面向全自动合成ECV量化：一种基于机器学习的、无血提取的快速心脏磁共振开源方法

为解决传统细胞外容积（ECV）量化流程繁琐、依赖血样的问题，本研究开发了一种完全自动化、无需血样提取的机器学习方法，用于合成ECV评估。结果显示，全自动合成ECV与常规ECV具有强相关性，在≤35%范围内一致性良好，为大规模、无创评估心肌弥漫性纤维化提供了概念验证。

　　

心脏就像人体的发动机，而心肌的健康至关重要。心肌纤维化，特别是弥漫性心肌纤维化，是许多心脏疾病（如心肌病、心力衰竭）的共同病理基础，与不良预后密切相关。传统上，评估心肌纤维化的“金标准”是心内膜心肌活检，但这是一种有创操作，风险较高且无法反映整个心脏的情况。非侵入性的心脏磁共振（CMR）成像技术，特别是T₁mapping和细胞外容积（ECV）量化，已成为评估心肌弥漫性纤维化的强大工具。ECV能够量化心肌细胞外间隙的扩张程度，间接反映纤维化的严重性。

然而，常规ECV量化存在两大“痛点”。第一，它需要一个多步骤、耗时的后处理流程，包括手动在T₁图像上勾画心肌和血池区域，这既费时又容易引入观察者间差异。第二，计算ECV离不开一个关键参数——血细胞比容（HCT），这需要通过抽血化验获得。这不仅给患者带来不便，增加了检查的侵入性，而且HCT值本身在个体内存在波动，可能影响ECV计算的准确性。为了解决这些问题，研究者们已经开始探索“合成ECV”的概念，即利用CMR图像本身的T₁值来推算HCT，从而避免抽血。但即便如此，图像分割的自动化问题仍未得到完美解决。

那么，能否开发一种“一步到位”的解决方案，将图像自动分割和血样替代结合起来，实现完全自动化、无血提取的ECV计算呢？这正是发表在《Scientific Reports》上的这项研究旨在回答的核心问题。本研究的目标是评估一种结合机器学习自动分割与合成HCT技术的全自动合成ECV方法的可行性，并将其与传统的、基于人工勾画和实验室HCT的ECV方法进行比较。

为了开展这项研究，研究人员回顾性分析了1092名在德国柏林心脏中心（现为夏里特医院德国心脏中心）接受过临床CMR检查的患者数据。研究将患者按扫描磁场强度（1.5T和3T）以7:3的比例随机分为训练队列（767人）和验证队列（325人）。研究采用了几个关键技术方法：1) 使用基于U-Net的深度学习框架（nnU-Net）对训练队列中手动勾画了心内外膜轮廓的T₁图进行训练，开发出能够自动分割心肌和血池的神经网络模型。2) 在验证队列中应用训练好的模型进行全自动分析，提取心肌和血池的T₁值。3) 采用先前已发表的、经过验证的性别和场强特异性回归模型，利用自动提取的血池T₁值计算“合成HCT”。4) 最终，结合自动提取的心肌T₁值和合成HCT，按照标准公式计算“全自动合成ECV”。5) 使用配对t检验、Pearson相关、Bland-Altman分析和分类分析来评估全自动合成ECV与常规ECV的一致性。

研究结果

自动评估的T₁值

无论是在1.5T还是3T场强下，自动勾画获得的心肌和血池的native（对比剂注射前）及post-contrast（对比剂注射后）T₁弛豫时间，与手动勾画获得的值均显示出强相关性（Pearson r 在0.93到0.97之间，p < 0.001）。尽管存在统计学上的显著差异，但绝对差异很小。

合成的、自动的ECV vs. 常规的、手动勾画的ECV

全自动合成ECV与常规ECV显示出强相关性（r = 0.79, p < 0.001）。两者在数值上（26.9% ± 4.9% vs. 27.3% ± 6.4%）和平均差异上（0.4%）均无统计学显著差异（p = 0.056）。Bland-Altman分析表明，在ECV值≤35%的临床关键范围内，两种方法一致性良好（平均差异0.1%，一致性界限：-5.38% 到 +5.23%）。然而，在ECV值>35%的高范围内，一致性显著变差。在分类分析中，使用30%作为共同阈值时，两种方法的分类一致性为87.7%。

图像质量和自动轮廓的性能评估

对随机选取的100对图像的质量评估显示，图像质量总体在可接受至良好之间。自动分割算法在绝大多数图像中成功勾画了相关心脏结构，约62%-66%的分割被评级为“好”或“优秀”。分割质量随着图像质量的提高而显著改善。

研究结论与讨论

本研究成功开发并验证了一种集成的、全自动的、无需血样提取的合成ECV计算方法。该方法结合了基于U-Net的机器学习自动分割技术和已建立的合成HCT模型。核心结论是：在ECV≤35%的范围内，全自动合成ECV与常规ECV具有良好的一致性，为大规模、无创评估心肌弥漫性纤维化提供了一个高效、可重复的概念验证工具，尤其适用于研究场景下的批量后处理。

研究讨论强调了几个关键点。首先，自动分割的T₁值与手动值高度相关，与既往研究一致，证实了自动化分割的可行性，有望大幅缩短后处理时间。其次，虽然在全范围内观察到一定程度的变异性，但在临床最关注的≤35%范围内，平均差异仅为0.1%，低于已知的临床和观察者间变异性水平，表明该方法在此范围内具有可靠的准确性。第三，研究也指出了当前方法的局限性：在ECV>35%的高值范围内，一致性下降。这可能源于高值病例在训练数据中占比较少、图像质量问题（如运动伪影），以及方法学上比较的是自动全心肌层片与手动室间隔区域测量值的固有差异。一项补充的全层片与全层片比较分析显示，在匹配的测量区域下，两种方法具有极高的一致性和极小的偏差，说明观察到的差异主要源于测量区域的不同，而非自动方法本身的根本缺陷。

此外，该研究的模型仅在单一中心使用特定品牌（飞利浦）的扫描仪和序列进行训练和测试，其普适性需要在外部队列和其他厂商设备上进一步验证。未来工作应聚焦于外部验证、跨厂商测试，并利用更平衡的数据集改进高ECV范围内的算法性能。

尽管存在这些需在未来改进的方面，本研究迈出了重要一步。研究人员已将这项全自动计算合成ECV的应用代码和模型开源，旨在促进更广泛的研究使用和协作改进。总之，这项研究展示了一种有前景的自动化解决方案，它有望消除ECV量化对血样的依赖并简化后处理流程，从而推动ECV作为一种强大的无创生物标志物，在心脏磁共振研究和未来临床实践中更广泛、更一致的应用。