European Radiology:应用深度学习和智能手机，实现心肌晚期钆增强成像Look-Locker图像的零点优化

在心脏磁共振成像（CMR）中，晚期钆增强（LGE）图像上的高增强区反映了病理纤维化或浸润过程，并根据疾病的不同表现出特有的强化模式。评估LGE的分布对诊断心肌疾病意义重大。此外，据报道，LGE的存在本身可以预测随后的心脏事件和预后。因此，LGE评估在诊断和预后中发挥着重要作用。在LGE成像中，广泛使用Look-Locker方法确定反转时间（TI）使正常心肌的信号流空，以便以高对比度观察心肌的纤维化情况。然而，在延迟成像的平衡阶段，对比剂在血浆中的浓度每时每刻都在变化，对比剂在组织中的浓度取决于病人的因素，如用药后的时间和肾功能。这使得确定TI的恒定值变得困难。现阶段，临床上通常采用Look-Locker方法，通过视觉或定量评估确定正常心肌信号变为无效的时间来设定TI。

最近，深度学习方法可用来对图像进行高精度的分类，在影像诊断领域已经有很多成果报道。据报道，在CMR中也可以对延迟对比图像进行分类，应用卷积神经网络（CNN）从熟练确定TI空点的医生的经验中学习可有助于提高CMR检查的质量，并在短时间内实现决策。此外，近年来，深度学习和智能手机已用于诊断病理图像和皮肤病变，使专家能够快速、有效地达成诊断。然而，CNN对延迟对比成像方法的贡献以及使用智能手机进行TI校正的可行性还没有得到很好的研究。

近日，发表在European Radiology杂志的一项研究利用CNN确定Look-Locker TI-scout图像的最佳TI，并探讨了使用智能手机拍摄的图像进行TI校正的可行性。

本项回顾性研究使用Look-Locker方法从2017年至2020年期间进行的1113次连续心脏MR检查中提取了TI-scout图像，其中部分患者出现心肌晚期钆增强。参考TI空点由一名有经验的放射科医生和一名有经验的心脏病医生独立确定，并进行定量测量。研究开发了一个CNN来评估TI与空点的偏差，然后在PC和智能手机应用程序中实施。用智能手机采集了4K或300万像素显示器上的图像，并确定了每个显示器上的CNN性能。同时计算了在PC和智能手机上使用深度学习的最佳矫正率、不足矫正率和过度矫正率。对于患者的分析，使用晚期钆增强成像中使用的TI空点评估了校正前和校正后的TI类别差异。 

对于个人电脑，96.4%（772/749）的图像被归类为最佳以及校正不足和过度校正率分别为1.2%（9/749）和2.4%（18/749）。对于4K图像，93.5%（700/749）的图像被归类为最佳以及欠矫和过矫率分别为3.9%（29/749）和2.7%（20/749）。对于300万像素的图像，89.6%（671/749）的图像被归类为最佳以及欠矫和过矫率分别为3.3%（25/749）和7.0%（53/749）。在基于病人的评估中，使用CNN，被归类为最佳范围的对象从72.0%（77/107）增加到91.6%（98/107）。 

图 来自不同显示器的图像。来自DICOM（a，d）、4K显示器（b，e）和300万像素显示器（c，f）的原始图像。图像a-c代表原始TI-scout图像，图片d-f是裁剪过的图像

研究表明，使用深度学习和智能手机可实现对Look-Locker图像的TI优化。

原始出处：

Yasutoshi Ohta,Emi Tateishi,Yoshiaki Morita,et al.Optimization of null point in Look-Locker images for myocardial late gadolinium enhancement imaging using deep learning and a smartphone.DOI:10.1007/s00330-023-09465-8