《使用人工智能虚拟原生增强技术取代晚期钆增强技术，用于肥厚型心肌病的无钆心血管磁共振组织表征》论文精读

《Toward Replacing Late Gadolinium Enhancement With Artificial Intelligence Virtual Native Enhancement for Gadolinium-Free Cardiovascular Magnetic Resonance Tissue Characterization in Hypertrophic Cardiomyopathy》
背景：晚期钆增强 (LGE) 心血管磁共振 (CMR) 成像是非侵入性心肌组织表征的黄金标准，但需要静脉注射造影剂。迫切需要开发一种无造影剂技术来替代 LGE，以实现更快、更便宜的 CMR 扫描。

方法：使用人工智能开发了一种 CMR 虚拟原生增强 (VNE) 成像技术。用于生成 VNE 的深度学习模型使用多条卷积神经网络流来利用和增强原生 T1 图（组织 T1 弛豫时间的像素级图）和心脏结构和功能的电影成像中的现有信号，将它们呈现为 LGE 等效图像。使用生成对抗网络训练 VNE 生成器。该技术最初是在多中心肥厚性心肌病登记处的 CMR 数据集上开发的，以肥厚性心肌病为例。将数据集随机分成 2 个独立组进行深度学习训练和测试。经验丰富的人类操作员对 VNE 和 LGE 的测试数据进行评分和勾勒，以评估图像质量、视觉空间一致性和心肌病变负荷量化。使用非参数 Wilcoxon 检验比较图像质量。使用组内相关系数 (ICC) 分析观察者内和观察者间一致性。使用线性回归和 ICC 比较 VNE 和 LGE 的病变量化。

结果：共有 1348 名肥厚型心肌病患者提供了 4093 组匹配的 T1 图、电影和 LGE 数据集。经过随机化和数据质量控制后，2695 个数据集用于 VNE 方法开发，345 个数据集用于独立测试。 4 名操作员评估 VNE 的图像质量明显优于 LGE（n=345 个数据集；P<0.001 [Wilcoxon 检验]）。VNE 显示的肥厚性心肌病病变特征与 LGE 具有高度的视觉空间一致性。在 121 名患者（n=326 个数据集）中，VNE 与 LGE 在检测和量化高强度心肌病变（r=0.77–0.79；ICC=0.77–0.87；P<0.001）和中等强度病变（r=0.70–
0.76；ICC=0.82–0.85；P<0.001）方面具有相关性。VNE 所需的原始 CMR 图像（电影加 T1 图）可在 15 分钟内获取，生成 VNE 图像只需不到 1 秒。

结论：VNE 是一种新的 CMR 技术，类似于传统的 LGE，但不需要注射造影剂。VNE 在病变分布和量化方面与 LGE 高度一致，且图像质量明显更好。

临床视角

什么是新内容？

• 虚拟原生增强 (VNE) 是一种新的深度学习驱动的心血管磁共振 (CMR) 技术，它生成的图像与传统的晚期钆增强非常相似，而无需使用基于钆的造影剂；换句话说，它充当“虚拟造影剂”并产生“虚拟晚期钆增强”图像。
• VNE 图像在病变的视觉空间分布和量化方面与晚期钆增强高度一致，图像质量明显优于晚期钆增强。
• VNE 提供了一种新的 CMR 组织表征技术，可以显着缩短扫描时间并消除对造影剂的需求。
临床意义是什么？
• 对于肥厚型心肌病患者，VNE
可以避免在连续 CMR 扫描中重复使用钆基造影剂来监测病情进展。
• 虽然目前已在肥厚型心肌病中得到验证，但有一条明确的途径可以扩展 VNE 以表征更广泛的心脏病理。
• VNE 技术有可能改变 CMR 成像的当前范式，因为它可以实现速度更快、成本更低、无造影的 CMR 扫描，从而能够频繁监测心肌组织变化。

