心臟電影磁共振成像（CCMRI）時空分辨率高，被廣泛應用于心肌缺血等心血管疾病的心臟功能評價中。在左心肌分割的基礎上進一步追蹤左心肌運功，對臨床全面評估心臟的運動功能、診療心血管疾病具有非常重要的意義。然而，CCMRI 圖像的左心肌比較均勻，無法提供有效運動信息，給運動追蹤帶來了不小的挑戰。本文從適用于左心肌運動追蹤的磁共振成像技術出發，然后詳細敘述了基于 CCMRI 圖像的左心肌運動追蹤方法，最后對左心肌運動追蹤方法進行了總結與展望，既幫助初學者快速全面地了解該研究課題，也為相關研究者進一步優化左心肌運動追蹤方法提供理論參考。從目前的研究來看，基于 CCMRI 圖像的左心肌追蹤方法可通過綜合利用 CCMRI 圖像的時空運動特征、左心肌的運動規律及組織特征等先驗知識，來彌補圖像稀疏運動信息的短板，但仍需在約束框架、驗證方式等方面進一步完善。
引用本文： 林劍圣, 王麗嘉. 基于心臟電影磁共振圖像的左心肌運動追蹤方法綜述. 生物醫學工程學雜志, 2020, 37(3): 549-556. doi: 10.7507/1001-5515.201904007 復制
引言
心血管疾病（cardiovascular diseases，CVD）是全球最主要的死亡原因之一[1]。目前，我國心血管疾病患者的患病率及死亡率仍處于持續上升階段，居各病因之首[2]。很多心血管疾病，如心肌缺血，需要通過觀察局部心肌的形態變化來評估。與右心肌及心房壁相比，左心肌較厚，其肌纖維的收縮強度和方向很大程度上支配著心臟搏動，例如在冠脈梗塞中，一旦左心肌供血不足、心肌無力，常常會導致心臟搏動異常。因此，追蹤左心肌運動、精確捕捉左心肌運動細節、定量描述左心肌組織形變程度，對評價心臟功能、診斷心血管疾病具有非常重要的意義。
心肌運動追蹤通常包括心肌分割、心肌運動重建以及心肌應變分析三個步驟，如圖 1 所示，詳細地展示了經典的左心肌運動追蹤的完整過程：① 左心肌分割是指通過分割左心室內膜與外膜，提取出左心肌（一般是環形的）。常用的左心肌分割方法有圖像驅動、主動輪廓模型和卷積神經網絡（convolutional neural network，CNN）的方法等。② 心肌運動重建是通過估計心肌質點的瞬時位移來重建心肌的密集位移場，位移估計旨在尋找參考幀質點在目標幀中最可能的位置分布。其中，心肌質點的瞬時位移可通過心內膜、心外膜構建三維表面模型、計算左心肌的形變參數來實現。③ 心肌應變分析是從密集位移場導出位移梯度場，求出反映心肌形變細節的應變張量。根據左心室的幾何特征，應變張量可分為徑向、圓周和縱向應變分量。其中，心肌運動重建是心肌運動追蹤的關鍵環節。
圖1
基于心膜輪廓的左心肌三維運動追蹤算法流程圖
Figure1.
Flow chart of left myocardial 3D motion tracking algorithm based on contours
醫學成像技術如計算機斷層掃描（computed tomography，CT）、核醫學成像（nuclear medical imaging，NMI）、磁共振成像（magnetic resonance imaging，MRI）以及心動超聲（echocardiography）都能在有限的時空中重現心臟組織結構的周期運動，借助醫學成像技術研究左心肌運動，已成為眾多研究者們常用的技術手段。其中，心臟電影磁共振成像（cardiac cine magnetic resonance imaging，CCMRI）除了具有無電離輻射、可任意方位成像、軟組織對比度好等特點之外，還能以連續幀的形式反映心臟周期運動，常用于臨床心室、心肌的結構觀察和功能評估。CCMRI 短軸圖像覆蓋了從心底到心尖不同層面在心動周期內的變化情況，臨床常常通過分割心室來評估心臟功能，具有很好的可重復性。由于 CCMRI 短軸圖像是臨床心臟功能評估的金標準圖像，放射科醫生希望能在左心室、左心肌分割的基礎上，進一步實現左心肌的運動追蹤，從而輔助臨床更加全面地了解心臟的功能情況。然而，CCMRI 短軸圖像的心肌呈現同質化狀態，心肌像素灰度差異很小，無法單純依賴心肌灰度相似性重建出準確可靠的心肌位移場。不過，CCMRI 短軸圖像時空分辨率高，可在左心肌分割的基礎上重建出左心肌三維模型。另外，將心臟運動規律和心肌結構等先驗知識作為心肌運動追蹤的約束，可提高位移估計的準確性，為基于 CCMRI 短軸圖像的心肌運動追蹤提供了可行性。
綜上所述，本文從可用于心肌運動追蹤的各種心臟 MRI 技術出發，分析它們在左心肌運動追蹤中的優劣；然后詳細介紹了基于 CCMRI 短軸圖像的左心肌運動追蹤方法；最后對左心肌運動追蹤方法進行了總結與展望，既幫助初學者快速全面快速了解該研究課題，也為相關研究者優化左心肌運動追蹤方法提供理論參考。考慮到左心肌分割方法相對比較成熟且已經有大量文獻報道，因此本文重點對左心肌運動重建方法展開分類介紹，并輔以簡單介紹心肌應變分析。由于 CCMRI 短軸圖像中的左心肌心內膜常常與乳頭肌、小梁肌等組織相連，心外膜可能會毗鄰脂肪等組織，這些都會影響到左心肌的分割精度，從而進一步影響到左心肌輪廓特征追蹤的準確性，因此在進行左心肌運動重建之前，需要保證左心肌的分割精度。
1 心臟磁共振成像技術
