Table of Contents

Кардиологическая магнитно-резонансная томография (МРТ) стала незаменимым инструментом для оценки анатомии, функции и особенностей тканей сердца. Динамическая МРТ сердца, которая захватывает изображения бьющегося сердца в течение нескольких временных рамок, предоставляет критическую информацию о движении миокарда, перфузии и клапанной функции. Однако присущие компромиссы между пространственным разрешением, временным разрешением и отношением сигнал-шум (SNR) делают динамическую МРТ сердца особенно восприимчивой к шуму. Шум может затушевывать тонкие аномалии движения стенки миокарда, ухудшать точность количественных показателей, таких как фракция выброса, и даже приводить к неправильному диагнозу. Поэтому алгоритмы снижения шума необходимы для максимизации клинической полезности динамической МРТ сердца. Эта статья обеспечивает углубленное изучение последних разработок в алгоритмах, предназначенных для снижения шума в динамической МРТ сердца при сохранении тонких анатомических и временных деталей, которые жизненно важны для точной диагностики и планирования лечения.

Критическая роль снижения шума в динамической сердечной МРТ

Шум в динамической МРТ сердца возникает из нескольких источников, в том числе теплового шума от пациента и оборудования, физиологического движения и присущих ему ограничений ускоренных методов визуализации, таких как параллельное изображение и сжатое зондирование. Даже умеренные уровни шума могут скомпрометировать видимость границы эндокарда, делая автоматическую сегментацию ненадежной. В клинической практике снижение шума напрямую влияет на уверенность рентгенологов и кардиологов в интерпретации исследований. Более четкие изображения облегчают лучшее разграничение рубцов миокарда, выявление ишемии во время стресс-тестирования и оценку ишемии клапанов. Более того, снижение шума является предпосылкой для передовых задач постобработки, таких как анализ деформации, количественное определение потока 4D и отслеживание катетера в реальном времени во время интервенционных процедур. Таким образом, разработка алгоритмов, которые могут надежно подавлять шум без размытия краев или размазывания временной динамики является приоритетной областью исследований.

Уникальные вызовы в динамической сердечной МРТ

Динамическая кардио МРТ представляет собой несколько различных проблем, которые отличают ее от статической МРТ и даже других динамических методов визуализации, таких как сине-МРТ мозга.

Связь между артефактами

Сердце движется циклически, но дыхательное движение, аритмии и объемное движение пациента вносят дополнительные нежесткие деформации. Алгоритмы снижения шума должны различать истинные движения и шумовые колебания интенсивности. Стандартный пространственный фильтр, применяемый равномерно по кадрам, может размыть стенку миокарда в систоле и диастоле, уменьшая временную верность.

Ограниченное отношение сигнал/шум

Для достижения высокого временного разрешения (часто 30–50 мс на кадр) динамические последовательности МРТ сердца приобретают лишь долю k-пространства на кадр, что по своей сути снижает SNR. Это еще больше усугубляется при использовании более высоких сил поля (например, 3T), где неоднородность B1 и повышенная чувствительность к движению могут усиливать артефакты. Поэтому снижение шума должно работать в режиме, где сигнал уже низок, рискуя чрезмерно успокаивать, если алгоритм слишком агрессивен.

Необходимость обработки в режиме реального времени или в режиме почти реального времени

Клинические рабочие процессы требуют быстрого разворота. Снижение шума, которое занимает минуты на объем, непрактично. Алгоритмы должны сбалансировать точность со скоростью, в идеале обрабатывая каждую динамическую серию за секунды, чтобы быть интегрированными в конвейер реконструкции сканера.

Гетерогенность у пациентов и патологии

Шумовые паттерны различаются в зависимости от размера пациента, анатомии сердца и состояния заболевания. Здоровое добровольческое исследование не может обобщить пациента с расширенной кардиомиопатией или аритмией. Надежность в различных популяциях является ключевым требованием для клинического принятия.

Эволюция методов снижения шума

Снижение шума в сердечной МРТ развилось от простых фильтров постобработки до сложных моделей и основанных на данных подходов. Понимание этой прогрессии помогает оценить текущее состояние.

