本次大会由中国生物医学工程学会医学人工智能分会、中国医学影像AI产学研用创新同盟、中国研究型医院学会传染与炎症分会、国家卫健委全国卫生康健传承项目放射专业委员会、北京影像诊疗技能创新联盟主办，CMAI 组委会承办。
雷锋网&医健AI掘金志作为本次大会的支持单位，全程参与高朋的演讲内容与深度宣布。
作为本次大会高朋，国际心血管磁共振学会中国委员会副主委、华中科技大学同济医学院附属同济医院放射科夏黎明主任揭橥了主题演讲。
夏黎明主任表示：心脏磁共振检讨目前面临很多的困难：例如，对患者的心率、呼吸哀求比较高；其次，患者心脏检讨韶光很长，病人耐受差，对技师的哀求也更高。因此，在成像环节的加速和标准化中，AI可以发挥巨大的浸染。
另一方面，深度学习在心脏磁共振成像图像分割、剖析、诊断运用方面，也有诸多亮点。例如，在图像分割（左心室、左心房）、心肌瘢痕定量评估、诊断心肌梗去世诊断，夏黎明主任以多篇论文举例进行论证分享。
以下为夏黎明主任大会演讲的全部内容，雷锋网《医健AI掘金志》做了不改变原意的编辑和整理。
各位专家、各位同道，大家好。我本日要先容的主题是《AI在心脏磁共振成像中的运用与研究进展》，我从AI在CMR检讨流程、质控中的运用两个方面开始进行先容。
AI在CMR检讨流程、质控中的运用
心脏磁共振检讨目前面临很多的困难：
首先，是我们对患者的心率、呼吸哀求比较高；
第二，是患者心脏检讨韶光很长，病人耐受差；
第三，对我们操作者的技能哀求很高。
综合以上三点，AI在心脏磁共振成像检讨中，实在大有出息。
心脏扫描的各种平面须要我们定位，定位须要一定的技能，手动定位也须要较多的韶光，如果定位不准确，图像就不标准，所丈量的解剖构造值、功能就不准，其余，它的重复性也很主要，在病情复查、比拟时常常须要多次检讨平面同等。
如果我们用人工智能进行精准、快速的定位，目前的研究，只要定位16秒钟就可以办理。
如图，这个是心脏智能的定位，现在大家研究的还是比较多，通过卷积神经网络基本上可以得到我们常用的四个定位的平面，我们可以看到有四腔、两腔、三腔和短轴平面的图像。从目前的结果来看，一次屏气全心覆盖，自动、快捷、多方位定位，定位准确、稳定、可重复性好。
上面是心脏六个层面的图像，分别是短轴、两腔，四腔、三腔，右、左流出道层面电影图像。
其余，AI在图像的重修方面，有非常好的代价。
例如，在黑血里面利用深度学习的成像，提高了图片的分辨率和信噪比。
我们可以看到（如图）里面的参数，我们基于AI的这种黑血，它的分辨率及信噪比很高。
如图，左侧图是传统的T2黑血成像，中间是SSFSE T2黑血成像，早期我们没有人工智能，SSFSE T2黑血成像很差，右图是基于AI的一次屏气，成像质量险些和跟传统的十个心动周期图像保持同等。
如图，这个病人是心律不齐，传统的黑血覆信很重，右边人工智能的黑血成像可以采纳。
其余，AI在电影序列里面也是很有代价的，跟其他的一些电影图像序列比较有很大的上风，它单次屏气、全心覆盖、信噪比及空间分辨率高、重修速率快。
传统的采集须要多个心动周期，目前基于AI的电影图像采集，只要一个心动周期就可以。（如图）左边是处理前的图像，中间是 AI处理后的图像，跟传统图像险些是同等的。
如图，是心律不齐患者的CMR图像，上面是传统的Cine，图像有心率不齐导致的伪影，下面是AI Cine，图像质量很好。
基于AI利用不同迭代的技能，（a）是欠采样的图像，（b）是我们希望得到的图像，（c-i）采取不同的迭代次数，末了我们重修过程中1-10迭代图像跟我们所须要的图像该当是同等的。
其余，AI也可以在检讨的质量掌握里面发挥很好的浸染。
文章从三个维度评估，包括扫描的范围，图像层间运动以及图像的比拟。
上面一排是我们比较空想的图像，下面是不太好的图像，通过深度学习、演习，从四个层面的图像进行演习，然后得到三个独立检讨的质量掌握的功能。
AI在CMR图像分割、剖析、诊断运用
AI在心脏磁共振成像图像分割、剖析、诊断运用，深度学习在心脏电影图像方面的运用在逐渐增多，例如电影图像的自动分割、多参数、功能剖析，对瘢痕的分割等。
其余对付非比拟增强来诊断梗去世或者心肌病的一些方法，还有T1/T2 mapping对水肿、瘢痕进行评估等。
我们可以看到AI可以自动丈量，有很多的功能，例如，它的心室容积、射血分数、心输出量，还有心肌厚度剖析等。