非标准缩写和首字母缩略词

AI 人工智能
CMR 心血管磁共振
FWHM 半峰全宽
GBCA 钆造影剂
HCM 肥厚性心肌病
HCMR 肥厚性心肌病登记处
ICC 组内相关系数
LGE 晚期钆增强
ROI 感兴趣区域
TI 反转时间
VNE 虚拟原生增强

晚期钆增强 (LGE) 心血管磁共振 (CMR) 成像已被充分证实可用于检测多种心血管疾病中的局灶性心肌病变和纤维化。1–5 LGE 的存在和程度与不良后果独立相关，包括肥厚性心肌病 (HCM)。6–11 然而，LGE 需要静脉注射钆基造影剂 (GBCA)，严重肾衰竭患者应谨慎使用，已知对 GBCA 过敏的患者禁用。12 无需 GBCA 给药可以显著缩短扫描时间、降低相关耗材成本、缩短患者准备时间，并避免医生在场的需要。

原生（造影前）CMR 模式是无需 GBCA 即可进行组织表征的替代方法。电影成像由一系列不同心脏相位的图像组成，用于评估心脏结构和运动。原生 T1 映射以逐像素为基础估计组织的 T1（质子自旋晶格）弛豫时间。原生 T1 映射对多种心脏疾病表现出敏感性，13 包括 HCM 中的早期心肌变化。14–16 异常 T1 信号与 LGE 区域以及局灶性和弥漫性纤维化模型中的组织病理学相关。17–19 原生 T1 映射似乎是最有前途的无 GBCA 技术，用于揭示与 LGE 中看到的心肌异常相关的内在成像信号；然而，T1 映射的临床实用性在很大程度上受到缺乏标准化解释和后处理、混杂因素和诊断特异性的阻碍。13,20

我们假设原生 T1 图可以转换成类似于 LGE 图像的视觉诊断图像。在这项工作中，使用新颖的人工智能 (AI) 方法，开发了一种虚拟原生增强 (VNE) 成像技术，该技术利用和增强原生 T1 图和电影帧中的现有对比度和信号，并以标准化呈现方式显示它们。然后通过与匹配的 LGE 进行比较来验证 VNE 成像的图像质量、视觉空间一致性和心肌病变量化。该方法首先在 HCM 中开发，部分原因是它本身就是 LGE 评估的重要指征，但也因为其区域异质性和多样化组织重塑过程的特征使其成为广泛心脏病理学的良好测试案例。

方法

支持本研究结果的匿名测试数据可根据合理要求从通讯作者处获得，并须经多中心肥厚性心肌病登记处 (HCMR) 委员会批准。

虚拟原生增强的深度学习方法

所提出的 VNE 技术使用 2 个原生组件：原生 T1 映射（包括原生反转恢复加权图像）和心动周期的预对比电影帧。反转恢复加权图像和 T1 映射提供心肌组织特性的图像对比度和信号变化。电影帧提供额外的壁运动信息和更明确的心肌边界。这些图像被输入到深度学习生成器中以得出 VNE 图像（图 1B）。

神经网络设计

VNE 生成器具有 3 个并行卷积神经网络流，分别用于处理电影帧、反转恢复加权图像和 T1 图。每个流都有一个编码器-解码器 U-net21 架构（图 1B）。编码器依次从精细到粗糙计算图像特征，提供多尺度特征表示。解码器将多尺度特征组合起来以生成最终特征图。U-nets 的 3 个特征图流被连接起来并输入到另一个神经网络块中，以融合来自多模态的信息并生成最终的 VNE 图像。

神经网络训练

神经网络使用改进的条件生成对抗网络方法进行训练，22 该方法优化了 VNE 生成器和“鉴别器”。此 VNE 应用程序专注于增强原生 CMR 信号，并将其呈现为类似于 LGE 图像的 VNE。这是通过定义生成器的目标来实现的，即生成与 LGE 图像在感知相似性上相匹配的 VNE 图像——使用预训练神经网络 (VGGNet)23 进行更高的深度学习特征比较——并且与 LGE 对比图像无法区分。
“鉴别器”的目标是区分 VNE 和 LGE 图像。这两个神经网络以对抗方式进行训练。该策略产生了一个经过训练的生成器，它将现有的原生 CMR 信号转换为 LGE 表示。为了可重复性，数据补充中的扩展方法中提供了完整的深度学习详细信息。训练完成后，通过图形处理单元生成 VNE 图像大约需要 50 毫秒，而使用现代中央处理单元则需要 130 毫秒。生成的 VNE 图像具有与 T1 图相同的空间分辨率。

