四维（4D）核磁共振扫描（MRI）可以用来重建心血管血流随时间的变化，对于一系列心血管疾病的诊断具有重要意义。然而，这些扫描通常需要20分钟的处理时间，意味着扫描过程中无法对进一步成像评估做出决定。近日，来自苏黎世大学生物医学工程学院Valery Vishnevskiy教授的研究团队，成功开发了一种深度学习网络，可以显著加速4D flow MRI数据处理。
这个深度学习模型有望让临床医师在患者接受核磁共振扫描的同时，实时观察血流变化，从而优化诊断工作流。相关研究发表在最新一期的《自然-人工智能》杂志上。心血管疾病是心脏和血管疾患引起的，包括冠心病、脑血管疾病、高血压、周围血管疾病、风湿性心脏病、先天性心脏病、心力衰竭以及心肌病。据世界卫生组织统计，2012年全球约有1750万人死于心血管疾病，占全球死亡总数的31%。
而我国更是心血管疾病的重灾区，据官方统计，我国目前心血管疾病患者大约在2.9亿人。心脏相关疾病的检测一直是医学界的难题。核磁共振成像（MRI）技术是一种常用的检测方式，虽然，随着科技的发展，如今已能够实现MRI的3D成像效果，显著提高诊断的准确性，但同样有它的局限性。
按照当前的心血管MRI检测技术，不仅需要45-60分钟的持续时间，检测过程中也要根据医生指示不时屏住呼吸，最终的检测结果依旧是一张张静态图像，有时很难告诉医生症状的根源。而一旦医生无法准确判断患者的病情，就无法对症下药，这对于心血管疾病患者来说无疑是有巨大风险的。
4D flow MRI相位对比MRI（PC-MRI）是通过在平面方向上设置流速编码来获取单位时间内的图像，这种方法广泛应用于MRI血流定量分析的临床实践中。与传统的2D PC-MRI相比，4D flow MRI通过测量三个方向的流速编码和单向的流动补偿编码来进行四点扫描，从而获取图像信息。在血液流动形式复杂的心脏中使用2D PC法进行流量测量是比较困难的。
在三个空间维度中的每一个具有速度信息的时间分辨3D成像已经证明了心脏内流量定量的可靠性和准确性。
然而，在影像学对于血液动力学的检查中，可视化的图像对于疾病的诊断，研究数据的解释都有着至关重要的作用，而由于4D-flow采集的数据量很大，因此要想将所得到的这些数据进行可视化评估是十分困难的。随着4D flow MRI在过去几年中不断发展，目前，4D flow MRI可视化方法已经有效地识别了诸如主动脉，颈动脉和脑血管的各种血管中的血流异常变化。
近年来，许多科学家都想致力于利用数据的冗余来加速数据处理，因此，诸如部分傅立叶成像、并形成像（PI）以及压缩感测（CS）等方法都被用于4D flow MRI数据处理。但是对于4D flow MRI，近年来缓慢变化相位的基本假设已被证明是不正确的，因此，部分傅立叶成像这一方法并不适用。而受噪声的影响，PI的应用也非常有限，所以也不适合。同样地，CS中使用的迭代重建方法反而大大增加了数据处理时间。
Valery Vishnevskiy教授同样致力于4D flowMRI数据处理的研究。近年来，深度神经网络在MRI图像重建中越来越受欢迎。在训练阶段，神经网络从一组MRI扫描图片中学习抽象特征。训练后，通过推断学习的权重，只需很少的计算即可重建新获取的数据。数据处理时间的减少，可以显著促进4D flowMRI在临床实践中的应用。
为此，Valery Vishnevskiy教授对传统的Ham深度学习模型进行了改良，并将改良后的模型命名为Flow VN。新的MRI方法可以在不到五分钟的时间内获得精确的4D MRI图像。研究人员通过11个扫描案例训练了一个神经网络，发现这个网络可以准确重建正常患者和血流异常患者的主动脉血流，且准确度与传统方法一致。研究人员表示，该深度学习AI模型，可以在几秒之内对经过心脏的血流进行四维重建。
这个AI系统还能在20秒左右的时间里重建一次扫描，比目前尖端的传统方法快30倍，比之前的深度学习方法快4.2倍。
Valery Vishnevskiy教授表示，“Flow VN能做的不仅如此，令人兴奋的是，Flow VN具有很强的泛化能力，在临床应用中可以一边处理患者数据一边学习这些患者的数据，未来它会变得更强大。”