可用于心肌運動追蹤的心臟 MRI 技術主要有相位對比 MRI（phase contrast MRI，PCMRI）、受激回波位移編碼（displacement encoding with stimulated echoes，DENSE）MRI、應變編碼（strain encode，SENC）MRI、帶標記的 MRI（tagged MRI，TMRI）和 CCMRI。其中，雖然 PCMRI 可測量心肌運動速度，DENSE 和 SENC 分別可映射心肌位移場和編碼心肌縱向應變，但這三類技術仍處于科研階段，目前尚未應用到臨床中。TMRI 可通過網格變化來模擬心肌局部形變，提供豐富的心肌運動信息。但 TMRI 掃描時間很長，而且對患者在掃描過程中的屏氣有比較嚴格的要求，容易導致錯誤的心肌運動追蹤，因此在臨床上很少使用。與上述成像技術相比，雖然 CCMRI 短軸圖像包含的心肌運動信息較少，但是掃描時間更短、圖像軟組織對比度更高、可重復性好，在臨床工作中被認為是計算心室收縮和舒張末期容積、射血分數等指標的金標準圖像，廣泛應用于臨床心血管疾病診斷和治療中。迄今為止，全球的科研工作建立了許多 CCMRI 短軸、長軸圖像的數據庫，可供研究人員方便使用。此外，CCMRI 短軸圖像的高時空分辨率，能夠實時呈現心室、心肌等組織結構的運動規律，為左心肌運動追蹤提供了基礎。因此，采用 CCMRI 短軸圖像可在心室、心肌分割的基礎上進一步追蹤左心肌運動，能夠幫助臨床更加完整地評估心臟功能，從多個角度診斷心血管疾病。
2 左心肌運動重建方法
2.1 基于心膜輪廓
左心肌運動會帶動心膜（包括心內膜和心外膜）的輪廓發生變化。因此，基于 CCMRI 短軸圖像的心肌運動重建關鍵在于追蹤心膜的輪廓變化特征。追蹤心膜的輪廓變化特征是指根據輪廓形狀特征的相似性（比如曲率在較小時間間隔內變化微小）來估計邊界特征點的最佳映射，從而產生心肌邊界位移場。這里，輪廓特征點的采樣對形狀特征相似性的比較、質點最佳映射的估計有重要的影響。由于邊界位移場通常是稀疏且不均勻的，合理的插值方案也是重建準確可靠的心肌密集位移場的關鍵。因此，采樣與映射輪廓特征點、選擇插值方案（比如插值精度、網格密度以及計算效率等）都是基于心膜輪廓的左心肌運動追蹤方法需要考慮的問題。
Yan 等[3]利用廣義魯棒點匹配（generalized robust point matching，GRPM）框架結合擴展自由形式形變（extended free form deformation，EFFD）恢復左心肌邊界運動，同時提出一種基于邊界元法（boundary element method，BEM）的正則模型重建心肌密集位移場。該模型避免了需要權衡插值方案的問題，計算效率高、抗噪性強、易于實現。Youse?-Banaem 等[4]將主動網格模型（active mesh model，AMM）擬合到邊界位移場上。AMM 是結合連續介質力學與心肌運動規律的強約束模型，可用于計算心肌質點位移路徑和、心肌分級增厚和應變等參數，從而檢測出心肌梗死區域。Morais 等[5]比較擴散模型、薄板樣條和多二次徑向基函數插值方案重建心肌密集位移場的時間成本。研究結果表明，擴散模型所用的插值時間最短，這是因為擴散模型對特征點數量增加引起的插值時間延長不敏感，可為快速插值策略提供幫助。Wael 等[6]把歸一化壁厚作為特征向量，用于追蹤左心室基底、室中以及心尖層面不同節段的室壁厚度變化，并采用極大似然法區分正常與異常增厚。但是該方法只是追蹤心肌厚度變化，未能深入心肌運動細節。Wu 等[7-8]采用迭代的距離正則水平集演化 （distance regularized level-set evolution，DRLSE） 來追蹤冠狀位心臟輪廓形狀變化，實現逐幀心臟輪廓的分割與追蹤。該方法只是追蹤心臟輪廓形狀變化，沒有追蹤心肌內部運動。
在現有的左心肌運動追蹤方法中，插值方案是很多研究者重點改進的方面，常用的插值方案有提供平滑約束的自由形變、描繪心肌組織屬性的生物力學模型以及涵蓋心肌運動模式的統計模型等。然而這些模型使用的先驗知識對病變的心肌組織可能并不適用。
2.2 圖像配準
圖像配準是尋找存在客觀聯系的多幅圖像的某種空間變換，該變換通過不斷校正這些圖像的灰度、紋理等特征在空間位置上的差異，使它們在某方面盡可能地相似。根據變換空間的不同，圖像配準可分為剛體配準和非剛體配準。非剛體配準適用于具有形變的組織，如 CCMRI 短軸圖像中的左心肌。一個簡單的基于圖像配準的左心肌運動追蹤算法框架如圖 2 所示。
圖2
基于圖像配準的左心肌運動追蹤算法簡易框架
Figure2.
Simplified framework of motion tracking algorithm of left myocardium based on image registration
Marchesseau 等[9]認為形變場的傳播高度依賴初始的心肌分割精度，因此提出了心肌分割耦合稀疏貝葉斯配準（sparse Bayesian registration，SBR）的方法。該方法首先半自動分割 CCMRI 短軸圖像，并利用線性插值對 CCMRI 短軸圖像上采樣；然后選取心動周期內的某幀圖像為參考圖像，其他圖像與參考圖像配準，得到平均配準結果。該方法在較小的配準或者存在分割誤差時，具有較好的魯棒性。Puyol-Antón 等[10]提出了一種全自動的心肌應變分析框架，該框架首先采用 CNN 準確分割 CCMRI 長短軸圖像；然后利用迭代配準算法校正因屏氣運動產生的圖像偽影，這些校正后的長短軸圖像用來準確識別室中的短軸圖像；最后利用二維 B 樣條自由形變（free form deformation，FFD）配準追蹤左心肌運動。該框架與心臟分析軟件 CVI42 （Circle Cardiovascular Imaging Inc.，加拿大）得出的應變結果具有較好的一致性。Youse?-Banaem 等[11]采用加權歸一化互信息（weighted normalized mutual information，WNMI）配準相鄰幀的邊界質點、追蹤質點路徑長度、測量心肌分級增厚。另外，該方法在邊界位移場的基礎上，利用非線性主動網格模型插值出心肌密集位移場[12]。