2020/04/20 11:46

《自然-人工智能》：AI助力4D核磁共振扫描，数据处理速度提高30倍

四维（4D）核磁共振扫描（MRI）可以用来重建心血管血流随时间的变化，对于一系列心血管疾病的诊断具有重要意义。然而，这些扫描通常需要 20 分钟的处理时间，意味着扫描过程中无法对进一步成像评估做出决定。加速这类扫描，就能在患者接受扫描的同时完成实时评估，不仅能节省临床医师的时间，还能减少患者的不适。

近日，来自苏黎世大学生物医学工程学院 Valery Vishnevskiy 教授的研究团队，成功开发了一种深度学习网络，可以显著加速 4D flow MRI 数据处理。这个深度学习模型有望让临床医师在患者接受核磁共振扫描的同时，实时观察血流变化，从而优化诊断工作流。
相关研究发表在最新一期的《自然-人工智能》杂志上。

心血管疾病检测的挑战

心血管疾病是心脏和血管疾患引起的，包括冠心病（心脏病发作）、脑血管疾病（中风）、高血压（血压升高）、周围血管疾病、风湿性心脏病、先天性心脏病、心力衰竭以及心肌病。

据世界卫生组织统计，2012 年全球约有 1750 万人死于心血管疾病，占全球死亡总数的 31%。并且，超过 3/4 的心血管疾病死亡都发生在低收入和中等收入国家。

而我国更是心血管疾病的重灾区，据官方统计，我国目前心血管疾病患者大约在 2.9 亿人，其中脑卒中 1300 万，冠心病 1100 万，肺原性心脏病 500 万，心力衰竭 450 万，风湿性心脏病 250 万，先天性心脏病 200 万，高血压 2.7 亿。心血管病死亡占居民疾病死亡构成 40% 以上，居首位，高于肿瘤及其他疾病。

心脏相关疾病的检测一直是医学界的难题。核磁共振成像（MRI）技术是一种常用的检测方式，虽然，随着科技的发展，如今已能够实现 MRI 的 3D 成像效果，显著提高诊断的准确性，但同样有它的局限性。

按照当前的心血管 MRI 检测技术，不仅需要 45-60 分钟的持续时间，检测过程中也要根据医生指示不时屏住呼吸，最终的检测结果依旧是一张张静态图像，有时很难告诉医生症状的根源。

而一旦医生无法准确判断患者的病情，就无法对症下药，这对于心血管疾病患者来说无疑是有巨大风险的。并且此时医生也同样处于两难的境地，如果建议患者进行心脏手术治疗，成本高且风险大；如果只服用药物缓解病情，则有可能错过最佳的治疗时机。因此，疾病的检测直接影响到了最终的结果。

4D flow MRI

相位对比 MRI（PC-MRI）是通过在平面方向上设置流速编码来获取单位时间内的图像，这种方法广泛应用于 MRI 血流定量分析的临床实践中。

传统 PC 法采用双极梯度场对流体进行编码，并在多个方向进行编码，获取成像信息，再通过减影去除背景，得到流体的相位变化信息，进一步重建成图像显示。

与传统的 2D PC-MRI 相比，4D flow MRI 通过测量三个方向的流速编码和单向的流动补偿编码来进行四点扫描，从而获取图像信息。在血液流动形式复杂的心脏中使用 2D PC 法进行流量测量是比较困难的。在三个空间维度中的每一个具有速度信息的时间分辨 3D 成像已经证明了心脏内流量定量的可靠性和准确性。相比于 2D PC 4D 可以对流体体积定量，且有更好的可重复性。多种流体参数据，可以更好的进行回顾性分析。
然而，在影像学对于血液动力学的检查中，可视化的图像对于疾病的诊断，研究数据的解释都有着至关重要的作用，而由于 4D -flow 采集的数据量很大，因此要想将所得到的这些数据进行可视化评估是十分困难的。

随着 4D flow MRI 在过去几年中不断发展，目前，4D flow MRI 可视化方法已经有效地识别了诸如主动脉，颈动脉和脑血管的各种血管中的血流异常变化。4D flow MRI 不仅提供常规的流量定量，还提供具有潜在临床应用的各种流体动力学生物标志物，例如壁剪应力（WSS），湍动动能（TKE），涡量，压力梯度和脉搏波速度（PWV）。

然而，由于处理大量的数据需要耗费相当长的时间，因此，4D flow MRI 在临床上的应用依旧十分有限。

AI 加速 4D 核磁共振临床应用

近年来，许多科学家都想致力于利用数据的冗余来加速数据处理，因此，诸如部分傅立叶成像、并形成像（PI）以及压缩感测（CS）等方法都被用于 4D flow MRI 数据处理。

