李明奇 費(fèi)洪文

目前，心肌聲學(xué)造影（myocardial contrast echocardiography，MCE）的臨床應(yīng)用尚處于定性診斷階段，研究［1］表明心肌灌注定量分析優(yōu)于定性分析，但由于后處理軟件操作繁瑣，耗時(shí)長(zhǎng)，且嚴(yán)重依賴(lài)操作者經(jīng)驗(yàn)水平，重復(fù)性較差，導(dǎo)致心肌灌注定量分析臨床應(yīng)用受限。另有研究［2-3］將人工智能應(yīng)用于心肌輪廓描記，以自動(dòng)/半自動(dòng)方式獲取感興趣區(qū)，為心肌灌注定量分析應(yīng)用提供了可能。對(duì)于患者而言，早期篩查心肌缺血能使其能得到及時(shí)的干預(yù)治療，預(yù)后效果更佳?；诖?，本文就人工智能在MCE中的應(yīng)用現(xiàn)狀及發(fā)展方向進(jìn)行綜述。

一、MCE概述

超聲增強(qiáng)劑含有高分子量氣體，可通過(guò)肺循環(huán)和全身毛細(xì)血管網(wǎng)。在極低機(jī)械指數(shù)顯像時(shí)，通過(guò)間歇性高機(jī)械指數(shù)“閃擊”，清除心肌內(nèi)增強(qiáng)劑，超聲“閃擊”后心肌再灌注的速率與平臺(tái)期心肌增強(qiáng)強(qiáng)度可用于評(píng)估心肌灌注［4］。與冠狀動(dòng)脈造影比較，定量或半定量負(fù)荷-靜息MCE具有更好的診斷效能［5］。一項(xiàng)Meta分析［6］結(jié)果顯示，定量MCE診斷冠狀動(dòng)脈粥樣硬化性心臟?。ㄒ韵潞?jiǎn)稱(chēng)冠心?。┑拿舾行院吞禺愋跃?0%以上；對(duì)于左室射血分?jǐn)?shù)（LVEF）降低的心力衰竭患者，定量MCE能夠區(qū)分缺血性與非缺血性心肌病［7］，可為確診或疑診冠心病但左室功能正常的患者提供預(yù)后信息。定量MCE還能評(píng)估非缺血性心肌病、高血壓性心肌病、應(yīng)激性心肌病及有胸痛癥狀且負(fù)荷試驗(yàn)陽(yáng)性，但冠狀動(dòng)脈造影提示無(wú)梗阻性患者的微血管功能障礙。目前定量MCE均使用Wei等［8］提出的flash（破壞氣泡）-再灌注方法，得出時(shí)間-灰度灌注曲線，計(jì)算相關(guān)灌注參數(shù)來(lái)量化心肌血流。一項(xiàng)關(guān)于負(fù)荷/靜息心肌灌注超聲定量的Meta分析［6］結(jié)果顯示，使用定量MCE作為檢測(cè)冠心病的非侵入性檢查手段，標(biāo)準(zhǔn)化MCE量化分析和診斷報(bào)告標(biāo)準(zhǔn)化可以提高這一領(lǐng)域的證據(jù)質(zhì)量。

二、MCE在心肌感興趣區(qū)（ROI）分割中存在的問(wèn)題

臨床上MCE分析主要依賴(lài)于視覺(jué)定性評(píng)估，重復(fù)性較差，且高度依賴(lài)于臨床醫(yī)師的經(jīng)驗(yàn)水平［9］，直接影響了MCE的廣泛應(yīng)用。目前缺乏專(zhuān)門(mén)為MCE設(shè)計(jì)的自動(dòng)圖像處理和定量分析工具，現(xiàn)有軟件耗時(shí)長(zhǎng)，高度依賴(lài)于操作者經(jīng)驗(yàn)水平，學(xué)習(xí)曲線長(zhǎng)，且重復(fù)性低，主要存在以下不足：①脫機(jī)處理耗時(shí)長(zhǎng)；②要求操作者手動(dòng)、主觀地描記心肌ROI，導(dǎo)致ROI的大小、形狀及位置差異大，生成的灌注參數(shù)隨之變化；③操作者需在特定收縮末幀描記一個(gè)心肌輪廓ROI，所有收縮末幀均共用該ROI，而真實(shí)的心臟位置會(huì)不可避免地發(fā)生移動(dòng)，測(cè)量結(jié)果有一定偏差；④準(zhǔn)確的數(shù)據(jù)解讀需要臨床醫(yī)師具備豐富的專(zhuān)業(yè)知識(shí)，并經(jīng)過(guò)嚴(yán)格的培訓(xùn)，基層醫(yī)院推廣困難。