如图，这篇文章是荷兰莱顿大学陶倩教授研究的，我们也参与了研究，利用深度学习对电影进行自动的分割，对它的功能、全自动量化进行了评估，它的结果还不错。
这是左心室（LV）分割网络的完全流程，从左到右的输入、卷积、激活函数、池化、全连接、输出等等，末了分割出左心室。
我们看看它的效果，研究把人工智能的分割和手动勾画行了一个比拟，在左心室的舒张末期、紧缩末期的容积，心肌质量和左心室射血分数方面做了比拟，它的同等性非常好。
其余，对它的三个模型、三种数据进行了评估，末了的效果很好，由于它是一个多中央、多设备、病例数也比较多的研究。
其余有一个研究，利用人工智能对左心房进行分割，打算它的直径和容积。
左心房扩大的患者，常常会导致房颤，以是对付左心房的体积和直径的评估非常故意义，由于人工智能对增强往后的延迟强化能识别，左心房分割效果还是相称不错。
如图，分为几个步骤，第一个是2D的CNN，第二是3D的CNN，第三是双3D的CNN，病例数目不多，但效果不错。
下面对三种方法进行了比拟。
第一种我们可以看到Dice系数，该当算是双3D的CNN，Dice系数最高达到93.2%。其余从它壁的厚度，还有直径、容积的差错方面来进行评估，也是证明了双3D的CNN，它的效果是最好的。
第一篇的研究便是对心肌瘢痕进行一个定量评估，它是利用3D深度卷积神经网络对肥厚型心肌病进行评估，紧张是打算它的瘢痕体积，还有瘢痕体积的百分比，该当说人工智能分割与手动勾画的同等性很好。
我们看看它的结果，如左上图，体积、百分比还有人工智能和手动勾画的r值都在0.9以上。右图，上面一排是手动勾画，第二排是人工智能分割，第三个便是手动的人工智能勾画纤维瘢痕的面积同等性比较高。
此外，另一个研究是人工智能对心肌梗去世进行的一个评估，它对非增强的电影图像进行评估，常常诊断心肌梗去世不管是急病还是慢病都须要延迟增强，这个研究对不增强的电影图像进行心肌梗去世的诊断，那意义还是很大的。
根据它的结果显示有良好的诊断效率，它的敏感度和特异度都是非常高的，在0.9以上。
看看它的过程，第一我们要定位左心室，第二对运动特色的提取。
一共分为三步，第一步是局部运动的特色，第二步是整体运动的特色，第三步便是把局部和整体运动的特色，经由叠加的自动编码进行分类诊断，哪些是正常，哪些是延迟强化的。
我们看一下结果（如上图），第一列是电影非增强的，第二列是延迟增强，我们可以看到每一例都有延迟强化心肌梗去世，第三列是人工智能勾画的梗去世和延迟增强，手动勾画梗去世的叠加，第四列是提取心肌梗去世的区域，第五列是对心肌梗去世的范围和透壁性的量化。
总体来讲，诊断效能比较高，诊断慢性心肌梗去世的效能达到了0.87以上，该当是相称不错的。
我们可以看到，人工智能和手动勾画的同等性还是不错的。其余，他给了两个病例，第一个人工智能和手动勾画的面积非常吻合，第二个轻微差一点。
如图，这篇文章便是对付比拟增强，是人工智能虚拟原生增强技能替代钆延迟增强的研究，紧张是利用增强前T1 map图和心脏电影图像的旗子暗记，通过VNE技能天生与延迟增强的图像来进行比拟，看看它的同等性怎么样。
结果可以看出，人工智能的非比拟增强虚拟图像与延迟图像的同等性很好，尤其非比拟增强图像质量比比拟增强的图像更好。
我们看看它的过程，它的过程紧张有三个序列图像组成，第一个是电影，第二个是黑血，第三个是增强前的T1-mapping，然后把它编码，领悟天生一个区域的增强图像，只要大约15分钟即可得到，如果我们没有这个技能要进行延迟增强，还须要30分钟的韶光来进行操作。
如图，末了一个延迟图像，有四位不雅观看者来进行评价和打分，黄色的是延迟增强，绿色的是非延迟增强人工智能，四位不雅观看者把非比拟增强打分高一些，它的均匀分数也高，其余一个延迟增强图像比较差，或者完备不能进行诊断的，通过非增强的人工智能方法可以提高图像质量。
如图，我们可以看到这些病例。
第一列是正常的对照组， B到G是不同的心脏疾病。第一排是彩图，第二排是非比拟增强人工智能的虚拟图像。第三个是真正的延迟增强图像。下面分别是增强与非增强的彩图，同等性还是非常好的。
总结
综合上述的内容，我们可以创造，AI在心脏磁共振成像中具有不错的运用前景。
第一点，AI在心脏磁共振成像的代价贯穿检讨的流程、图像重修、质控、分割、多参数剖析、诊断等，总体来说是快、准、重复性好。
与此同时，AI在心脏磁共振成像运用场于初步的阶段，还须要多中央大量的研究。
我的演讲结束了，感激大家。