心脏磁共振成像(cardiovascularmagneticresonance，CMR)发展迅速，已经成为心脏病学研究中的一种重要的诊断方法。CMR是无创评估左、右心室容积和射血分数的“金标准”[1]。CMR以其高时间和空间分辨率的增强扫描以及血液-心肌组织的高分辨率对比[2]，可以无创提供心肌组织的可视化显示。而且，CMR能定量显示心肌组织特征，准确判断心肌和血管损伤[2]，既能诊断心血管疾病，同时也便于疾病的管理和治疗。近年来伴随着心功能软件和磁共振设备等硬件的进步，推动了新技术的发展，进而提高CMR在心血管疾病诊断、预后和风险分层方面的价值[3]。CMR可以提供多种技术进行可视化评估，包括延迟钆增强(lategadoliniumenhancement，LGE)、T1mapping和T2mapping[1]。扩散张量成像(diffusiontensorimaging，DTI)技术近年来开始用于肥厚型心肌病(hypertrophiccardiomyopathy，HCM)的诊断和风险度分级管理[4]。应变成像是除射血分数之外一种新兴的评估心肌功能的CMR技术[5]。人工智能(artificialintelligence，AI)在心脏病学中开辟了新的领域，使得CMR图像数据得到更深入的挖掘[6]。本综述旨在汇总近年来CMR在心肌肥厚病变定量评估中的新进展，包括T1mapping、T2mapping技术、DTI、心肌应变以及AI技术。
1T1mapping磁共振对比剂延迟强化技术已经成熟地用来在体检测局灶的心肌纤维化区域。但是，LGE仅仅能够识别心肌组织损伤的局部区域，需要正常心肌组织做参照，对弥散病变不敏感，不能对纤维化程度进行定量研究[7]。高分辨率纵向弛豫时间定量成像(T1mapping)技术可以在像素到像素的基础上生成T1值进而定量心肌组织。T1mapping技术能够识别早期弥漫性纤维化，可以无创地检测心肌病理学的早期细微变化[7]。此外，T1mapping技术可能更精确地量化心肌梗死区[1]。T1mapping技术还支持细胞外容积测量(extracellularvolumemeasurement，ECV)，也可以测量心肌与左心室容积相关的纤维化[7]。目前T1mapping技术在心血管疾病中的应用范围涵盖了诸多的结构性心脏病和代谢性疾病。系统性轻链沉积的淀粉样变可以累及心肌，而LGE只能在淀粉样变后期才能明显识别其特征[8]。Karamitsos等[8]运用非增强的心肌T1mapping技术，在对一组53例心脏受累的淀粉样变和53名对照受试者的对比研究中发现，正常心肌T1值明显高于淀粉样变[(±61)ms，P＜0.]。T1阈值为ms时，显示患者心脏受累的准确率为92%。Sado等[9]和Karur等[10]在法布雷症(Anderson-Fabrydisease，AFD)和HCM患者的鉴别研究中，发现AFD心肌T1值要明显低于HCM患者，有可能成为除年龄、性别和传统成像特征之外的诊断信息。Nakamori等[11]对36例扩张性心肌病患者的研究中，对T1和ECV评价心肌纤维化进行了组织相关性研究，证实T1和ECV两者均与活检结果有显著相关性(r=0.77和0.66)。此外，ECV还显示出与活检细胞外间隙成分有非常高的相关性(r=0.86)。因此在扩张性心肌病中，T1和ECV用来测量组织胶原体积分数有非常好的效能。Treibel等[12]评估了例患者(无淀粉样变或肥厚型心肌病病史)的临床结果和各种指标如ECV、pre-T1、post-T1和分配系数，研究显示ECV表现出最高的对数秩统计和最佳的Kaplan-Meier分离曲线。此外，ECV与单因素和多因素的临床结果密切相关。同时Treibel等[12]指出ECV用来评估测量心肌纤维化程度与预后密切相关，较其他CMR指标更好。规律训练的运动员心肌重塑会导致左心室肥厚，有时候与病理性的因素，如肥厚型心肌病鉴别有难度[13,14]。