但是对于 4D flow MRI，近年来缓慢变化相位的基本假设已被证明是不正确的，因此，部分傅立叶成像这一方法并不适用。而受噪声的影响，PI 的应用也非常有限，所以也不适合。同样地，CS 中使用的迭代重建方法反而大大增加了数据处理时间。

Valery Vishnevskiy 教授同样致力于 4D flowMRI 数据处理的研究。近年来，深度神经网络在 MRI 图像重建中越来越受欢迎。在训练阶段，神经网络从一组 MRI 扫描图片中学习抽象特征。训练后，通过推断学习的权重，只需很少的计算即可重建新获取的数据。数据处理时间的减少，可以显著促进 4D flowMRI 在临床实践中的应用。

为此，Valery Vishnevskiy 教授对传统的 Ham 深度学习模型进行了改良，（1）使用线性激活代替径向基函数，（2）网络以采样率为条件，（3）中间层的指数加权使用正则化，（4）信号的虚部由共享权重过滤，（5）动量在梯度下降（GD）展开过程中被考虑，（6）数据项允许可调激活函数。通过允许对数据一致性和过滤步骤进行依赖于加速度的加权，对网络进行了广泛的加速因子训练。并将改良后的模型命名为 Flow VN。

新的 MRI 方法可以在不到五分钟的时间内获得精确的 4D MRI 图像

研究人员通过 11 个扫描案例训练了一个神经网络，发现这个网络可以准确重建正常患者和血流异常患者的主动脉血流，且准确度与传统方法一致。

研究人员表示，该深度学习 AI 模型，可以在几秒之内对经过心脏的血流进行四维重建。这个 AI 系统还能在 20 秒左右的时间里重建一次扫描，比目前尖端的传统方法快 30 倍，比之前的深度学习方法快 4.2 倍。

Valery Vishnevskiy 教授表示，“Flow VN 能做的不仅如此，令人兴奋的是，Flow VN 具有很强的泛化能力，在临床应用中可以一边处理患者数据一边学习这些患者的数据，未来它会变得更强大。”

论文链接：
https://nature.com/articles/s42256-020-0165-6

参考资料：
https://ethz.ch/en/news-and-events/eth-news/news/2020/04/artificial-intelligence-accelerates-blood-flow-mri.html

AMiner学术头条

AMiner平台由清华大学计算机系研发，拥有我国完全自主知识产权。系统2006年上线，吸引了全球220个国家/地区800多万独立IP访问，数据下载量230万次，年度访问量1000万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

https://www.aminer.cn/

产业深度学习苏黎世大学数据处理

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

激活函数技术

在计算网络中，一个节点的激活函数定义了该节点在给定的输入或输入的集合下的输出。标准的计算机芯片电路可以看作是根据输入得到"开"(1)或"关"(0)输出的数字网络激活函数。这与神经网络中的线性感知机的行为类似。一种函数（例如 ReLU 或 S 型函数），用于对上一层的所有输入求加权和，然后生成一个输出值（通常为非线性值），并将其传递给下一层。

来源：维基百科 Google ML glossary

权重技术

线性模型中特征的系数，或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为 0，则相应的特征对模型来说没有任何贡献。

来源：Google AI Glossary

图像重建技术

通过物体外部测量的数据，经数字处理获得三维物体的形状信息的技术。图像重建技术开始是在放射医疗设备中应用，显示人体各部分的图像，即计算机断层摄影技术，简称CT技术，后逐渐在许多领域获得应用。主要有投影重建、明暗恢复形状、立体视觉重建和激光测距重建。

来源：百度百科

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

参数技术

在数学和统计学裡，参数（英语：parameter）是使用通用变量来建立函数和变量之间关系（当这种关系很难用方程来阐述时）的一个数量。

来源：维基百科

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

梯度下降技术

梯度下降是用于查找函数最小值的一阶迭代优化算法。要使用梯度下降找到函数的局部最小值，可以采用与当前点的函数梯度（或近似梯度）的负值成比例的步骤。如果采取的步骤与梯度的正值成比例，则接近该函数的局部最大值，被称为梯度上升。

来源：Vapnik V. N. (2000). The Nature of Statistical Learning Theory. Information Science and Statistics. Springer-Verlag.Wikipedia

正则化技术

当模型的复杂度增大时，训练误差会逐渐减小并趋向于0；而测试误差会先减小，达到最小值后又增大。当选择的模型复杂度过大时，过拟合现象就会发生。这样，在学习时就要防止过拟合。进行最优模型的选择，即选择复杂度适当的模型，以达到使测试误差最小的学习目的。

来源：李航著统计学习方法清华大学出版社

动量技术

优化器的一种，是模拟物理里动量的概念，其在相关方向可以加速SGD，抑制振荡，从而加快收敛

来源：An overview of gradient descent optimization algorithms

深度神经网络技术

深度神经网络（DNN）是深度学习的一种框架，它是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。