Mansi 等[13]提出符合軟組織形變特征的改進 LogDemons 配準算法，該算法把各向同性、彈性和不可壓縮性作為約束心肌非剛體配準的正則項，從而提高了配準精度。需要注意的是， Mansi 等[13]使用各向同性來定義心肌的物理性質，與心肌各向異性特征不符。Guo 等[14]提出將基于圖匹配（graph matching，GM）的凸代價函數用于估計相鄰幀節點以及節點線段的對應關系，同時利用帶稀疏約束的緊支徑向基函數（radial basis function，RBF）恢復心肌形變場。然而當失配節點過多時，該結果無法保持形變場的拓撲結構。考慮到 GM 不適用于大形變的情況，Zhang 等[15]提出多層迭代形變 GM 框架，用于交替估計舒張與收縮末期的邊界節點映射關系。該方法同時將基于 L1、L2 范式約束的變換模型引入框架中，能夠維持形變場拓撲結構、保持形變平滑性，是對文獻[14]的改進。
非剛體配準通過比較 CCMRI 短軸圖像中的灰度、梯度等局部特征變化信息來估計心肌密集位移場、計算心肌形變參數。然而，純粹依賴圖像驅動的配準不能準確可靠地恢復心肌形變，重建心肌密集位移場。因此，需要在配準的過程中加入符合心肌的結構特征、心臟的運動特征等先驗知識。
2.3 光流法
光流法（optical flow）的重要用途是計算空間物體在成像平面的速度場，反映物體在圖像上因運動而產生的瞬時速率或位移。光流法追蹤心肌運動一般是利用 CCMRI 短軸圖像心肌質點灰度在相鄰幀恒定不變、心肌局部運動具有相似性以及心肌運動具有時空連續性等先驗條件，來重建心肌密集位移場。
考慮到 CCMRI 短軸圖像特點，Tuyisenge 等[16]利用非線性正則光流法求出初始的心肌密集位移場并將其作為圖像觀測項。心臟動態演化模型具有足夠的自由度，它將該圖像觀測項納入變分數據同化框架。模型中的非對稱方波函數分段獨立地模擬心臟收縮和舒張運動，在校正初始心肌密集位移場偏差的同時，不對心肌運動施加強約束，不去掩蓋可能存在的心肌異常運動特征，因此可以獲取準確可靠的心肌密集位移場。Queirós 等[17]提出快速追蹤心肌運動的仿射光流法。該方法假設心肌在限定的區域內保持恒定的運動，把局部仿射運動模型提供的解剖約束信息直接嵌入到光流方程中，不僅降低了計算成本，而且還避免周圍組織對心肌運動追蹤的影響。從目前的研究看，基于梯度的光流法[16-17]對 CCMRI 短軸圖像的噪聲、偽影都比較敏感。
由于光流法適合于處理連續變化的 CCMRI 短軸圖像，心肌質點運動滿足小位移、局部一致性等前提條件。然而，CCMRI 短軸圖像中心肌運動變化復雜，心肌與心膜交界區域的圖像梯度較大，并不滿足光流法中的平滑約束，因此光流法可能會導致錯誤的位移估計。尤其在心室收縮期，局部心肌區域可能存在較大的位移峰值，那么該心肌區域不滿足小運動的前提，導致光流法無法追蹤變化幅度大的心肌運動。此外，由于左心肌具有均勻同質特征，僅憑亮度恒定不變的光流約束很難得到準確可靠的位移場，因此需要加入相關先驗信息。
2.4 心臟生理組模型
在本文“心臟 MRI 技術”部分，可知不同心臟 MRI 掃描序列能夠得到不同模態的圖像，不同模態的圖像提供的不同的心臟動力學參數較為單一，因此有效地融合不同模態的圖像能夠更加準確地獲取左心肌運動特征。例如，在 CCMRI 短軸圖像中融合 PCMRI 圖像中的左心肌內部速度信息，能夠反映更多的左心肌運動細節。需要注意的是，當不同模態的圖像存在較大的時空差異時，傳統的融合算法不能有效融合它們。而心臟生理組模型（cardiac physiome model，CPM）能夠解決時空相關性低的不同圖像信息融合問題。CPM 包括描述心肌電流的電傳播模型（electrical propagation models，EPM），把電刺激轉化為心肌細胞收縮應力的機電耦合模型（electromechanical coupling models，ECM），以及將收縮應力與心臟形變聯系起來的生物力學模型（biomechanical models，BM）。在實際選擇模型的過程中，需要考慮 CPM 在生理上的合理性與計算效率間的權衡。
Wong 等[18]提出利用 CPM 作為 CCMRI 短軸圖像與體表電位圖（body surface potential maps，BSPM）融合的中心環節。首先采用 EPM 恢復 BSPM 的跨膜電位；然后通過 ECM 把跨膜電位轉化為主動應力，主動應力作為心臟動力學方程的輸入參數，用以計算心肌形變；最后利用狀態空間濾波，將 CCMRI 短軸圖像提供的心肌密集位移場，與從 BSPM 導出的心肌形變相結合，得到特定患者的心肌運動特征。
雖然 CPM 能夠有效融合 CCMRI 短軸圖像與其他時空相關性低的心臟功能圖像，彌補 CCMRI 短軸圖像稀疏運動信息的不足，并且更加準確地獲取心肌密集位移場，描述心肌運動特征。但是當心肌運動重建算法的準確性降低時，由融合信息重建的心肌密集位移場，可能要比單模態圖像重建效果更差。
2.5 心室建模
心室建模利用心臟和心肌的結構特征、運動特征以及組織屬性等先驗信息來建立心室仿真模型，從而得到各類演化參數。雖然由仿真模型得到的心臟功能參數比醫學圖像得到的多，但是仿真模型不具有特異性，無法準確預測特定患者的心臟在心動周期的運動軌跡。因此，由預測軌跡得到的仿真結果應當擬合患者的觀測數據，以便校正預測的運動軌跡。這里的觀測數據由 CCMRI 短軸圖像推導得到，例如心肌應變張量、腔體容積等，用來約束模型的動態演化過程。
