间约为150s。本研究报告了T1、T2、T2*和PDDF的相对MOLLI约60ms、相对T2prep GRE约-3.1ms、相对8回波GRE约1.3ms和相对6回波GRE约-1.1%的偏差。相应的CoV分别为~5.1%、~6.7%、~14.4%和~72.3%。虽然定量心脏多任务处理仅报道用于二维和多层二维成像，但定性三维成像和定量概念验证已在心脏中得到证明，定量三维版本已在其他运动器官中得到验证。   

考虑到更传统的定量标测方法已被用于收集多种组织特性的3D图，包括T1、T2和T1，从2D到3D一体化采集的过渡相当简单。   

“一体化”流程的获取和重建的复杂性，以及对患者专用词典的需求，对其临床部署提出了挑战。然而，人工智能/深度学习的最新发展已被纳入其中，以克服其中一些挑战。

例如，深度学习已被用于将生成心脏MRF字典所需的时间从158秒减少到0.8秒。深度学习已经被用来完全绕过MRF中对字典的需求，从而缩短了重建时间；在螺旋MRF的情况下，深度学习的重建时间仅为76ms，而传统方法的重建时间为380s。虽然由于所需的计算时间尚不适用于临床，但心脏MRF数据的深度图像先验重建可以使在较短的屏气持续时间（5次心跳而不是15次心跳）和舒张扫描窗口（150毫秒而不是250毫秒）内收集的数据能够被处理成比使用非人工智能方法生成的更准确的组织特性图。AI/DL技术的未来组合最终可能使更多的组织特性能够在亚秒的重建时间内从更快收集的数据集中提取出来，从而进一步有助于临床翻译。 

4 与传统CMR相比，一体化心脏检查的优点和缺点

由于扫描时间更短、患者准备和定位更简单以及多参数分析不那么复杂，一体化CMR检查有可能为患者、放射技师和医生提供一系列好处。然而，一体化检查的某些方面可能比使用传统CMR协议更具挑战性。因此，在进行临床应用时，必须仔细考虑这种方法的优点和缺点。表1概述了“一体化”收购的优点和缺点，下面讨论了最重要的一点。

4.1“一体化”CMR的优势  

一体化检查专门设计用于从一次扫描中获得一系列对比度；因为所有重建的图像都基于相同的数据，所以它们本质上是配准的。根据实施方式，这可能意味着获得共同注册的生存能力和组织特征扫描，或用于功能和生存能力成像的运动分辨采集，或一系列其他特性。

以共同配准的方式获得所有数据允许对不同对比度进行直接的交叉评估，这可以大大简化图像的评估和后处理。特别是，随着越来越强大的基于机器学习的后处理技术的出现，一体化检查的共同配准和统一的数据基础可能是促进未来可靠和自动诊断的关键。

在一体化序列中，可以从单个数据集中提取生理和信号变化的许多相关维度。这个特性可以用来避免对这些因素进行控制的需要。例如，呼吸运动分辨采集减轻了对屏气和伴随的扫描时间限制的需要，而心脏相位分辨采集可以避免ECG触发的需要，并且纵向弛豫时间的测量通常可以取代恢复期。解决可变性的维度可以使得能够在扫描时间或对比度权重方面进行比传统信号模型更灵活的序列设计。这可能允许定制序列权重，并根据具体使用情况调整不同对比度的期望精度或图像质量。简言之，采集可以设计为只持续收集临床问题所需信息所需的时间，从而使每个特定患者的扫描时间最小化。在一体化采集中，所有数据都被一起处理以进行图像重建。因此，可以利用对比中冗余的理想使用。例如，在舒张期获得的任何图像都可以用于帮助表征舒张期功能。然而，在传统的协议中，用于功能分析的唯一图像是电影；忽略其他高分辨率的舒张图像。   