概念验证材料

使用了来自大型 HCMR 研究 11 的 CMR 数据集。本研究已获得机构审查委员会和伦理委员会的批准，所有患者均已书面同意。HCMR11 扫描方案包括造影前短轴电影成像（用于评估心脏运动和结构）和原生 T1 映射（T1 弛豫时间的定量像素级图），然后在 GBCA 后约 10 分钟静脉注射 0.1 至 0.2 mmol/kg GBCA 和 LGE 成像（图 1A）。每次扫描通常有 3 个短轴 T1 图和电影和 LGE 的全心短轴覆盖。收集了短轴原生 T1 图（ShMOLLI [缩短的改良型 Look-Locker 反转恢复]，24 一种使用幻影方法检查的协议25）、电影（在任何 GBCA 给药之前）和 LGE 图像26。使用传统且广泛使用的 2D 屏气和分段相敏反转恢复方法获取 LGE 图像。11 LGE 相敏反转恢复图像用于开发深度学习模型，因为它的图像外观一致，这归因于对反转时间 (TI) 设置的敏感性较低。使用用 Python 编写的自动化管道对 T1 图、电影和 LGE 图像进行切片方向（切片平面余弦相似度 >0.9）和位置（切片位置差异 <4 毫米）匹配。执行了额外的手动质量控制，以排除与患者移动相关的严重伪影和切片不匹配的病例（图 2）。所有 T1 图在数据集中都具有一致的像素间距（像素中心之间的距离），约为 1 毫米。电影和 LGE 图像被插值以匹配像素间距、图像位置和 T1 图的方向 - 因此，像素到像素匹配（参见数据补充中的图 I）。

CMR 数据集被随机分成 2 个独立的组，用于深度学习方法的开发和测试（图 2）。开发组进一步分为训练（90%）和验证（10%）数据集。深度学习模型对测试组不知情。

图 1. VNE 成像技术概述。A，肥厚性心肌病登记处扫描协议的简化说明，其中包括原生（造影前）电影、T1 映射（包括原生反转恢复加权图像）和常规造影后晚期钆增强。B，VNE 生成器。原生心血管磁共振图像输入到 3 个编码器-解码器 U 网流中以提取特征图，然后由另一个神经网络块融合所有特征图并得出 VNE 图像。经过训练后，生成 VNE 图像只需不到 1 秒。VNE 表示虚拟原生增强。

VNE 和 LGE 的定性和定量评估

三名接受过 CMR 培训的临床评估员和一名 CMR 放射技师根据 5 分制分类量表（“无法解释”、“质量差”、“质量可接受”、“质量好”和“质量极佳”）对 VNE 和 LGE 的图像质量进行评分，这对人类操作员来说是直观的（数据补充中的图 II；I.A.P. 界面）。在界面后面，分数以 0 到 100 之间的数字量表记录，以进行统计分析（参见数据补充中的图 IIF 中的示例）。考虑的质量方面包括运动伪影、噪声、图像对比度和组织边界的清晰度。图像被随机打乱，操作员不知道图像是 VNE 还是 LGE。