Swoboda等[15]研究了50例HCM，并纳入40例运动员和35例健康对照者，结果发现HCM组心肌增厚最显著节段的T1值和ECV均低于运动员组[(.7±42.4)ms与(.0±66.0)ms、22.7%±3.3%与32.3%±7.9%，P＜0.]；运动员组的ECV明显低于健康志愿者组(22.7%±3.3%与24.3%±2.6%，P=0.)，T1值在运动员组和健康志愿者中无明显差异。尽管T1mapping已经在定量显示心肌组织特征发面显示出了巨大潜力，但仍有一些问题需要克服才能被广泛接受。正常心肌与纤维化之间没有明确统一的阈值[7]；T1mapping没有任何内置的心率调整功能[7]。此外，采集时相的标准化是必要的，心肌血容量的变化可能会影响T1和ECV值[16]。2T2mapping心肌水肿或铁沉积可导致T2弛豫时间改变，横向弛豫时间定量成像(T2mapping)技术能够量化组织T2值[17]。T2值较传统T2WI能够更早地检测到水肿或炎症的存在，利于尽早挽救心肌[17]。一些研究也证实T2mapping可以无创活体检测及评估心肌炎的活动状态[17]。而且，越来越多的证据表明，T2mapping较T1mapping能够更早地提示急性炎症[18]。T2mapping可以敏感地检测到慢性病如心肌瘢痕、心肌缺血区富含的水分[18]。需要注意的是，心肌T2值参考范围的设定，应根据场强、序列、心率以及心肌节段不同区别制订[19]。3DTI心脏磁共振DTI是依靠水分子在平行和垂直心肌纤维束两个方向上的扩散运动速度差异(也称为各向异性)进行成像。部分各向异性分数(fractionalanisotropy，FA)与表观扩散系数(apparentdiffusioncoefficient，ADC)是DTI最常用的参数，分别反映水分子扩散运动的方向及幅度。目前心脏DTI成像用于活体心脏的报道较少[20]。Ariga等[20]将DTI用于HCM患者，研究发现在健康对照组中，心脏舒张期HCM组FA值明显低于健康对照组，在心肌肥厚处尤为显著。这提示HCM患者心脏功能改变可能与心肌细胞重排以及纤维化有关。4应变成像传统心脏功能的评价主要依赖射血分数这一重要指标[4]。射血分数指标存在着可重复性欠佳、无法反映局部左心室功能的问题[4]。应变成像是一种新兴的技术，可以直接反映心肌的重塑信息[4]。心肌应变作为反映左心室功能的指标要优于射血分数，它可以直接测量到心肌舒张期到收缩期状态的转变信息，可以更早地在临床前期(射血分数未发生改变前)捕捉到左心室功能异常的信息[4]。心血管磁共振标记(cardiovascularmagneticresonancetagging)是一种不借助物理标记物可视化跨壁心肌细胞受累的方法[21]。常用的标记序列包括SPAMM、DANTE、CSPAMM、HARP、DENSE和SENC序列[21]，不同序列在分辨率、信噪比、扫描时间，扫描覆盖范围、图像质量和三维功能方面各有特点[21]。CMR标记技术作为磁共振心肌应变成像的“金标准”，可根据心肌的形变定量评估室壁运动，组内和组间的可重复性较好[21]。CMR标记技术用特定的射频脉冲饱和方向标记心肌的不同区域，形成条纹影像[21]，随后创建形成一个标记网格，因此追踪这些标记有助于心肌变形的可视化显示。但标记容易受组织本身的磁特性影响，当患者室壁变薄或标记在心内膜边缘，均会导致测量不准确[4]；另外它需要独立的专用扫描序列，其后处理需要特定的软件[4]，这使得tagging技术的临床应用受到一定程度的限制。相比CMR标记技术，心脏磁共振特征跟踪(featuretracking，FT)技术仅依靠空间分辨率高的电影成像，没有额外的采集时间，图像后处理相对简单[22]。CMR-FT技术通过测量心肌应变及其衍生参数，实现对心肌整体运动功能和的同步性评估，在不同的个体间或不同心肌节段间实现对各种临床前期病变、心肌缺血或非缺血疾病等进行早期诊断以及预后管理[22]。Hinojar等[23]研究发现HCM患者相较于正常人，其左室纵向、周向及径向应变均有不同程度的降低(P＜0.)