Классическая пространственная и временная фильтрация

Ранние методы применяли гауссовые или медианные фильтры к каждому кадру независимо, но эти часто размытые края и удаленные тонкие структуры. Временное фильтрование вдоль временного измерения - например, фильтры скользящей средней - могло уменьшить шум, но вводило временное размытие, вызывая привидение движущихся функций. Адаптивные фильтры, такие как двустороннее фильтрование, предлагали улучшения, сохраняя края при сглаживании однородных областей, но требовали ручной настройки параметров и не работали в условиях низкой SNR.

Методы трансформаций доменов

Регуляризация на основе денозаций и тотальных вариаций (телевидение) стала популярной благодаря их способности сохранять края. Телевизионное денозационное восприятие предполагает, что истинное изображение имеет редкий градиент. Хотя оно эффективно для статических изображений, ТВ-прикладное изображение не использует временные корреляции. Расширения, такие как 3D-телевизор (спатиотемпоральное) улучшили производительность, но были вычислительно интенсивными и все еще склонны к лестничным артефактам в областях тонкого движения.

Низкое и спаренное моделирование

Динамические данные МРТ сердца часто демонстрируют сильные пространственно-временные корреляции, поскольку сердце движется через ограниченный набор состояний. Низкоуровневая матричная факторизация и методы скудного кодирования используют эти корреляции, представляя динамическую последовательность как сумму низкоуровневого фона и скудного динамического компонента. Например, надежный анализ основных компонентов (RPCA) разлагает матрицу изображения на низкоуровневые (стационарная анатомия) и скудные (движение и шум) части. Шум попадает в скудный компонент и может быть удален. Однако эти методы требуют тщательной настройки параметров регуляризации и могут не захватывать сложные нелинейные шумовые паттерны.

Методы глубокого обучения

Появление глубокого обучения произвело революцию в снижении шума в медицинской визуализации. Свёрточные нейронные сети (СНС) могут изучать сложные, нелинейные отображения от шумного ввода до чистого вывода с использованием больших наборов данных обучения. Для динамической сердечной МРТ были адаптированы несколько архитектур.

Надзор за обучением с парными данными

Наиболее распространенный подход заключается в обучении сети на парах шумных и чистых (или без шума) эталонных изображений. Чистые ссылки могут быть получены путем усреднения нескольких приобретений (что занимает много времени) или путем моделирования шума на сканировании с высоким SNR. U-Net и его варианты (например, 3D U-Net, внимание закрыто U-Net) широко используются из-за их способности захватывать как локальный, так и глобальный контекст. Для включения временной информации используются 3D-извилистости через (x, y, время) или повторяющиеся сети (например, ConvLSTM). Исследования показали, что методы глубокого обучения могут достигать улучшений PSNR 3-5 дБ по сравнению с классическим телевизионным денозированием при сохранении временной когерентности.

Неконтролируемые и самоконтролируемые подходы

Спаренные чистошумные данные трудно получить в клинических условиях. Noise2Noise и Noise2Void являются самоконтролируемыми фреймворками, не требующими чистых мишеней. Для динамической сердечной МРТ Noise2Noise может использовать два независимых шумных приобретения одной и той же динамической последовательности, что осуществимо во многих кинопротоколах. Однако движение между приобретениями необходимо корректировать, добавляя сложность. Более поздние подходы, такие как Blind2Blind deep denoiser, используют пространственно-временную структуру, чтобы научиться денозировать из одной шумной серии, что очень привлекательно для клинического перевода.

Генеративные состязательные сети (GAN)

GAN были исследованы для снижения шума путем изучения отображения от шумных до чистых изображений, а также обучения дискриминатору, который пытается отличить деноизированные от реальных чистых изображений. Условные GAN (например, pix2pix) могут давать визуально привлекательные результаты. Однако GANs рискуют галлюцинировать искусственные текстуры, что неприемлемо для клинической диагностики. Поэтому их использование в сердечной МРТ остается осторожным, часто в сочетании с потерями восприятия, которые наказывают структурные несоответствия.