VNE 和 LGE 半自动化心肌病变定量分析如下：由经验丰富的操作员（E.L.，在 CMR 图像分析方面拥有 10 年经验）使用 MC-ROI（由 S.K.P. 以交互式数据语言 6.1 版开发）自动初始化心外膜和心内膜左心室轮廓 27 并手动调整所有图像。添加不带 LGE 的远程参考感兴趣区域 (ROI)，并使用半峰全宽 (FWHM) 方法的调整计算病变负担。28 具体而言，远程心肌 ROI 的平均信号强度设定最小值。左心室血池中心 ROI（避开乳头肌）的平均信号强度设定最大值，以保证高强度、中等强度信号或无病变病例之间的一致性。尽管第 50 百分位数的 FWHM 阈值具有出色的可重复性，但据报道会低估 HCM 中的病变负担。29 因此，还使用了第 25 和第 12.5 百分位数的渐进阈值（分别称为四分之一最大值处的全宽和八分之一最大值处的全宽），以捕捉 HCM 中常见的细微、中等强度的变化。30 每个患者的病变负担被量化为所有可用短轴切片中病变面积的总和除以左心室心肌总面积。

图 2. 开发和测试虚拟原生增强技术的患者材料选择流程。测试材料中排除的 T1 图（n=10）在数据补充中的图 III 中披露。36 个三联体中的 4 个因切片位置不匹配和线圈问题被回顾性地排除在分析之外，这是 2 位心血管磁共振专家一致认定的（参见数据补充中的图 IV）。这些示例不是使用切片位置匹配中的预定义标准自动检测到的，而是在手动检查后排除的。HCMR 表示肥厚性心肌病登记处；LGE，晚期钆增强；VNE，虚拟原生增强。

统计分析

对于图像质量评估，所有操作员对测试图像进​​行打乱并盲目评分，对 20% 的随机图像进行重复评分，以计算观察者内变异性（报告为 SD）和组内相关系数 (ICC)。使用非参数 Wilcoxon 检验分析 VNE 和 LGE 质量评分差异的统计意义。使用线性回归系数和 ICC 评估 VNE 和 LGE 病变负荷量化之间的相关性。进行 Bland-Altman 分析以分析 VNE 和 LGE 量化之间的任何系统性差异。统计意义定义为 P<0.05。

结果

研究人群

在患者 CMR 数据集中，1348 份符合选择标准
即具有匹配的造影前和造影后图像（图 2），
提供来自 28 个跨国 CMR 站点的 4093 份 T1 图、电影和 LGE 图像三联体。质量控制排除了
造影后电影、具有严重伪影的 T1 图和三联体中不匹配的切片位置（图 2）。此后，
2695 份图像三联体（来自 1075 名患者）可用于深度学习方法的训练，345 份图像三联体（来自 124 名患者）可用于独立测试

VNE 和 LGE 的图像质量

在头对头比较中，VNE 提供的图像质量明显优于 LGE，这由 4 名独立且盲测的操作员评估（P<0.001 [Wilcoxon 检验]）（图 3A）。4 名操作员的观察者内变异性为 SD=5.9、8.3、6.9 和 7.3，ICC=0.87、0.88、0.89 和 0.87。观察者间变异性为 SD=8.5±0.7，ICC=0.83±0.03。对于“无法解释”（图 3A，红色簇；n=19）或“较差”（蓝色；n=53）LGE 病例，VNE 改善了除 1 张图像之外的所有图像的质量（图 3A，虚线），并且除 4 张图像之外的所有图像的评分为可接受或更好。传统 LGE 可能会受到不准确的 TI 选择和呼吸伪影的影响，这些伪影可归因于长时间扫描会话最后阶段的患者疲劳（图 3B，橙色框）。相比之下，VNE 产生了更好、更一致的图像质量（图 3B，绿色框）。此外，VNE 图像具有更好的形状和边界（图 3B，绿色框），可能继承自电影图像。具有“无法解释”LGE 的病例（5.5% [345 张中的 19 张]）被排除在病变量化评估之外。