传统MR方法中的另一个例子是，类似的对比度信息被一次又一次地重新获取，例如完全弛豫的磁化M0，这对于量化通常是重要的。

一体化检查在这里提供了一个独特的机会，可以交叉利用这些信息进行不止一次对比，从而能够在每次扫描时间可实现的SNR的上限下提取全面的多参数信息。

一体化检查的缺点在一体化采集中，序列的所有方面都与可以提取的对比度紧密相连。因此，采集本身可能会通过需要解析更多维度或引入混杂因素来影响定量测量。例如，对于心脏中的常规定量技术，通常通过使用诸如反转或T2prep模块之类的准备模块来创建对比度，将成像读出与对比度准备解耦以获得最佳图像质量。在一体化采集中，成像读数及其对磁化的影响是相互交织的。

例如，bSFP读数的使用仅在考虑T2和非共振效应时才可能，而许多损坏的采集读数仅在考虑B1+不均匀性时才能准确使用。在另一个例子中，使用准备脉冲，例如反转脉冲，可以引入T1 在脉冲期间衰减或作为混杂因素的其他缺陷。复杂的轨迹可能会导致不同的对比度，这取决于损坏或重绕的量。类似地，成像体积（2D与3D）直接影响使用一体化技术可以获得的对比度。例如，可能需要3D成像，以便准确地对受心脏或呼吸运动或流动影响的组织的磁化历史进行建模。

一体化检查对大量数据进行采样以获取各种生理参数，这可能会导致计算瓶颈。所有的数据都必须一起处理，这对一些模型来说是以高计算复杂性为代价的。这往往需要简化或导致超长的重建时间。更重要的是，由于整个扫描形成一个单独的数据集，因此很容易损坏。各种伪影的问题，如RF拉链，可能会污染整个扫描，如果这些错误没有被注意到，可能需要重复整个扫描。这在运动伪影的情况下可能特别重要，在运动伪像的情况下，由于位置漂移或患者运动，效应大小可能在较长的时间跨度内加剧。因此，连续数据块的采集可能被证明是时间优势，但也是未来实现快速可靠心脏CMR的风险和瓶颈。   

 

5 部署“一体化”协议之前的需求

尽管上述脉冲序列设计和信息提取方法取得了重大进展，但在临床上使用一体化协议取代串行协议之前，仍有挑战需要克服。这些悬而未决的问题是技术和临床研究以及商业发展的机会。

5.1全面一体化开发  

在真正的一体化检查中，一次扫描将取代目前用作当今临床协议一部分的每一次测量。按照这个标准，即使是目前可用的最高度复用的序列也只能实现“多合一”扫描。例如，现在可以将电影成像与原生多参数弛豫映射相结合，但这些方法尚未与高维流动和对比增强成像相结合。当前的技术需要进行扩展，以解决造影剂动力学问题，或集成非造影剂替代品，如动脉旋转标记或来自本地多参数图像的虚拟增强。尽管心脏运动可以在新兴的高维映射技术中捕捉，但这些序列不会取代当前临床可用的电影协议，直到它们作为时空分辨率与标准电影序列相匹配的全心脏协议可用。这种“一体化”方案的一个重要考虑因素是造影剂的管理。非集中式协议对一次扫描可复用的次数没有根本限制。   

然而，灌注和LGE成像等对比扫描是临床CMR产品的核心部分。通过将造影剂在整个检查过程中的冲洗和冲洗作为一个单一的非重复动态过程来处理，这些类型的扫描有可能被纳入一体化方案，该过程与运动、松弛和流动的更快重复动态过程重叠。一种这样的结构（图1c）将天然组织特征分为造影前阶段、第一次造影剂灌注、造影剂沉淀过程中的电影和流量，以及将ECV标测和LGE分为稳态造影阶段。虽然这是已经提出的一种选择，但用于提取相关信息的造影剂递送和重建方法的最佳时机尚未得到充分探索。

5.2临床验证和整合             

在广泛的临床部署之前，必须在异质性多中心研究中对方法进行广泛验证，并将其无缝集成到现有的临床成像工作流程中。实现这种集成需要在快速在线图像重建、高效的PACS兼容存储和高维显示工具方面取得进展。图像重建速度在短短几年内已经显著提高，特别是通过使用有监督的深度学习架构。然而，有监督的深度学习方法在很大程度上依赖于对大量高质量训练数据的访问，而这些数据可能并不容易获得。此外，除了训练数据的分布之外，这些方法可能不能很好地推广到不同的成像环境或不同的患者群体。认识到这些局限性，一些研究人员探索了无监督或自我监督的方法。尽管这些方法通常比受监督的方法慢，但它们与训练数据的独立性可能在不同的情况下提供更大的灵活性。无论监督策略如何，该领域都将受益于向可解释的人工智能的转变，该人工智能可以提供更多可解释的结果、置信度估计和可理解的算法，增加人们对更广泛临床应用的信任。深度学习重建方法与扫描仪图像重建流程的在线集成目前正在通过Gadgetron等灵活的重建平台和类似供应商提供的选项进行。然而，这些在线工作流到多个中心的可推广性和可移植性仍未完全确立。