Гибридное глубокое обучение и модели на основе методов

Одним из перспективных направлений является развертывание алгоритмов оптимизации (например, алгоритма итеративного усадки-удерживания, ADMM) в архитектуру нейронной сети. Эти «обученные» итеративные схемы сочетают интерпретируемость методов на основе моделей с мощностью представления глубокого обучения. Для динамической сердечной МРТ сети, такие как MoDL (модельное глубокое обучение), включают низкоуровневый или редкий предварительный модуль. Такие гибридные подходы часто превосходят чисто основанные на данных или чисто моделистские методы, особенно когда данные обучения ограничены.

Моделированные методы с физическими приоритетами

Хотя глубокое обучение доминирует в современных исследованиях, методы, основанные на моделях, остаются актуальными, особенно в условиях, когда учебные данные скудны или интерпретируемость имеет решающее значение.

Низкое и скудное разложение с компенсацией движения

Передовые модели на основе методов включают оценку движения в низкоуровневом разложении. Например, структура "низкоуровневой плюс разреженной" с компенсированной движением временной регуляризацией (LR+S-MC) регистрирует все кадры в эталонную раму перед разложением, значительно улучшая снижение шума в областях быстрого движения. Эти методы являются вычислительно требовательными, но обеспечивают высококачественные результаты без необходимости больших наборов данных обучения.

Изучение словарей и модели на основе патчей

Обучение на основе патчей изучает набор пространственно-временных патчей из самих данных (или из набора тренировок), чтобы представлять чистые патчи скудно. Шум удаляется путем обеспечения редкости на изученных коэффициентах словаря. Хотя эффективное обучение словарю для 3D + временных данных является интенсивным по памяти и может не масштабироваться до объемов всего сердца с высоким разрешением.

Общая генерализованная вариация (TGV) и регуляризация высшего порядка

Использование производных более высокого порядка (например, TGV) может уменьшить лестничные артефакты, общие с телевидением. В динамической МРТ с хорошими результатами применена пространственно-временная регуляризация TGV. Эти методы устойчивы к уровням шума и могут быть эффективно решены с использованием алгоритмов первичного дуального действия, что делает их пригодными для интеграции в онлайн-реконструкцию.

Оценка метрик и стандартных наборов данных

Объективная оценка алгоритмов снижения шума имеет важное значение для справедливого сравнения. Общие показатели включают:

  • Peak Signal-to-Noise Ratio (PSNR): Измеряет точность пикселей по отношению к чистому эталону. Более высокий PSNR указывает на лучшее снижение шума.
  • Индекс структурного сходства (SSIM): оценивает воспринимаемое качество изображения путем сравнения яркости, контраста и структуры.
  • Норма ошибок высокой частоты (HFEN): Захватывает сохранение края путем оценки различий в фильтрованных изображениях с высоким пропуском.
  • Заговоры на височные профили: Визуальная оценка изменения интенсивности с течением времени по линии через миокард. Плавность и сохранение резких переходов являются качественными показателями.

Публичные наборы данных имеют решающее значение для воспроизводимых исследований. Инициатива Открытая кристаллография в сердечной МРТ (OCMR) обеспечивает хранилище последовательностей киноринх, хотя многие из них приобретаются с помощью согласованных протоколов. Автоматизированный вызов диагностики сердечной недостаточности (ACDC) набор данных включает сегментированные изображения киноринх. Для оценки отрицания исследователи часто моделируют шум от чистых данных (например, от средних значений длительных приобретений), чтобы иметь наземную истину.

Клинический перевод и практические соображения

Для перехода от исследований к клиническому использованию надежных алгоритмов снижения шума требуется решить несколько препятствий.

Вычислительная эффективность

В реальном времени для деноизации требуется время вывода менее 100 мс на 2D-кадр на стандартном графическом процессоре. Разрабатываются легкие архитектуры, такие как деноайзеры на основе MobileNet или глубинно-раздельные извилины. Обрезка и квантование еще больше уменьшают размер модели, не жертвуя точностью.