Finsberg 等[19]提出不可壓縮雙心室力學模型，用于預測心肌收縮力與肌纖維應力。該方法首先將受試者舒張末期的無壓力雙心室 CCMRI 短軸圖像作為模型的初始形狀，形成具有個性化的模型；然后，為了求解模型的最佳受控參數，以便得到更加準確的預測值。文獻[19]將模型仿真數據、受試者觀測數據以及受控參數非平滑懲罰因子共同納入到成本函數中，并采用基于伴隨梯度的優化方法求解成本函數極值。該方法能夠很好地提高計算速度問題[20-21]。Liew 等[22]采用 B 樣條擬合建立內外膜表面模型；然后利用基于歐式距離測度的 K-最近鄰法尋找與模型表面相鄰的節點；最后將這些節點擬合成近似球面，通過計算球面直徑，測量心肌厚度和增厚，但文獻[22]并未在心室建模的基礎上，進一步追蹤心肌內部運動。
仿真模型的動態演化受 CCMRI 短軸圖像觀測數據制約，其形式一般是將模型仿真值與圖像觀測值共同納入數據同化框架，求取成本函數極值，估計模型的最佳受控參數，最終得到針對特定患者的準確預測值。需要注意的是，CPM 是融合特定患者的多種生理數據，而數據同化是將仿真數據擬合到觀測數據。這就要求在特定時間點，仿真值不能偏離觀測值太多，即由 CCMRI 短軸圖像得到的觀測值必須是準確的，否則模型預測結果也是不準確的。然而，預測結果不能反過來作用于觀測值（例如心肌應變張量）以提升左心肌運動追蹤方法的準確性，這是心室建模的局限性所在。
2.6 空間變換
單演信號（monogenic signal）是解析信號的多維擴展應用。基于希爾伯特變換的解析信號獲取一維信號振幅、頻率等瞬時參數，而基于里斯（Riesz）變換的單演信號儲存圖像振幅、相位和方向信息。其中，振幅表示圖像能量，相位描述圖像結構，方向決定圖像梯度。由于 CCMRI 短軸圖像時空連續的特點，其單演信號中的振幅、相位等分量也是不斷變化的。因此，通過空間變換獲取 CCMRI 短軸圖像的單演信號，并把單演信號分解成序列的振幅、相位等圖像，能夠為心肌運動追蹤提供更多有價值的信息。
Gao 等[23]把單演信號的相位、振幅和方向分量疊加得到偽彩圖；然后利用基于零均值歸一化互相關（zero-mean normalized cross-correlation，ZNCC）的光流法估計心肌密集位移場，同時利用雙邊濾波器平滑去噪、維持邊緣；最后采用鄰點投影算法（projected proximal point algorithm，PPPA）優化心肌密集位移場。Benameur 等[24]利用單演信號獲取左心室收縮與舒張末期的振幅圖像，振幅圖像反映心肌收縮幅度；然后把收縮與舒張末期圖像相減，得到結果圖像。在結果圖像中，顏色均勻區域表示正常心肌的同步收縮，而顏色不均勻且呈現深色區域則表示心肌收縮減少，由此判斷心肌運動異常。此外，還有一種與結果圖像功能相近，并且用于臨床診斷心肌梗死的延遲釓增強（late gadolinium enhancement，LGE）圖像[25]。LGE 圖像是從患者的靜脈注射釓造影劑 10～20 min 后，采集患者的 T1 加權圖像而得到。由于梗死心肌無法快速清除釓造影劑，LGE 圖像的心肌梗死區域會呈現高亮顏色，據此計算心肌梗死面積。
單演信號是原始圖像通過空間變換而得到，類似于圖像經傅里葉變換得到圖像的頻域信息。考慮到 CCMRI 短軸圖像心肌均勻同質的事實，圖像像素灰度不能作為心肌運動追蹤的可靠特征。因此，單演信號提供的 CCMRI 短軸圖像的振幅、相位等分量可以為心肌運動追蹤提供更有價值的信息。
3 心肌應變分析
心肌應變分析是根據密集位移場計算位移梯度場，定性、定量地評估心肌組織活性以及局部心臟功能，也是很多心肌運動追蹤方法的重要環節。由于心肌運動是以非剛體運動變化的，相鄰心肌質點位移大小與方向的不同都會導致質點間的距離變化，這種變化反映了心肌組織局部伸縮情況，即心肌形變。若已知心肌質點位移 u、質點朝鄰近某點的方向 p 以及兩者距離 dp，那么可以定義兩點間的形變量 dx，如式（1）所示：
 |
其中，?u/?p 表示質點位移 u 沿方向 p 的變化率，F 是位移梯度張量。根據心肌的三維運動特征，它是由 9 個分量構成的三階張量。但當心肌不發生形變，只做剛體運動時，位移梯度張量不發生變化，不能直接作為心肌應變的最佳度量值。于是定義拉格朗日應變張量 E，它與 F 的關系如式（2）所示：
 |
其中，I 是單位矩陣。當心肌不發生形變時，E 的值為零。通過計算 E，并將其變換到符合左心室幾何特征的坐標系中，就可以得到左心室的徑向、圓周與縱向應變分量。這些分量刻畫了心肌組織在不同方向的形變程度，能夠量化心肌運動異常區域，為心血管疾病的診斷提供醫學成像等臨床手段無法直接得到的重要信息。
4 總結與展望
本文從可用于左心肌追蹤的心臟 MRI 技術出發，重點論述了基于 CCMRI 短軸圖像的各種左心肌運動重建方法。其中，基于心膜輪廓和圖像配準方法廣泛用于臨床評價心肌存活質量、診斷心血管疾病。與基于輪廓特征的追蹤方法相比，圖像配準方法能夠在全局與局部心肌應變分析中表現出更高的準確性[26]。由于很難通過肉眼來觀察 CCMRI 短軸圖像的心肌運動細節，配準算法準確性的驗證需要同 TMRI 圖像的分析結果作對比[27]。目前，雖然有研究表明，基于 TMRI 圖像的心肌運動追蹤方法能夠準確診斷心肌梗死[28]，但 TMRI 成像時間長等問題限制了 TMRI 時空分辨率，仍在臨床較少使用。此外，本文還介紹了光流法、心臟生理組模型、心室建模以及空間變換。這些方法充分發揮了 CCMRI 時空分辨率高的優勢，利用心肌組織屬性或者心臟運動規律等先驗知識作為心肌運動追蹤的約束，可以更加準確地重建心肌密集位移場。另外，字典學習和深度學習的方法也被用到了心肌的運動追蹤中[29-30]，這類方法首先學習區分正常與異常的心肌運動特征；然后將習得的模型用于判斷心肌運動異常。但是，該類方法并未深入心肌運動細節。如表 1 所示，總結了 4 種典型的左心肌運動重建方法。
表1
4 種典型的左心肌運動重建方法比較
Table1.