MCE利用對(duì)比增強(qiáng)超聲成像技術(shù)，通過(guò)保留來(lái)自微泡震蕩的非線性信號(hào)，同時(shí)去除其他組織的線性信號(hào)來(lái)檢測(cè)微泡，與簡(jiǎn)單地反射和捕獲線性組織信號(hào)的B型超聲有根本不同［10］。因此，行MCE心肌輪廓描記時(shí)必須考慮以下問(wèn)題：①超聲斑點(diǎn)噪聲和衰減偽影、低信噪比、微泡破壞及再灌注時(shí)圖像的灰度變化［11］；②由于超聲切面不同，以及心臟本身和探頭的運(yùn)動(dòng)，導(dǎo)致心肌位置和形狀的幾何變化；③誤導(dǎo)性的灰度信息，如存在與心肌灰度相似的結(jié)構(gòu)（乳頭?。?，弱圖像梯度信息導(dǎo)致心肌邊界模糊（特別是心外膜）；④與B型超聲中的靜態(tài)組織斑點(diǎn)模式不同，MCE是由高度動(dòng)態(tài)的氣泡信號(hào)活動(dòng)產(chǎn)生的斑點(diǎn)模型［12］，這為以在不同幀中找到相應(yīng)的斑點(diǎn)為基礎(chǔ)的跟蹤算法提出了挑戰(zhàn)。

三、人工智能在MCE中的應(yīng)用前景

人工智能可以在圖像獲取、解釋及決策方面降低人力、時(shí)間及學(xué)習(xí)成本，并提高醫(yī)學(xué)輔助檢查或診斷的價(jià)值，其在MCE的應(yīng)用尚處于起步階段。人工智能通過(guò)可靠的數(shù)據(jù)、適當(dāng)?shù)挠?jì)算方法和工具，應(yīng)用于MCE圖像的心肌分割、自動(dòng)測(cè)量及最終自動(dòng)診斷，在保證準(zhǔn)確性、重復(fù)性的同時(shí)，可明顯提高M(jìn)CE檢查的工作效率。此改進(jìn)的一個(gè)關(guān)鍵因素是在醫(yī)學(xué)圖像分析和計(jì)算機(jī)輔助干預(yù)任務(wù)中采用深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)［13］，人工智能在MCE應(yīng)用的突破口即在于此。

四、人工智能在MCE心肌輪廓描記的應(yīng)用現(xiàn)狀

目前，人工智能在MCE中的應(yīng)用主要集中于心肌輪廓的自動(dòng)化描記，主要分為以下兩類(lèi)。

（一）將描記任務(wù)定義為輪廓查找。這一類(lèi)別中的兩個(gè)代表性方法是主動(dòng)輪廓和主動(dòng)形狀模型（active shape model，ASM）。主動(dòng)輪廓方法依賴(lài)于邊緣信息，這在MCE圖像上是不可靠的，原因是不清晰的心外膜邊界和乳頭肌常導(dǎo)致輪廓預(yù)測(cè)錯(cuò)誤。ASM是一種廣泛用于心肌輪廓描記的方法，它通過(guò)主成分分析從一組訓(xùn)練形狀中建立統(tǒng)計(jì)形狀模型，然后將模型變形來(lái)擬合圖像。Pickard等［14］使用ASM進(jìn)行MCE心肌分割，應(yīng)用特定的梯度矢量流場(chǎng)來(lái)增加其邊緣捕獲范圍。ASM的預(yù)測(cè)結(jié)果必須約束在一定的形狀變化范圍內(nèi)，才能保證描記結(jié)果不會(huì)偏離規(guī)則的心肌形狀，這在心肌邊界不清晰和難以識(shí)別時(shí)是非常重要的。然而，ASM是基于圖像中的線性灰度信息進(jìn)行心肌輪廓描記，這對(duì)灰度變化大、偽影嚴(yán)重的MCE數(shù)據(jù)的外觀建模是不夠的。此外，ASM需要手動(dòng)描記初始形狀，且最終的分割結(jié)果對(duì)初始形狀和位置非常敏感。

