这篇文章介绍了“希耐码”，这是一个用于心脏动态增强磁共振成像的基础模型。该模型利用自监督学习方法，在大型未标注心脏动态增强磁共振成像数据集上进行预训练，然后针对多种临床任务进行微调，在多个方面都取得了优于传统卷积神经网络的性能，实现了对心室和心肌分割、射血分数计算、疾病检测与分类以及关键点定位等任务的自动化处理，显著提高了诊断效率和准确性。
研究背景和动机:
心血管疾病(CVD)是全球主要的死亡原因，心脏磁共振成像作为一种重要的临床诊断工具，在疾病诊断和人群研究中发挥着关键作用。心脏动态增强磁共振成像能够评估心脏大小、结构和功能，例如射血分数，但手动解读心脏动态增强磁共振图像和提取临床指标是一个费时费力且主观性强的工作，存在较大的个体差异，影响临床决策的一致性和患者诊疗的质量。深度学习技术为自动化图像解读提供了可能性，但通常需要大量人工标注的数据集，这在实际应用中也存在挑战。
基础模型通过自监督学习在大型未标注数据上进行预训练，然后针对特定任务进行微调，有望解决上述问题。虽然已有少量针对心脏磁共振成像的基底模型研究，但它们在任务范围、模型一致性评估、对分布外数据的泛化能力以及有限标注数据下的性能等方面存在不足。
研究方法:
研究人员提出了“希耐码”模型，它采用自监督掩码自动编码器框架，在来自“英国生物银行”的74,916例心脏动态增强磁共振成像研究数据上进行预训练。预训练任务是根据掩码图像重建原始图像。模型架构借鉴了ConvMAE和MultiMAE，以降低内存消耗并支持多视图心脏动态增强磁共振成像输入。
为了评估“希耐码”的实用性，研究人员在八个数据集上对23个临床相关的任务进行了评估，这些任务涵盖了四个类别：心室和心肌分割、左心室和右心室射血分数计算、疾病检测和分类以及标志点定位。研究比较了三种模型配置：从随机初始化训练的卷积神经网络(ResNet或UNet)、“希耐码”（微调后的预训练模型）以及具有相同架构但从随机初始化训练的“希耐码兰德”模型。
研究结果:
“希耐码”在多个方面都展现出优异的性能：
●分割和射血分数估计:“希耐码”在心室和心肌分割方面显著优于基线模型，“戴斯”系数更高，“豪斯多夫”距离更低，从而得到更精确的心室容积估计和射血分数估计值。 在左心室和右心室射血分数的平均绝对误差方面，“希耐码”均优于卷积神经网络模型。
●零样本泛化能力:在未用于预训练和微调的Kaggle和Rescan数据集上，表明其具有良好的泛化能力。
●数据效率:即使只使用50%的标注数据，“希耐码”也能保持与使用全部标注数据训练的UNet模型相当的性能，甚至在某些指标上表现更好，体现了其较高的数据效率，减少了临床标注的工作量。
●疾病检测和诊断:在疾病检测和分类任务中，“希耐码”的准确性也显著高于基线模型，特异性显著提高，灵敏度也有所提升，这表明“希耐码”可以有效降低过度诊断的风险，同时保持较高的诊断敏感性。
●标志点定位:在标志点定位任务中，“希耐码”使用热图回归方法取得了与UNet模型相当的精度，用于计算二尖瓣环状平面收缩偏移和整体纵向缩短等指标。
讨论和结论:
“希耐码”是首个在多个临床相关任务上达到或超过从头训练的卷积神经网络性能的心脏动态增强磁共振成像基底模型。其在分割精度、射血分数估计精度、疾病诊断和标志点定位等方面的优异表现，以及高数据效率和良好的泛化能力，都表明其具有显著的临床应用价值。该研究通过开源代码和模型权重，降低了高性能模型的获取门槛，促进了可重复性和临床转化。
然而，研究也存在一些局限性，例如：尚未评估“希耐码”对临床预后指标的预测能力；仅在心脏动态增强磁共振图像上进行预训练，在其他模态图像上的性能有待进一步研究；以及基底模型的训练需要大量的计算资源。
研究意义和影响:
这项研究为心血管影像分析领域带来了重要的进展。“希耐码”的成功，证明了基底模型在提高临床效率、降低人工标注成本以及提升诊断准确性方面的巨大潜力。其开源的代码和模型权重，也为全球范围内的研究者和临床医生提供了宝贵的资源，有望加速该技术的临床应用和商业化进程。未来研究可以进一步探索基底模型在其他心血管影像模态（如晚期钆增强和纵向弛豫时间定量成像）上的应用，并进行前瞻性临床研究，评估其对临床决策和患者预后的影响。
如需要《“希耐码”: 心脏动态增强磁共振成像基础模型》（英文，共45页），请在本微信公众号中赞赏（点喜欢或稀罕作者后按本公众号设定打赏）后，发来email地址索取。
Consistency wins because it's not what you do once in a while that matters. it's what you do every day. 持之以恒方能制胜，因为真正重要的，不是偶尔为之的举动，而是日复一日的坚持。早上好！
