李明奇 費洪文

目前，心肌聲學造影（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，耗時長，且嚴重依賴操作者經(jīng)驗水平，重復性較差，導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/半自動方式獲取感興趣區(qū)，為心肌灌注定量分析應(yīng)用提供了可能。對于患者而言，早期篩查心肌缺血能使其能得到及時的干預治療，預后效果更佳?；诖?，本文就人工智能在MCE中的應(yīng)用現(xiàn)狀及發(fā)展方向進行綜述。

一、MCE概述

超聲增強劑含有高分子量氣體，可通過肺循環(huán)和全身毛細血管網(wǎng)。在極低機械指數(shù)顯像時，通過間歇性高機械指數(shù)“閃擊”，清除心肌內(nèi)增強劑，超聲“閃擊”后心肌再灌注的速率與平臺期心肌增強強度可用于評估心肌灌注［4］。與冠狀動脈造影比較，定量或半定量負荷-靜息MCE具有更好的診斷效能［5］。一項Meta分析［6］結(jié)果顯示，定量MCE診斷冠狀動脈粥樣硬化性心臟病（以下簡稱冠心?。┑拿舾行院吞禺愋跃?0%以上；對于左室射血分數(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?。?］，可為確診或疑診冠心病但左室功能正常的患者提供預后信息。定量MCE還能評估非缺血性心肌病、高血壓性心肌病、應(yīng)激性心肌病及有胸痛癥狀且負荷試驗陽性，但冠狀動脈造影提示無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，得出時間-灰度灌注曲線，計算相關(guān)灌注參數(shù)來量化心肌血流。一項關(guān)于負荷/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作為檢測冠心病的非侵入性檢查手段，標準化MCE量化分析和診斷報告標準化可以提高這一領(lǐng)域的證據(jù)質(zhì)量。

二、MCE在心肌感興趣區(qū)（ROI）分割中存在的問題

臨床上MCE分析主要依賴于視覺定性評估，重復性較差，且高度依賴于臨床醫(yī)師的經(jīng)驗水平［9］，直接影響了MCE的廣泛應(yīng)用。目前缺乏專門為MCE設(shè)計的自動圖像處理和定量分析工具，現(xiàn)有軟件耗時長，高度依賴于操作者經(jīng)驗水平，學習曲線長，且重復性低，主要存在以下不足：①脫機處理耗時長；②要求操作者手動、主觀地描記心肌ROI，導致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心肌輪廓ROI，所有收縮末幀均共用該ROI，而真實的心臟位置會不可避免地發(fā)生移動，測量結(jié)果有一定偏差；④準確的數(shù)據(jù)解讀需要臨床醫(yī)師具備豐富的專業(yè)知識，并經(jīng)過嚴格的培訓，基層醫(yī)院推廣困難。

MCE利用對比增強超聲成像技術(shù)，通過保留來自微泡震蕩的非線性信號，同時去除其他組織的線性信號來檢測微泡，與簡單地反射和捕獲線性組織信號的B型超聲有根本不同［10］。因此，行MCE心肌輪廓描記時必須考慮以下問題：①超聲斑點噪聲和衰減偽影、低信噪比、微泡破壞及再灌注時圖像的灰度變化［11］；②由于超聲切面不同，以及心臟本身和探頭的運動，導致心肌位置和形狀的幾何變化；③誤導性的灰度信息，如存在與心肌灰度相似的結(jié)構(gòu)（乳頭?。鯃D像梯度信息導致心肌邊界模糊（特別是心外膜）；④與B型超聲中的靜態(tài)組織斑點模式不同，MCE是由高度動態(tài)的氣泡信號活動產(chǎn)生的斑點模型［12］，這為以在不同幀中找到相應(yīng)的斑點為基礎(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、時間及學習成本，并提高醫(yī)學輔助檢查或診斷的價值，其在MCE的應(yīng)用尚處于起步階段。人工智能通過可靠的數(shù)據(jù)、適當?shù)挠嬎惴椒ê凸ぞ撸瑧?yīng)用于MCE圖像的心肌分割、自動測量及最終自動診斷，在保證準確性、重復性的同時，可明顯提高MCE檢查的工作效率。此改進的一個關(guān)鍵因素是在醫(yī)學圖像分析和計算機輔助干預任務(wù)中采用深度學習和卷積神經(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化描記，主要分為以下兩類。

