今天是:

我所曾蒙苏教授团队研究发现:深度学习心脏磁共振电影序列大幅缩短扫描时间,为心律失常与呼吸困难患者提供更优成像方案

发布时间:2025-11-10浏览次数:10

近日,上海市影像医学研究所曾蒙苏教授团队的一项前瞻性研究成果在放射学领域知名期刊《Korean Journal of Radiology》发表(影响因子: 5.3Q1区)。该研究系统比较了基于深度学习的屏气(Breath-Hold Deep Learning, BHDL)与自由呼吸(Free-Breathing Deep Learning, FBDL)心脏磁共振电影序列与传统标准电影序列的扫描时间、测量准确性及图像质量,尤其聚焦于心律失常和呼吸困难这两类临床常见但成像极具挑战的患者群体。研究证实,两种深度学习序列均能大幅缩短检查时间且不牺牲定量准确性;同时,BHDL在心律失常患者中图像质量更优,而FBDL更适合呼吸困难患者,为个体化扫描方案的选择提供了高级别循证依据。

研究背景与临床挑战

心脏磁共振(Cardiac MRI)电影序列是评估心室容积、射血分数及心肌收缩功能的金标准。然而,传统分段采集屏气电影序列存在两大痛点:一是扫描时间长(通常需8-12个屏气周期,总时长约3-4分钟),对不能有效屏气的患者(如呼吸困难、老年人、儿童)难以完成;二是对心律失常患者易产生图像伪影(因为分段采集需要稳定的RR间期)。虽然自由呼吸序列可以解决屏气问题,但其扫描时间更长或图像质量下降。

深度学习重建技术的出现为解决这一困境带来了希望。通过从欠采样数据中智能重建出高质量图像,深度学习可显著加速采集。然而,BHDLFBDL在不同患者亚组中的表现差异尚未被系统评估。

研究设计与核心发现

该前瞻性研究连续纳入70例受试者(平均年龄49±17岁),包括:心律失常组24例(房颤、早搏等)、呼吸困难组17例、正常对照组(窦性心律且无呼吸困难)29例。每例受试者均在3T磁共振上依次完成三种电影序列采集:标准分段屏气序列、BHDL序列(屏气下采集)、FBDL序列(自由呼吸采集)。由三位放射科医师盲法独立评估双心室功能、心肌质量、心肌应变,并进行图像质量评分(5Likert量表)。

主要结果

l  扫描时间显著缩短

ž   标准序列:208 ± 12

ž   BHDL序列:58 ± 5秒(减少约72%

ž   FBDL序列:88 ± 12秒(减少约58%
两者与标准序列比较均p < 0.001

l  测量准确性优异,BHDL更精确

ž   BHDLFBDL测得的左/右心室射血分数、心肌质量、应变等参数与标准序列高度相关(相关系数均 > 0.85)。但BHDL95%一致性界限在所有参数上均窄于FBDL

ž   左心室射血分数:BHDL-3.5%~3.9%FBDL-4.6%~5.8%

ž   右心室射血分数:BHDL-3.4%~4.0%FBDL-7.8%~9.3%
提示BHDL的测量准确性整体优于FBDL

l  不同患者亚组的图像质量表现各异

ž   心律失常组:BHDL的图像质量评分最高(4.44 ± 0.56),显著优于标准序列(4.00 ± 0.99p=0.043)和FBDL3.94 ± 0.56p=0.030)。这意味着BHDL对心律不齐引起的伪影具有更强的鲁棒性。

ž   呼吸困难组:FBDL的图像质量评分最高(4.24 ± 0.47),显著优于标准序列(3.41 ± 0.97p=0.028)和BHDL3.68 ± 0.56p=0.028)。这证实自由呼吸采集策略对无法屏气的患者至关重要。

临床意义与应用前景

本研究为心脏磁共振的临床实践提供了明确的操作性指导:

l  普适性优势:无论采用哪种深度学习序列,扫描时间均可控制在90秒以内,较传统方法缩短一半以上,显著提升患者舒适度和检查通量,同时也减少了对比剂用量(如需增强扫描)。

l  精准选择策略

ž   对于心律失常患者(如房颤、频发早搏),优先选择BHDL序列,以抑制搏动伪影,保证心室边界清晰。

ž   对于呼吸困难患者(如心衰、慢阻肺),优先选择FBDL序列,完全摆脱屏气要求,实现自由呼吸下的高质量采集。

ž   对于无特殊困难的患者,BHDL由于其扫描时间更短、测量一致性更佳,可作为首选项。

l  推动心血管磁共振的普及:深度学习加速技术降低了磁共振对患者配合度的高要求,使更多既往无法耐受传统检查的患者能够成功完成心脏磁共振评估,这对心衰、瓣膜病及心肌病的精准诊疗具有重要意义。

研究团队

上海市影像医学研究所为本研究的核心完成单位,论文的共同第一作者为吴雅丽,通讯作者为曾蒙苏。研究体现了影研所医工交叉的鲜明特色——将前沿深度学习算法与临床实际需求紧密结合,并以严谨的前瞻性设计验证其亚组适用性。



【原文信息】
 Wu YL, Sun W, Wang SY, et al. Deep learning-based breath-hold and free-breathing cine MRI for comprehensive cardiac evaluation. Korean J Radiol. 2025;26(10):924-937. doi: 10.3348/kjr.2025.0440.