VNE 和 LGE 心肌病变量化比较

排除 LGE“无法解释”的病例（图 3A，红色簇；n=19）后，对 326 对 VNE 和 LGE 短轴图像（来自 121 名患者）进行病变量化。VNE 病变与 LGE 具有高度的视觉空间一致性，由 2 名 CMR 专家独立进行视觉评估（示例见图 4A-4F）。病变区域由 FWHM、四分之一最大值全宽和八分之一最大值全宽方法定义（即在第 50、25 和 12.5 百分位数处进行阈值处理），以 3 种渐进颜色显示，以可视化高强度（红色）和中等强度（黄色至浅蓝色）异常（图 4，底部 2 行）。 VNE 显示在肥大节段以及右心室前部和下部插入点处存在特征性 HCM 病变（图 4）。这些 VNE 信号的来源可以在相应的原始 T1 图中看到（图 4，上行）。尽管 T1 图和 LGE 之间的图像元数据的切片位置和方向匹配，但一些 T1 图及其派生的 VNE 的图像外观与相应的 LGE 略有不同（图 4E，黄色箭头）。这可能是因为尽管对此类影响进行了细致的检查，但在获取 T1 图和 LGE 之间患者移动导致位置略有差异（图 2；数据补充中的图 IV）。

在所有 121 名测试患者中，无论是高强度病变（以 FWHM 量化）还是更细微的中等强度异常（以四分之一最大值全宽和八分之一最大值全宽量化），VNE 病变负担与 LGE 均呈强烈相关性。线性相关系数分别为 FWHM、四分之一最大值全宽、八分之一最大值全宽的 R=0.77、0.75 和 0.72，ICC=0.77、0.84 和 0.83（所有 P<0.001；图 5A-5C）。 Bland–Altman 图显示 VNE 的平均病变负担较低 5% 至 8%，95% CI 不对称（上限为 11% 至 17%；下限为 -21% 至 -30%）（图 5A–5C，底部）。这些图还显示出可察觉的偏差，这可能表明 VNE 中的信号增强，可用于检测细微的 LGE 病变（图 5A–5C，箭头所示），有待进一步验证。图 4G 提供了此范围内细微病变的一个例子，其中 VNE 显示出比相应的 LGE 更清晰的病变信号，后者也检测到了病变，尽管更细微。

为了实现 VNE 和 LGE 之间可比的病变量化，在确定高强度至中等强度异常时，可以对 VNE 使用调整后的阈值（例如，35%、20% 和 10% 百分位数），以与分别使用 50%、25% 和 12.5% 百分位数的 LGE 相匹配。结果（图 5D-5F）表明，例如，通过 35% 百分位数的 VNE 阈值进行的病变量化与使用 FWHM 方法（即 50% 百分位数）的 LGE 直接可比，这使得此版本的 VNE 有望在 HCM 病变评估中取代 LGE。在完整测试集上，LGE 和阈值调整的 VNE 报告的高强度至中等强度病变的平均值相似（LGE：9.8%、26.1%、44.4% vs. VNE：9.9%、24.1%、43.9%；数据补充中的表 I）。调整阈值的 VNE 还突出显示了细微异常的信号，以便于可视化（图 5E 和 5F，箭头所示）。没有假阳性 VNE 病例，其中优质 VNE 在通过传统对比增强方法具有优质阴性 LGE 的患者中引入了病变。

图 3. 对 346 个测试材料（124 名患者）的 VNE 和 LGE 图像质量评估。A，VNE 提供明显更好的图像质量，由 4 名盲测操作员及其平均分数评估（所有 P<0.001）。对于 LGE 图像“无法解释”（红色簇）或“较差”（蓝色）的病例，除 1 个病例（虚线）外，VNE 在所有病例中均提供卓越的成像质量。B，VNE 改善图像质量的示例，其具有更一致的外观和明确的边界。箭头指向 LGE 伪影。LGE 表示晚期钆增强；VNE 表示虚拟原生增强。

讨论

在这项研究中，我们提出了一种 AI 技术，可将原生 T1 图（连同电影）转换为广为人知的 LGE 呈现形式，这种格式可立即用于标准临床解释。AI 深度学习可有效地充当“虚拟造影剂”，增强原生 CMR。换句话说，它无需钆即可生成“虚拟 LGE”图像。这项研究表明：
(1) VNE 图像的质量明显优于 LGE 图像；(2) VNE 的病变负荷量化与 LGE 有很好的相关性，无论是在视觉空间（图 4）还是定量（图 5）基础上。VNE 技术有可能改变当前的 CMR 成像模式，因为它可以实现速度更快、成本更低且无造影的 CMR 扫描，从而能够频繁监测心肌组织变化。