（一）將描記任務(wù)定義為輪廓查找。這一類別中的兩個代表性方法是主動輪廓和主動形狀模型（active shape model，ASM）。主動輪廓方法依賴于邊緣信息，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致輪廓預測錯誤。ASM是一種廣泛用于心肌輪廓描記的方法，它通過主成分分析從一組訓練形狀中建立統(tǒng)計形狀模型，然后將模型變形來擬合圖像。Pickard等［14］使用ASM進行MCE心肌分割，應(yīng)用特定的梯度矢量流場來增加其邊緣捕獲范圍。ASM的預測結(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)果不會偏離規(guī)則的心肌形狀，這在心肌邊界不清晰和難以識別時是非常重要的。然而，ASM是基于圖像中的線性灰度信息進行心肌輪廓描記，這對灰度變化大、偽影嚴重的MCE數(shù)據(jù)的外觀建模是不夠的。此外，ASM需要手動描記初始形狀，且最終的分割結(jié)果對初始形狀和位置非常敏感。

（二）使用機器學習技術(shù)完成心肌輪廓描記任務(wù)，通常定義為像素化的分類問題。Chen等［15］使用全連接神經(jīng)網(wǎng)絡(luò)從超聲圖像中檢測和分割解剖結(jié)構(gòu)，Leclerc等［16］使用結(jié)構(gòu)化隨機森林算法分割心肌和左室。隨機森林法已成功應(yīng)用于醫(yī)學成像領(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森林法具有一定局限性：①MCE中的灰度信息可能會產(chǎn)生誤導，導致分割不準確，隨機森林法可能會將乳頭肌錯誤地分類為心肌，僅根據(jù)灰度信息也很難確定心外膜邊界；②隨機森林法分類器獨立地為每個像素分配類別標簽，忽略像素標簽之間的結(jié)構(gòu)和組織紋理關(guān)系，會導致不一致像素標記的分割，出現(xiàn)邊界不平滑、背景中的錯誤檢測和ROI的空洞［17］；③隨機森林法輸出中間概率圖，需要對其進行后處理以獲得最終分割。為了克服隨機森林法的上述局限，Lempitsky等［18］通過使用圖像像素坐標作為隨機森林法的位置特征，證明三維超聲有可能進行心肌輪廓描記，以便完全地學習心肌形狀。Verhoek等［19］通過使用光流傳播用于序列跟蹤的單幀RF分段進一步擴展了該方法。Kontschieder等［20］引入了結(jié)構(gòu)化隨機森林法，通過預測貼片區(qū)域的結(jié)構(gòu)化分類標簽將結(jié)構(gòu)關(guān)系合并到輸出預測中。

近年Li等［2-3］提出在全周期二維MCE數(shù)據(jù)中進行心肌分割，其使用統(tǒng)計學上的形狀模型來提供形狀先驗信息，該信息以兩種方式引導隨機森林法分割。首先，將新的形狀模型特征合并到框架中，以生成更準確的概率圖；其次，形狀模型被擬合到概率圖，通過細化和約束條件，最終分割成更接近真實的心肌形狀；最后，在分割流水線中引入包圍盒檢測算法作為預處理步驟來進一步提高性能。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題，因此，新的全自動心肌輪廓描記及定量分析的神經(jīng)網(wǎng)絡(luò)設(shè)計勢在必行。根據(jù)目前研究現(xiàn)狀和存在的問題，可有以下突破點：①學習多位高年資醫(yī)師的心肌分割及診斷，避免個體醫(yī)師的經(jīng)驗偏倚；②加入更多的形狀約束條件，使輪廓描記更精準，如“拒絕”分割斷裂不連續(xù)等；③集合多中心高年資醫(yī)師手動描記的ROI組成訓練集，通過大數(shù)據(jù)學習使神經(jīng)網(wǎng)絡(luò)更為可靠準確。

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)師的學習成本，提高臨床篩查早期心肌缺血的準確率，做到早發(fā)現(xiàn)、早干預、早治療，以改善患者預后。