迈向完全自动化的合成 ECV 量化：一种开放获取的基于机器学习的快速无采血心脏磁共振方法

这对心脏健康为何重要

医生越来越依赖心脏磁共振成像来发现心肌早期的瘢痕化——这是一种与多种严重心脏疾病相关的细微改变。如今，获得这些信息通常既需要费时的图像分析又需要抽血检测。该研究显示，计算机可以自动读取特殊的心脏 MRI 并在不抽血的情况下估算相同信息，从而为更快捷、更舒适并可能更普及的先进心脏诊断打开了大门。

看见心脏中的隐匿瘢痕

许多慢性心脏病会导致纤维化——心肌中类似瘢痕的小片区域，会使心肌变僵并恶化长期预后。现代心脏 MRI 可以测量所谓的细胞外体积（ECV），它反映了心肌中由液体和纤维组织而非健康细胞占据的比例。ECV 已成为弥散性纤维化的强有力影像学指标，但在临床中测量它并不方便。通常需要在多幅 MRI 图像上手工描绘区域、对运动进行仔细校正，并且需要近期的血液检查来确定血细胞比容（hematocrit），即血液中红细胞所占的比例。

抽血检测和人工操作的问题

在现实世界的医院里，这种传统流程成为瓶颈。并非所有中心都能在 MRI 检查前后及时采集血样，而且血细胞比容本身会随体位等简单因素波动。图像分析也依赖受过训练的专家、专用软件以及逐层手动勾画心脏结构的若干步骤。这些步骤耗时且在不同读片者或不同中心之间可能存在差异，从而使跨医院或大规模研究的结果比较变得困难。

教计算机读懂心脏影像图

在早期研究表明可以直接从心脏血池的 MRI 信号估算血细胞比容的基础上，作者们着手自动化其余流程。他们使用了来自两种不同磁场强度下、超过 1000 名患者的 MRI 数据。在训练阶段，专家在注射造影剂前后获得的特殊 T1 “图”上仔细勾画了心肌和心腔的边界。这些示例用于训练一个深度学习模型（一种 U‑net 类型的神经网络）以自动识别相同结构。算法还应用了图像处理步骤以将血液与邻近组织分离，并对边界进行轻微收缩以避免运动造成的模糊影响。

从原始扫描到一步得到合成 ECV

模型训练完成后，在另一组独立患者上进行了测试。对于每位患者，模型自动测量心肌和血液的典型 T1 值，将这些值代入已发表的仅基于 MRI 估算血细胞比容的公式，然后计算出“合成”ECV——完全不需抽血或人工描绘。研究者将这种完全自动化的合成 ECV 与使用专家描边和实验室测定血细胞比容计算得到的传统 ECV 进行了比较。总体而言，两种方法高度一致：平均值几乎相同，二者之间的相关性很强。在临床重要的范围（约 35% ECV 及以下，涵盖大多数患者）内，一致性尤其良好。

效果良好之处与局限

独立心脏影像专家普遍将自动化描边评为可接受到优秀，模型对来自两种磁场强度的图像都能可靠处理。但在非常高的 ECV 值（通常反映重度疾病）的区间，自动化与传统测量之间的差异增大。作者认为这部分是因为此类极端病例在数据集中较少，部分原因是图像质量和复杂解剖可能会干扰算法。他们还指出，传统参考方法使用心室中隔的小区域，而自动化方法则对整个切面取平均，这自然会引入一些差异。

展望未来的意义

目前，该方法应视为一种研究工具，而非现成的临床替代方案。尽管如此，它表明计算机能够处理标准的造影前后心脏 MRI 图，并在无需抽血且仅需极少人工输入的情况下，生成在大多数患者中与现行费时测量高度一致的 ECV 值。由于代码和训练好的模型是公开可得的，其他中心可以在自己的扫描仪上测试、改进并适配该方法。如果进一步验证——尤其是在高 ECV 患者群体中——完全自动化、无采血的 ECV 量化有望使纤维化评估更快捷、更一致并更易普及。

引用: Beyer, R.E., Hüllebrand, M., Doeblin, P. et al. Towards fully automated synthetic ECV quantification: an open-access machine learning-based approach for fast blood draw-free CMR. Sci Rep 16, 8552 (2026). https://doi.org/10.1038/s41598-026-43624-3

关键词: 心脏磁共振成像, 心肌纤维化, 细胞外体积, 深度学习, 医学影像自动化