Обобщение через сайты и протоколы

Модель, обученная на данных с одного сканера, может не работать на изображениях разных поставщиков или последовательностей. Методы адаптации домена, такие как циклопоследовательно-противостоящие состязательные сети, могут выравнивать распределения функций по доменам. Альтернативно, неконтролируемые методы, которые требуют только шумных данных во время тестирования, естественно обобщают, потому что они не полагаются на фиксированную статистику обучения.

Нормативно-правовые аспекты и соображения безопасности

Любые постобработки на основе машинного обучения, которые изменяют изображения, должны быть проверены как медицинское устройство. FDA и аналогичные агентства требуют доказательств того, что денозирование не вводит артефакты, которые могут ввести в заблуждение диагноз. Необходимы перспективные клинические испытания, сравнивающие диагностическую точность с и без денозирования. Алгоритмы, которые обеспечивают оценки неопределенности (например, байесовское глубокое обучение), могут помочь клиницистам оценить риск.

Интеграция с реконструкцией сканера

Идеальный шаг по денозинизации встроен непосредственно в конвейер реконструкции изображений сканера, работающий на необработанных данных k-пространства. Это позволяет совместно оптимизировать реконструкцию и денозирование. Модели реконструкции глубокого обучения, которые подразумевают снижение шума (например, как часть вариационной сети), набирают обороты. Такие компании, как Siemens, GE и Philips, начинают предлагать варианты реконструкции на основе ИИ для сердечной МРТ, хотя детали остаются собственностью.

Будущие направления

Темпы инноваций в алгоритмах снижения шума для динамической сердечной МРТ не показывают признаков замедления. На горизонте есть несколько перспективных направлений.

Персонализированные алгоритмы

Используя длительный ряд времени одного пациента (10-20 минут для полного сердечного осмотра), алгоритмы могут адаптироваться к конкретным шумовым характеристикам этого человека. Самоконтролируемое обучение или мета-обучение на лету может генерировать специфическую для пациента модель деноза в течение нескольких секунд, адаптируясь к привычке тела, паттерну дыхания и частоте сердечных сокращений.

Мультимодальная интеграция

Объединение информации из других методов визуализации, таких как эхокардиография, которая обеспечивает высокое временное разрешение или КТ, которая предлагает высокое пространственное разрешение, может направлять снижение шума в МРТ. Например, зарегистрированные ультразвуковые кадры могут обеспечить движение раньше, что помогает отделить шум от истинного движения в МРТ.

Самоконтролируемые и базовые модели

Разработка крупномасштабных моделей с самоконтролем (например, BERT для изображений, например, маскированных автокодеров), обученных различным данным МРТ сердца, может служить основой для снижения шума. Точная настройка такой модели на небольшом аннотируемом наборе данных может обеспечить высокую производительность во многих задачах, включая денозирование, без необходимости массивных парных наборов данных.

Неопределенность Осознавая отрицание

Предоставление карты доверия наряду с деноизированным изображением позволит радиологам игнорировать области, где алгоритм неопределенн. Байесовские нейронные сети, отсев Монте-Карло и доказательная глубинная учеба предлагают способы оценки неопределенности с точки зрения пикселей.

Заключение

Надежные алгоритмы снижения шума являются краеугольным камнем высококачественной динамической сердечной МРТ. Поле продвинулось от базовых пространственных фильтров до сложных методов глубокого обучения и моделей, которые сохраняют временные и пространственные детали при эффективном подавлении шума. Наиболее перспективные подходы сочетают сильные стороны обучения, основанного на данных, с физическими априорами сердечного движения и статистикой шума. По мере того, как алгоритмы становятся быстрее, более обобщенными и прозрачными, они станут плавно интегрированными в рабочие процессы клинической МРТ, в конечном итоге улучшая диагностическую уверенность и результаты пациентов. Продолжение сотрудничества между исследователями, клиницистами и производителями устройств необходимо для реализации полного потенциала этих технологий.