，HCM患者心肌应变出现不同程度的受损，提示CMR-FT技术有可能作为判断HCM预后的一种独立预指标。Baessler等[24]运用CMR-FT技术在对一组30例急性心肌炎和24名健康对照组的研究中，通过测量左室及右室心肌的纵向及周向应变，结果提示心肌炎患者的心肌均明显受损。以左室周向应变＞-29%和右室基底段周向应率＞-0.53/s为阈值区分心肌炎和健康对照组，其敏感度和特异度分别为89%和80%。CMR-FT技术扫描简单，图像分析相对容易，可重复性较好，目前已成为可媲美超声斑点追踪技术的定量分析技术。但目前CMR-FT技术的后处理软件多种多样，可提供的验证研究较少，不同软件间测量的变异较大。此外，临床因素如血压、心率、年龄和性别均有可能影响应变值[25]，同时需要注意测量基线和随访的应变值建议用相同的软件进行分析。5AI机器学习(machinelearning，ML)是AI的一个子集，它的出现使心脏病学研究摆脱了传统的调查和研究的局限，开启了新领域的多维信息实时数据挖掘。ML可以解开当前庞大的数据，极大地增强了对疾病的检测和生存预测。机器学习是一个总括性术语，它包含各种算法[26,27]。两种最常用的ML算法是监督学习和无监督学习。监督学习使用一个标有类别的数据集结果。无监督学习可以被认为是不可知的，它适于没有任何标签或分类的数据集，解开其隐藏的关系[26,27]。半监督学习是前面提到的两种方法的混合，使用在数据集中发现关系的未标记结果[26,27]。强化学习类似于人类心理学，使用数据集中的奖励标准，强化学习目前在CMR和心脏病学中的作用有限[26,27]。深度学习(deeplearning)是机器学习(machinelearning)领域中一个新的研究方向，与人脑神经网络体系结构相似，它被引入机器学习使其更接近于AI[28]。伴随着云基础架构及计算能力的快速发展，深度学习的价值会进一步显现。近年来，不少心血管磁共振研究中心已经开始探索机器学习在CMR中的潜力。Winther等[29]报道使用了一种深度学习算法来进行自动分割学习左、右心室内膜和外膜，测量心脏质量和功能。这一方法运用于许多数据集，其中包括汉诺威医学院数据科学院心脏挑战与医学图像计算与计算机辅助干预左心室分割挑战，结果显示深度学习方法完成的准确性大致相当或略高于人类专家。Tan等[30]探索了深度学习中的卷积网络，在左心室短轴位的所有层面对其进行自动分割，这种机器学习方法被用于许多公共数据集，包括个具有不同病理改变的CMR的心室分割挑战数据集。该研究团队在该数据集中获得的Jaccard指数为0.77。Bai等[31]使用完全卷积网络进行自动分析来自大型成像数据库的CMR图像，对例患者的张图像进行左、右心室质量和容积计算。在CMR短轴图像测试例患者，测得左心室容量、左心室质量及右心室容量的Dice系数分别为0.94，0.88和0.90。Tan等[30]和Bai等[31]研究结果证明机器学习自动分割法的准确率与人类专家的判读结果大致相当。机器学习成功植入临床环境，仍有许多问题需要解决。机器学习算法需要大量大型数据集验证才能获得足够稳定的准确度[26]。各研究机构的数据涉及伦理等诸多因素限制，各机构之间的数据共享存在一定困难[28]。另一方面，数据的标准化需要一个通用标准[26]。随着数据变得越来越大，越来越复杂，手动输入数据将变得困难。要成功地整合临床和影像信息，有利于机器学习在各种领域的扩展，须有一个统一的数据标准做保障。这些都是未来需要解决的难点。总之，CMR定量成像等新技术的快速发展，可以提供更多的心肌组织和功能方面有价值的信息。目前这些新技术普遍存在扫描时间长、图像质量不稳定、后处理软件繁多以及测量结果可重复性欠佳等问题，临床推广受限。展望未来，CMR发展的方向仍会追求“快速、定量、精准”，并不断在实践中验证成熟，更好地服务于临床工作。利益冲突全体作者均声明无利益冲突。参考文献略。（作者：郭炜,王晓华）点击此处“阅读原文”可查看详细内容；