Comparison of four typical motion reconstruction methods for left myocardium
雖然心肌組織屬性或者心臟運動規律等先驗知識能夠更加準確地重建心肌位移場。但是先驗知識提供的約束增加了計算復雜度，而且它們通常依賴于特定的物理或力學參數，有可能導致錯誤的位移估計。此外，心肌運動追蹤需要覆蓋到完整心動周期，而非只是若干時段。因此，應當設計適應不同心臟生理和病理特征的通用約束框架，才能夠穩定高效地重建整個心動周期的心肌密集位移場。此外，為了能夠更加合理地評估心臟功能、診斷心血管疾病，心臟 MRI 技術、圖像處理方法都還有很大的提升空間。
另外，對左心肌運動追蹤方法結果的驗證方式目前尚存在一定的難度和未知性。比如：與介入性方法結果進行比較，一般需要在動物心臟植入標記物，這在臨床上是不可行的；與已有的追蹤方法作比較，只能說明方法的改進程度，但能否應用到臨床還需進一步驗證；與其他心臟 MRI 圖像（如 TMRI 圖像）的結果比較，容易產生配準誤差。綜上所述，基于 CCMRI 短軸圖像的左心肌運動追蹤方法還需要在約束框架、驗證方式等方面進一步完善才能更好地服務于臨床實踐。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
心血管疾病（cardiovascular diseases，CVD）是全球最主要的死亡原因之一[1]。目前，我國心血管疾病患者的患病率及死亡率仍處于持續上升階段，居各病因之首[2]。很多心血管疾病，如心肌缺血，需要通過觀察局部心肌的形態變化來評估。與右心肌及心房壁相比，左心肌較厚，其肌纖維的收縮強度和方向很大程度上支配著心臟搏動，例如在冠脈梗塞中，一旦左心肌供血不足、心肌無力，常常會導致心臟搏動異常。因此，追蹤左心肌運動、精確捕捉左心肌運動細節、定量描述左心肌組織形變程度，對評價心臟功能、診斷心血管疾病具有非常重要的意義。
心肌運動追蹤通常包括心肌分割、心肌運動重建以及心肌應變分析三個步驟，如圖 1 所示，詳細地展示了經典的左心肌運動追蹤的完整過程：① 左心肌分割是指通過分割左心室內膜與外膜，提取出左心肌（一般是環形的）。常用的左心肌分割方法有圖像驅動、主動輪廓模型和卷積神經網絡（convolutional neural network，CNN）的方法等。② 心肌運動重建是通過估計心肌質點的瞬時位移來重建心肌的密集位移場，位移估計旨在尋找參考幀質點在目標幀中最可能的位置分布。其中，心肌質點的瞬時位移可通過心內膜、心外膜構建三維表面模型、計算左心肌的形變參數來實現。③ 心肌應變分析是從密集位移場導出位移梯度場，求出反映心肌形變細節的應變張量。根據左心室的幾何特征，應變張量可分為徑向、圓周和縱向應變分量。其中，心肌運動重建是心肌運動追蹤的關鍵環節。
圖1
基于心膜輪廓的左心肌三維運動追蹤算法流程圖
Figure1.
Flow chart of left myocardial 3D motion tracking algorithm based on contours
醫學成像技術如計算機斷層掃描（computed tomography，CT）、核醫學成像（nuclear medical imaging，NMI）、磁共振成像（magnetic resonance imaging，MRI）以及心動超聲（echocardiography）都能在有限的時空中重現心臟組織結構的周期運動，借助醫學成像技術研究左心肌運動，已成為眾多研究者們常用的技術手段。其中，心臟電影磁共振成像（cardiac cine magnetic resonance imaging，CCMRI）除了具有無電離輻射、可任意方位成像、軟組織對比度好等特點之外，還能以連續幀的形式反映心臟周期運動，常用于臨床心室、心肌的結構觀察和功能評估。CCMRI 短軸圖像覆蓋了從心底到心尖不同層面在心動周期內的變化情況，臨床常常通過分割心室來評估心臟功能，具有很好的可重復性。由于 CCMRI 短軸圖像是臨床心臟功能評估的金標準圖像，放射科醫生希望能在左心室、左心肌分割的基礎上，進一步實現左心肌的運動追蹤，從而輔助臨床更加全面地了解心臟的功能情況。然而，CCMRI 短軸圖像的心肌呈現同質化狀態，心肌像素灰度差異很小，無法單純依賴心肌灰度相似性重建出準確可靠的心肌位移場。不過，CCMRI 短軸圖像時空分辨率高，可在左心肌分割的基礎上重建出左心肌三維模型。另外，將心臟運動規律和心肌結構等先驗知識作為心肌運動追蹤的約束，可提高位移估計的準確性，為基于 CCMRI 短軸圖像的心肌運動追蹤提供了可行性。
綜上所述，本文從可用于心肌運動追蹤的各種心臟 MRI 技術出發，分析它們在左心肌運動追蹤中的優劣；然后詳細介紹了基于 CCMRI 短軸圖像的左心肌運動追蹤方法；最后對左心肌運動追蹤方法進行了總結與展望，既幫助初學者快速全面快速了解該研究課題，也為相關研究者優化左心肌運動追蹤方法提供理論參考。考慮到左心肌分割方法相對比較成熟且已經有大量文獻報道，因此本文重點對左心肌運動重建方法展開分類介紹，并輔以簡單介紹心肌應變分析。由于 CCMRI 短軸圖像中的左心肌心內膜常常與乳頭肌、小梁肌等組織相連，心外膜可能會毗鄰脂肪等組織，這些都會影響到左心肌的分割精度，從而進一步影響到左心肌輪廓特征追蹤的準確性，因此在進行左心肌運動重建之前，需要保證左心肌的分割精度。
1 心臟磁共振成像技術