（二）使用機(jī)器學(xué)習(xí)技術(shù)完成心肌輪廓描記任務(wù)，通常定義為像素化的分類(lèi)問(wèn)題。Chen等［15］使用全連接神經(jīng)網(wǎng)絡(luò)從超聲圖像中檢測(cè)和分割解剖結(jié)構(gòu)，Leclerc等［16］使用結(jié)構(gòu)化隨機(jī)森林算法分割心肌和左室。隨機(jī)森林法已成功應(yīng)用于醫(yī)學(xué)成像領(lǐng)域（如MRI、CT）的各種描記分割，有效地建立了基于局部灰度區(qū)域的非線性外觀模型，與ASM的簡(jiǎn)單線性灰度模型相比，其可以更好地處理MCE數(shù)據(jù)的巨大灰度變化。但僅利用局部外觀特征的隨機(jī)森林法具有一定局限性：①M(fèi)CE中的灰度信息可能會(huì)產(chǎn)生誤導(dǎo)，導(dǎo)致分割不準(zhǔn)確，隨機(jī)森林法可能會(huì)將乳頭肌錯(cuò)誤地分類(lèi)為心肌，僅根據(jù)灰度信息也很難確定心外膜邊界；②隨機(jī)森林法分類(lèi)器獨(dú)立地為每個(gè)像素分配類(lèi)別標(biāo)簽，忽略像素標(biāo)簽之間的結(jié)構(gòu)和組織紋理關(guān)系，會(huì)導(dǎo)致不一致像素標(biāo)記的分割，出現(xiàn)邊界不平滑、背景中的錯(cuò)誤檢測(cè)和ROI的空洞［17］；③隨機(jī)森林法輸出中間概率圖，需要對(duì)其進(jìn)行后處理以獲得最終分割。為了克服隨機(jī)森林法的上述局限，Lempitsky等［18］通過(guò)使用圖像像素坐標(biāo)作為隨機(jī)森林法的位置特征，證明三維超聲有可能進(jìn)行心肌輪廓描記，以便完全地學(xué)習(xí)心肌形狀。Verhoek等［19］通過(guò)使用光流傳播用于序列跟蹤的單幀RF分段進(jìn)一步擴(kuò)展了該方法。Kontschieder等［20］引入了結(jié)構(gòu)化隨機(jī)森林法，通過(guò)預(yù)測(cè)貼片區(qū)域的結(jié)構(gòu)化分類(lèi)標(biāo)簽將結(jié)構(gòu)關(guān)系合并到輸出預(yù)測(cè)中。

近年Li等［2-3］提出在全周期二維MCE數(shù)據(jù)中進(jìn)行心肌分割，其使用統(tǒng)計(jì)學(xué)上的形狀模型來(lái)提供形狀先驗(yàn)信息，該信息以兩種方式引導(dǎo)隨機(jī)森林法分割。首先，將新的形狀模型特征合并到框架中，以生成更準(zhǔn)確的概率圖；其次，形狀模型被擬合到概率圖，通過(guò)細(xì)化和約束條件，最終分割成更接近真實(shí)的心肌形狀；最后，在分割流水線中引入包圍盒檢測(cè)算法作為預(yù)處理步驟來(lái)進(jìn)一步提高性能。該方法在分割精度上取得了顯著提高，且優(yōu)于其他方法。

五、總結(jié)與展望

目前關(guān)于MCE的人工智能尚處于起步階段，仍然存在精確度不足的問(wèn)題，因此，新的全自動(dòng)心肌輪廓描記及定量分析的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)勢(shì)在必行。根據(jù)目前研究現(xiàn)狀和存在的問(wèn)題，可有以下突破點(diǎn)：①學(xué)習(xí)多位高年資醫(yī)師的心肌分割及診斷，避免個(gè)體醫(yī)師的經(jīng)驗(yàn)偏倚；②加入更多的形狀約束條件，使輪廓描記更精準(zhǔn)，如“拒絕”分割斷裂不連續(xù)等；③集合多中心高年資醫(yī)師手動(dòng)描記的ROI組成訓(xùn)練集，通過(guò)大數(shù)據(jù)學(xué)習(xí)使神經(jīng)網(wǎng)絡(luò)更為可靠準(zhǔn)確。

綜上所述，人工智能與MCE的結(jié)合有利于推廣該技術(shù)在臨床中的應(yīng)用，降低基層超聲醫(yī)師的學(xué)習(xí)成本，提高臨床篩查早期心肌缺血的準(zhǔn)確率，做到早發(fā)現(xiàn)、早干預(yù)、早治療，以改善患者預(yù)后。