VNE 优于 LGE 的优势

传统 LGE 依赖于静脉注射 GBCA，并且需要在 GBCA 后至少 10 分钟才能形成对比度重新分布。31 LGE 图像质量取决于对 TI 的适当调整，尽管相位敏感反转恢复技术对 TI 设置的敏感度较低。相比之下，VNE 不需要静脉注射或 GBCA，源自原生成像，并且可以根据需要重复以确认发现并确保足够的图像质量，而不必担心造影剂冲洗。VNE 使用现成的传统电影和 T1 映射序列，可以在 15 分钟内完成，从而限制了因患者疲劳而导致图像伪影的可能性。VNE 显示出比 LGE 更好的图像质量和更一致的图像对比度（图 3）。

图 4. 示例说明 VNE 和传统 LGE 之间的视觉空间一致性。T1 彩色图（顶行）经过单独调整，以突出显示与 VNE 信号相对应的 T1 信号。底部两行使用渐进阈值（一半、四分之一和八分之一最大值的全宽，即第 50、25 和 12.5 百分位数）通过 VNE 和 LGE 可视化病变区域，并以不同颜色显示。A 至 F，VNE 和 LGE 之间观察到高度的视觉空间一致性。黄色箭头指向 VNE 和 LGE 中略有不同的右心室大小，表明患者在采集之间移动。G，VNE 显示比 LGE 更清晰的细微变化的示例。LGE 表示晚期钆增强；VNE，虚拟原生增强。

通过 VNE 和 LGE 评估病变

VNE 在心肌病变的视觉空间分布和量化方面与 LGE 表现出很强的一致性。鉴于报告的 LGE 方法内 ICC 变异性 (0.8829) 和实验室间不一致性 10% 至 15%，方法间比较 (ICC, 0.77–0.87; 95% CI, ≈20%) 似乎非常出色。32 在线性相关趋势之上，VNE 中存在可察觉的增强信号偏差（图 5，箭头所示）。虽然仍有许多工作需要确认检测细微病变（通常也见于 LGE）的临床效用，但这种敏感性似乎直接来自原生 T1 映射的特征，这与文献报道的 T1 对 HCM 患者早期心肌变化的敏感性一致。14,15,33

图 5. 在 121 名测试患者中，VNE 与传统 LGE 在量化高强度至中等强度病变（从左到右）方面具有很强的相关性。A 至 C 对 VNE 和 LGE 使用相同的阈值方法 FWHM、FWQM 和 FWEM（即在第 50、25 和 12.5 百分位数处进行阈值处理，反映高强度至中等强度的细微病变）。D 至 F 对 VNE 使用在第 35、20 和 10 百分位数处进行调整的阈值处理。阈值以彩色条表示。提供了线性回归方程、相关系数 R 值和 ICC。Bland-Altman 图显示了可感知的趋势（箭头所示）和相关聚类，表明 VNE 中的细微病变信号增强。FWEM，第八个最大值处的全宽；FWHM，半最大值处的全宽； FWQM，四分之一最大值处的全宽；ICC，组内相关系数；LGE，晚期钆增强；LV，左心室；VNE，虚拟原生增强。

深度学习对比增强机制

深度学习对比增强的概念是随着人工智能方法的进步而最近才出现的。在 CMR 中，虽然存在“合成 LGE”（由深度学习生成）这一术语，34–36 但它是为多模态图像配准而设计的，而不是为病变信号的生成而设计的。在脑磁共振成像中，“虚拟钆增强”37,38 旨在降低对比剂量，同时预测全剂量图像信号，但质量和灵敏度会显著下降，并且不适用于心脏成像