可用于心肌運動追蹤的心臟 MRI 技術主要有相位對比 MRI（phase contrast MRI，PCMRI）、受激回波位移編碼（displacement encoding with stimulated echoes，DENSE）MRI、應變編碼（strain encode，SENC）MRI、帶標記的 MRI（tagged MRI，TMRI）和 CCMRI。其中，雖然 PCMRI 可測量心肌運動速度，DENSE 和 SENC 分別可映射心肌位移場和編碼心肌縱向應變，但這三類技術仍處于科研階段，目前尚未應用到臨床中。TMRI 可通過網格變化來模擬心肌局部形變，提供豐富的心肌運動信息。但 TMRI 掃描時間很長，而且對患者在掃描過程中的屏氣有比較嚴格的要求，容易導致錯誤的心肌運動追蹤，因此在臨床上很少使用。與上述成像技術相比，雖然 CCMRI 短軸圖像包含的心肌運動信息較少，但是掃描時間更短、圖像軟組織對比度更高、可重復性好，在臨床工作中被認為是計算心室收縮和舒張末期容積、射血分數等指標的金標準圖像，廣泛應用于臨床心血管疾病診斷和治療中。迄今為止，全球的科研工作建立了許多 CCMRI 短軸、長軸圖像的數據庫，可供研究人員方便使用。此外，CCMRI 短軸圖像的高時空分辨率，能夠實時呈現心室、心肌等組織結構的運動規律，為左心肌運動追蹤提供了基礎。因此，采用 CCMRI 短軸圖像可在心室、心肌分割的基礎上進一步追蹤左心肌運動，能夠幫助臨床更加完整地評估心臟功能，從多個角度診斷心血管疾病。
2 左心肌運動重建方法
2.1 基于心膜輪廓
左心肌運動會帶動心膜（包括心內膜和心外膜）的輪廓發生變化。因此，基于 CCMRI 短軸圖像的心肌運動重建關鍵在于追蹤心膜的輪廓變化特征。追蹤心膜的輪廓變化特征是指根據輪廓形狀特征的相似性（比如曲率在較小時間間隔內變化微小）來估計邊界特征點的最佳映射，從而產生心肌邊界位移場。這里，輪廓特征點的采樣對形狀特征相似性的比較、質點最佳映射的估計有重要的影響。由于邊界位移場通常是稀疏且不均勻的，合理的插值方案也是重建準確可靠的心肌密集位移場的關鍵。因此，采樣與映射輪廓特征點、選擇插值方案（比如插值精度、網格密度以及計算效率等）都是基于心膜輪廓的左心肌運動追蹤方法需要考慮的問題。
Yan 等[3]利用廣義魯棒點匹配（generalized robust point matching，GRPM）框架結合擴展自由形式形變（extended free form deformation，EFFD）恢復左心肌邊界運動，同時提出一種基于邊界元法（boundary element method，BEM）的正則模型重建心肌密集位移場。該模型避免了需要權衡插值方案的問題，計算效率高、抗噪性強、易于實現。Youse?-Banaem 等[4]將主動網格模型（active mesh model，AMM）擬合到邊界位移場上。AMM 是結合連續介質力學與心肌運動規律的強約束模型，可用于計算心肌質點位移路徑和、心肌分級增厚和應變等參數，從而檢測出心肌梗死區域。Morais 等[5]比較擴散模型、薄板樣條和多二次徑向基函數插值方案重建心肌密集位移場的時間成本。研究結果表明，擴散模型所用的插值時間最短，這是因為擴散模型對特征點數量增加引起的插值時間延長不敏感，可為快速插值策略提供幫助。Wael 等[6]把歸一化壁厚作為特征向量，用于追蹤左心室基底、室中以及心尖層面不同節段的室壁厚度變化，并采用極大似然法區分正常與異常增厚。但是該方法只是追蹤心肌厚度變化，未能深入心肌運動細節。Wu 等[7-8]采用迭代的距離正則水平集演化 （distance regularized level-set evolution，DRLSE） 來追蹤冠狀位心臟輪廓形狀變化，實現逐幀心臟輪廓的分割與追蹤。該方法只是追蹤心臟輪廓形狀變化，沒有追蹤心肌內部運動。
在現有的左心肌運動追蹤方法中，插值方案是很多研究者重點改進的方面，常用的插值方案有提供平滑約束的自由形變、描繪心肌組織屬性的生物力學模型以及涵蓋心肌運動模式的統計模型等。然而這些模型使用的先驗知識對病變的心肌組織可能并不適用。
2.2 圖像配準
圖像配準是尋找存在客觀聯系的多幅圖像的某種空間變換，該變換通過不斷校正這些圖像的灰度、紋理等特征在空間位置上的差異，使它們在某方面盡可能地相似。根據變換空間的不同，圖像配準可分為剛體配準和非剛體配準。非剛體配準適用于具有形變的組織，如 CCMRI 短軸圖像中的左心肌。一個簡單的基于圖像配準的左心肌運動追蹤算法框架如圖 2 所示。
圖2
基于圖像配準的左心肌運動追蹤算法簡易框架
Figure2.
Simplified framework of motion tracking algorithm of left myocardium based on image registration
Marchesseau 等[9]認為形變場的傳播高度依賴初始的心肌分割精度，因此提出了心肌分割耦合稀疏貝葉斯配準（sparse Bayesian registration，SBR）的方法。該方法首先半自動分割 CCMRI 短軸圖像，并利用線性插值對 CCMRI 短軸圖像上采樣；然后選取心動周期內的某幀圖像為參考圖像，其他圖像與參考圖像配準，得到平均配準結果。該方法在較小的配準或者存在分割誤差時，具有較好的魯棒性。Puyol-Antón 等[10]提出了一種全自動的心肌應變分析框架，該框架首先采用 CNN 準確分割 CCMRI 長短軸圖像；然后利用迭代配準算法校正因屏氣運動產生的圖像偽影，這些校正后的長短軸圖像用來準確識別室中的短軸圖像；最后利用二維 B 樣條自由形變（free form deformation，FFD）配準追蹤左心肌運動。該框架與心臟分析軟件 CVI42 （Circle Cardiovascular Imaging Inc.，加拿大）得出的應變結果具有較好的一致性。Youse?-Banaem 等[11]采用加權歸一化互信息（weighted normalized mutual information，WNMI）配準相鄰幀的邊界質點、追蹤質點路徑長度、測量心肌分級增厚。另外，該方法在邊界位移場的基礎上，利用非線性主動網格模型插值出心肌密集位移場[12]。Mansi 等[13]提出符合軟組織形變特征的改進 LogDemons 配準算法，該算法把各向同性、彈性和不可壓縮性作為約束心肌非剛體配準的正則項，從而提高了配準精度。需要注意的是， Mansi 等[13]使用各向同性來定義心肌的物理性質，與心肌各向異性特征不符。Guo 等[14]提出將基于圖匹配（graph matching，GM）的凸代價函數用于估計相鄰幀節點以及節點線段的對應關系，同時利用帶稀疏約束的緊支徑向基函數（radial basis function，RBF）恢復心肌形變場。然而當失配節點過多時，該結果無法保持形變場的拓撲結構。考慮到 GM 不適用于大形變的情況，Zhang 等[15]提出多層迭代形變 GM 框架，用于交替估計舒張與收縮末期的邊界節點映射關系。該方法同時將基于 L1、L2 范式約束的變換模型引入框架中，能夠維持形變場拓撲結構、保持形變平滑性，是對文獻[14]的改進。