随着一体化协议的维度增加，以结合额外的对比度、流量和造影剂动力学，它们每次扫描生成的图像数量可能呈指数级增长。存储每个单独图像的DICOM将不再实用。然而，一体化成像方法已经在图像重建期间利用低维模型（例如，非线性物理模型、稀疏表示和低秩分解）来从有限的k空间数据生成图像。这些相同的低维模型可以用作压缩存储格式。每当存储模型与图像重建期间已经施加的模型匹配时，这将构成重建图像的无损压缩。在实践中，DICOM容器可以存储模型参数——物理模型的参数图、稀疏模型的非零值和变换域中的位置，以及低阶模型的分解因子——并在观众要求特定图像对比度或运动状态时快速解压缩图像。 

 

随着维度的增加，图像显示也出现了进一步的挑战。应将处理多个参数和时间维度的新接口集成到显示软件中。应建立同步、共同配准图像的图像融合，以允许同时读取多参数。诸如RGB和CMYK的多通道颜色空间通过为每个通道分配一个参数而提供相对直接的参数融合，这很快就会被一体化协议所取代。从长远来看，建立从多个互补生物标志物图谱到生理图谱（如纤维化、水肿图谱）的转换将简化图像显示，同时也为临床决策提供更容易的解释。

5.3利用一体化协议的全部信息  

为了充分释放一体化成像的潜力，还可以探索在参数之间的相互作用中提取有用临床信息的方法。例如电影T1映射序列可以简单地沿着心脏维度来分析以测量功能并且沿着T1恢复维度来测量T1，在它们的相互作用中有潜在的有价值的信息：心动周期过程中表观T1的变化可能反映了心肌血流量和体积的变化，而这些变化不能单独通过串行电影成像和T1标测来测量。增加心脏相位维度或其他“心律失常维度”可能会带来探索参数与异位变化或负荷间隔之间相互作用的机会。呼吸维度可以超越自由呼吸的舒适度，还可以分析心肺相互作用。随着从数据中提取的信息量的增加，计算问题的复杂性也随之增加。因此，包括人工智能/机器学习在内的方法将变得越来越重要。已经证明了用于设计适当的数据收集策略和从多维数据评估大量（>4）组织特性的AI/ML方法。专门的分析，例如通过人工智能，可能能够提取这种细微的信息，用于增强诊断、风险预测和治疗监测。幸运的是，所有的图像似乎都是为人工智能准备的：图像已经进行了配准、同步和分辨率匹配，可以直接作为图像输入到算法中，也可以输入到已经用于图像重建和存储的低维特征空间中。尽管这些AI/ML方法很强大，但仍然是一个积极探索的领域，因为对重建的需求不断增长，以使更多类型的信息（组织特性测量和运动估计）能够在更短的扫描时间内（理想情况下，在自由呼吸、无盖3D扫描中<1分钟）以更高的准确度收集。一旦建立，它们将需要在各种临床环境中进行严格的测试，而目前缺乏快速原型流程可能会减缓测试速度。 

  

6 第1部分结论

“一体化”CMR是一种高效心血管MRI的新方法，但在采用这些方法代替标准CMR检查之前，必须采取许多步骤。可用于加速CMR扫描的另一种替代方法是“实时”成像；这些方法将是本文第2部分的主题      

      

END

推荐阅读

医工学人社群招募

医工学人公众号征稿须知

Nature｜2024年值得关注的七项技术

npj Digit. Med. | 创新突破：柔性微针电极，重塑面瘫监测新未来

点击关注医工学人

本篇文章来源于微信公众号: 医工学人