CMR 本质上是多模态的，每种模态都对某些病理生理表现出独特的敏感性。先前的 T1 映射开发表明，追求传统模式（如 LGE）的精确再现可能会阻碍新技术检测病理的潜力，而标准方法则不然。39,40 因此，VNE 专注于增强现有的原生 CMR 信号。因此，除了与 LGE 具有良好的一致性之外，VNE 技术还可以更好地显示 HCM 患者中常见的细微病变。

局限性和未来工作

当前的 VNE 是在 LGE 相位敏感版本恢复图像上进行训练的，这些图像通常在 GBCA 给药后 10 分钟内获得。11 需要进行单独训练来预测其他 LGE 脉冲序列和对比后图像，例如早期钆增强、首过灌注和细胞外体积分数映射。与磁共振供应商合作，我们计划将 VNE 作为扫描仪上的内联序列实施，以便在电影和 T1 图采集后立即生成 VNE。它还可以由第三方软件供应商实施以进行快速离线分析。

单个成像特征可能会将 LGE 与 VNE 区分开来，并在图像质量评估中引入观察者偏差；令人欣慰的是，了解研究设计（M.K.B.、M. Shanmuganathan）和不了解研究设计（C.N.、R.M.）的操作员之间没有差异。 VNE-LGE 一致性似乎更高，图像质量更好（数据补充中的图 V）；未来需要开展工作来测试图像质量与诊断准确性之间的关联。将使用深度学习可视化技术研究每个造影前成分对 VNE 信号的贡献机制。41,42

在推荐广泛临床使用 VNE 之前，计划开展进一步的工作，将 VNE 检测到的信号与患者结果联系起来。未来可能会通过添加更多原生模式（例如 T2 映射或磁共振指纹）来扩展 VNE。43 在不同的心脏病数据集和原生模式上开发的 VNE 变体可以潜在地区分病理生理变化，例如水肿、纤维化和微血管阻塞。

临床影响

T1 映射解释
非标准化图像解释方法阻碍了 T1 映射的临床翻译。44 VNE 现已通过将 T1 映射翻译成 LGE 的通用语言来解决这一挑战，LGE 的解释在常规临床实践中被广泛接受和理解。此外，它提供了一个深度学习框架，以使用额外的原生 CMR 模式增强 T1 映射，这项工作通过对比前电影进行了演示。

HCM 评估
提出的 VNE 技术对 HCM 患者具有潜在的高临床影响，他们通常接受连续的 CMR 来监测病情进展。VNE 可以避免重复施用 GBCA 并允许更频繁的 CMR 随访。根据计划中的 HCMR 研究结果的进一步验证，明显的 VNE 信号到细微病变（从 T1 映射继承）可能有助于更好地进行 HCM 风险分层和治疗，尤其是考虑到即将出现的新的、可能改变疾病的 HCM 疗法。45–48

GBCA CMR
通过将培训材料扩展到更广泛的病理，可以​​设想 VNE 可以产生一种新颖的、无 GBCA 的 CMR 扫描协议，用于心肌组织表征，与基于 GBCA 的 LGE 等标准临床解释兼容。这可以扩展 CMR 的功能，以包括禁忌使用 GBCA 的患者，最终提高患者的获益、满意度和临床吞吐量。

成本节约
目前，大多数用于组织特征分析的 CMR 扫描需要静脉通路、GBCA 的使用、相关耗材以及经过培训的工作人员进行患者准备。VNE 在原生 T1 映射采集后可立即使用，无需额外费用。用 VNE 替换 LGE 可以显著缩短扫描时间至 15 分钟内，使两倍的患者在相同的基础设施容量下受益于 CMR。推广这种新的 CMR 技术可能会产生巨大的临床影响和潜在的成本节约。

结论
VNE 成像是一种类似于传统 LGE 的新型 CMR 技术，无需 GBCA 管理。VNE 在病变负担的视觉空间分布和量化方面与 LGE 高度一致，图像质量明显更好。虽然目前已在 HCM 人群中得到验证，但有一条明确的途径将该技术扩展到更广泛的心肌病变。VNE 具有巨大的潜力，可以显著改善临床实践，减少扫描时间和成本，并在不久的将来扩大 CMR 的覆盖范围。