非剛體配準通過比較 CCMRI 短軸圖像中的灰度、梯度等局部特征變化信息來估計心肌密集位移場、計算心肌形變參數。然而，純粹依賴圖像驅動的配準不能準確可靠地恢復心肌形變，重建心肌密集位移場。因此，需要在配準的過程中加入符合心肌的結構特征、心臟的運動特征等先驗知識。
2.3 光流法
光流法（optical flow）的重要用途是計算空間物體在成像平面的速度場，反映物體在圖像上因運動而產生的瞬時速率或位移。光流法追蹤心肌運動一般是利用 CCMRI 短軸圖像心肌質點灰度在相鄰幀恒定不變、心肌局部運動具有相似性以及心肌運動具有時空連續性等先驗條件，來重建心肌密集位移場。
考慮到 CCMRI 短軸圖像特點，Tuyisenge 等[16]利用非線性正則光流法求出初始的心肌密集位移場并將其作為圖像觀測項。心臟動態演化模型具有足夠的自由度，它將該圖像觀測項納入變分數據同化框架。模型中的非對稱方波函數分段獨立地模擬心臟收縮和舒張運動，在校正初始心肌密集位移場偏差的同時，不對心肌運動施加強約束，不去掩蓋可能存在的心肌異常運動特征，因此可以獲取準確可靠的心肌密集位移場。Queirós 等[17]提出快速追蹤心肌運動的仿射光流法。該方法假設心肌在限定的區域內保持恒定的運動，把局部仿射運動模型提供的解剖約束信息直接嵌入到光流方程中，不僅降低了計算成本，而且還避免周圍組織對心肌運動追蹤的影響。從目前的研究看，基于梯度的光流法[16-17]對 CCMRI 短軸圖像的噪聲、偽影都比較敏感。
由于光流法適合于處理連續變化的 CCMRI 短軸圖像，心肌質點運動滿足小位移、局部一致性等前提條件。然而，CCMRI 短軸圖像中心肌運動變化復雜，心肌與心膜交界區域的圖像梯度較大，并不滿足光流法中的平滑約束，因此光流法可能會導致錯誤的位移估計。尤其在心室收縮期，局部心肌區域可能存在較大的位移峰值，那么該心肌區域不滿足小運動的前提，導致光流法無法追蹤變化幅度大的心肌運動。此外，由于左心肌具有均勻同質特征，僅憑亮度恒定不變的光流約束很難得到準確可靠的位移場，因此需要加入相關先驗信息。
2.4 心臟生理組模型
在本文“心臟 MRI 技術”部分，可知不同心臟 MRI 掃描序列能夠得到不同模態的圖像，不同模態的圖像提供的不同的心臟動力學參數較為單一，因此有效地融合不同模態的圖像能夠更加準確地獲取左心肌運動特征。例如，在 CCMRI 短軸圖像中融合 PCMRI 圖像中的左心肌內部速度信息，能夠反映更多的左心肌運動細節。需要注意的是，當不同模態的圖像存在較大的時空差異時，傳統的融合算法不能有效融合它們。而心臟生理組模型（cardiac physiome model，CPM）能夠解決時空相關性低的不同圖像信息融合問題。CPM 包括描述心肌電流的電傳播模型（electrical propagation models，EPM），把電刺激轉化為心肌細胞收縮應力的機電耦合模型（electromechanical coupling models，ECM），以及將收縮應力與心臟形變聯系起來的生物力學模型（biomechanical models，BM）。在實際選擇模型的過程中，需要考慮 CPM 在生理上的合理性與計算效率間的權衡。
Wong 等[18]提出利用 CPM 作為 CCMRI 短軸圖像與體表電位圖（body surface potential maps，BSPM）融合的中心環節。首先采用 EPM 恢復 BSPM 的跨膜電位；然后通過 ECM 把跨膜電位轉化為主動應力，主動應力作為心臟動力學方程的輸入參數，用以計算心肌形變；最后利用狀態空間濾波，將 CCMRI 短軸圖像提供的心肌密集位移場，與從 BSPM 導出的心肌形變相結合，得到特定患者的心肌運動特征。
雖然 CPM 能夠有效融合 CCMRI 短軸圖像與其他時空相關性低的心臟功能圖像，彌補 CCMRI 短軸圖像稀疏運動信息的不足，并且更加準確地獲取心肌密集位移場，描述心肌運動特征。但是當心肌運動重建算法的準確性降低時，由融合信息重建的心肌密集位移場，可能要比單模態圖像重建效果更差。
2.5 心室建模
心室建模利用心臟和心肌的結構特征、運動特征以及組織屬性等先驗信息來建立心室仿真模型，從而得到各類演化參數。雖然由仿真模型得到的心臟功能參數比醫學圖像得到的多，但是仿真模型不具有特異性，無法準確預測特定患者的心臟在心動周期的運動軌跡。因此，由預測軌跡得到的仿真結果應當擬合患者的觀測數據，以便校正預測的運動軌跡。這里的觀測數據由 CCMRI 短軸圖像推導得到，例如心肌應變張量、腔體容積等，用來約束模型的動態演化過程。
Finsberg 等[19]提出不可壓縮雙心室力學模型，用于預測心肌收縮力與肌纖維應力。該方法首先將受試者舒張末期的無壓力雙心室 CCMRI 短軸圖像作為模型的初始形狀，形成具有個性化的模型；然后，為了求解模型的最佳受控參數，以便得到更加準確的預測值。文獻[19]將模型仿真數據、受試者觀測數據以及受控參數非平滑懲罰因子共同納入到成本函數中，并采用基于伴隨梯度的優化方法求解成本函數極值。該方法能夠很好地提高計算速度問題[20-21]。Liew 等[22]采用 B 樣條擬合建立內外膜表面模型；然后利用基于歐式距離測度的 K-最近鄰法尋找與模型表面相鄰的節點；最后將這些節點擬合成近似球面，通過計算球面直徑，測量心肌厚度和增厚，但文獻[22]并未在心室建模的基礎上，進一步追蹤心肌內部運動。
仿真模型的動態演化受 CCMRI 短軸圖像觀測數據制約，其形式一般是將模型仿真值與圖像觀測值共同納入數據同化框架，求取成本函數極值，估計模型的最佳受控參數，最終得到針對特定患者的準確預測值。需要注意的是，CPM 是融合特定患者的多種生理數據，而數據同化是將仿真數據擬合到觀測數據。這就要求在特定時間點，仿真值不能偏離觀測值太多，即由 CCMRI 短軸圖像得到的觀測值必須是準確的，否則模型預測結果也是不準確的。然而，預測結果不能反過來作用于觀測值（例如心肌應變張量）以提升左心肌運動追蹤方法的準確性，這是心室建模的局限性所在。
2.6 空間變換
單演信號（monogenic signal）是解析信號的多維擴展應用。基于希爾伯特變換的解析信號獲取一維信號振幅、頻率等瞬時參數，而基于里斯（Riesz）變換的單演信號儲存圖像振幅、相位和方向信息。其中，振幅表示圖像能量，相位描述圖像結構，方向決定圖像梯度。由于 CCMRI 短軸圖像時空連續的特點，其單演信號中的振幅、相位等分量也是不斷變化的。因此，通過空間變換獲取 CCMRI 短軸圖像的單演信號，并把單演信號分解成序列的振幅、相位等圖像，能夠為心肌運動追蹤提供更多有價值的信息。
Gao 等[23]把單演信號的相位、振幅和方向分量疊加得到偽彩圖；然后利用基于零均值歸一化互相關（zero-mean normalized cross-correlation，ZNCC）的光流法估計心肌密集位移場，同時利用雙邊濾波器平滑去噪、維持邊緣；最后采用鄰點投影算法（projected proximal point algorithm，PPPA）優化心肌密集位移場。Benameur 等[24]利用單演信號獲取左心室收縮與舒張末期的振幅圖像，振幅圖像反映心肌收縮幅度；然后把收縮與舒張末期圖像相減，得到結果圖像。在結果圖像中，顏色均勻區域表示正常心肌的同步收縮，而顏色不均勻且呈現深色區域則表示心肌收縮減少，由此判斷心肌運動異常。此外，還有一種與結果圖像功能相近，并且用于臨床診斷心肌梗死的延遲釓增強（late gadolinium enhancement，LGE）圖像[25]。LGE 圖像是從患者的靜脈注射釓造影劑 10～20 min 后，采集患者的 T1 加權圖像而得到。由于梗死心肌無法快速清除釓造影劑，LGE 圖像的心肌梗死區域會呈現高亮顏色，據此計算心肌梗死面積。
單演信號是原始圖像通過空間變換而得到，類似于圖像經傅里葉變換得到圖像的頻域信息。考慮到 CCMRI 短軸圖像心肌均勻同質的事實，圖像像素灰度不能作為心肌運動追蹤的可靠特征。因此，單演信號提供的 CCMRI 短軸圖像的振幅、相位等分量可以為心肌運動追蹤提供更有價值的信息。
3 心肌應變分析
心肌應變分析是根據密集位移場計算位移梯度場，定性、定量地評估心肌組織活性以及局部心臟功能，也是很多心肌運動追蹤方法的重要環節。由于心肌運動是以非剛體運動變化的，相鄰心肌質點位移大小與方向的不同都會導致質點間的距離變化，這種變化反映了心肌組織局部伸縮情況，即心肌形變。若已知心肌質點位移 u、質點朝鄰近某點的方向 p 以及兩者距離 dp，那么可以定義兩點間的形變量 dx，如式（1）所示：
|
其中，?u/?p 表示質點位移 u 沿方向 p 的變化率，F 是位移梯度張量。根據心肌的三維運動特征，它是由 9 個分量構成的三階張量。但當心肌不發生形變，只做剛體運動時，位移梯度張量不發生變化，不能直接作為心肌應變的最佳度量值。于是定義拉格朗日應變張量 E，它與 F 的關系如式（2）所示：
|
其中，I 是單位矩陣。當心肌不發生形變時，E 的值為零。通過計算 E，并將其變換到符合左心室幾何特征的坐標系中，就可以得到左心室的徑向、圓周與縱向應變分量。這些分量刻畫了心肌組織在不同方向的形變程度，能夠量化心肌運動異常區域，為心血管疾病的診斷提供醫學成像等臨床手段無法直接得到的重要信息。
4 總結與展望
本文從可用于左心肌追蹤的心臟 MRI 技術出發，重點論述了基于 CCMRI 短軸圖像的各種左心肌運動重建方法。其中，基于心膜輪廓和圖像配準方法廣泛用于臨床評價心肌存活質量、診斷心血管疾病。與基于輪廓特征的追蹤方法相比，圖像配準方法能夠在全局與局部心肌應變分析中表現出更高的準確性[26]。由于很難通過肉眼來觀察 CCMRI 短軸圖像的心肌運動細節，配準算法準確性的驗證需要同 TMRI 圖像的分析結果作對比[27]。目前，雖然有研究表明，基于 TMRI 圖像的心肌運動追蹤方法能夠準確診斷心肌梗死[28]，但 TMRI 成像時間長等問題限制了 TMRI 時空分辨率，仍在臨床較少使用。此外，本文還介紹了光流法、心臟生理組模型、心室建模以及空間變換。這些方法充分發揮了 CCMRI 時空分辨率高的優勢，利用心肌組織屬性或者心臟運動規律等先驗知識作為心肌運動追蹤的約束，可以更加準確地重建心肌密集位移場。另外，字典學習和深度學習的方法也被用到了心肌的運動追蹤中[29-30]，這類方法首先學習區分正常與異常的心肌運動特征；然后將習得的模型用于判斷心肌運動異常。但是，該類方法并未深入心肌運動細節。如表 1 所示，總結了 4 種典型的左心肌運動重建方法。
表1
4 種典型的左心肌運動重建方法比較
Table1.
Comparison of four typical motion reconstruction methods for left myocardium
雖然心肌組織屬性或者心臟運動規律等先驗知識能夠更加準確地重建心肌位移場。但是先驗知識提供的約束增加了計算復雜度，而且它們通常依賴于特定的物理或力學參數，有可能導致錯誤的位移估計。此外，心肌運動追蹤需要覆蓋到完整心動周期，而非只是若干時段。因此，應當設計適應不同心臟生理和病理特征的通用約束框架，才能夠穩定高效地重建整個心動周期的心肌密集位移場。此外，為了能夠更加合理地評估心臟功能、診斷心血管疾病，心臟 MRI 技術、圖像處理方法都還有很大的提升空間。
另外，對左心肌運動追蹤方法結果的驗證方式目前尚存在一定的難度和未知性。比如：與介入性方法結果進行比較，一般需要在動物心臟植入標記物，這在臨床上是不可行的；與已有的追蹤方法作比較，只能說明方法的改進程度，但能否應用到臨床還需進一步驗證；與其他心臟 MRI 圖像（如 TMRI 圖像）的結果比較，容易產生配準誤差。綜上所述，基于 CCMRI 短軸圖像的左心肌運動追蹤方法還需要在約束框架、驗證方式等方面進一步完善才能更好地服務于臨床實踐。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
