Inline AI: Open-source Deep Learning Inference for Cardiac MR

心脏磁共振（CMR）已被确认为一种非侵入性成像技术，可用于评估心脏功能、解剖结构和心肌组织特征。定量生物标志物对于心脏疾病的诊断和管理至关重要。深度学习（DL）在从CMR图像中提取这些定量测量方面发挥着越来越重要的作用。虽然许多研究人员报告了训练和评估模型的有希望的结果，但模型部署到成像工作流程中的情况还不太清楚。 一种新的成像AI框架InlineAI已经开发并开源。其主要创新是使模型推理内联作为成像计算的一部分，而不是作为离线后处理步骤，并允许用户插入其模型。我们展示了该系统在三个应用程序上的功能：长轴CMR影像地标检测、短轴CMR影像功能和解剖分析以及定量灌注映射。 InlineAI允许将模型以流式方式直接部署到成像工作流程中。模型在扫描仪上加载并对传入图像进行推理，同时数据采集正在进行，结果被发送回扫描仪。在演示的应用程序中，从模型输出中提取了几个生物标志物，并报告为曲线和表格值。所有过程都是完全自动化的。模型推理在成像数据采集结束后6-45秒内完成。

解决问题：论文试图解决如何将深度学习模型应用于心脏磁共振成像中，以提取心脏疾病的定量生物标志物，并将模型嵌入到成像工作流中进行在线推理。

关键思路：InlineAI框架将模型推理嵌入到心脏磁共振成像的数据采集和处理流程中，实现在线推理，提取定量生物标志物，无需离线后处理。同时，该框架具有可扩展性，用户可以自行插入自己的模型。

其他亮点：论文在三个应用场景下展示了InlineAI的能力，分别是长轴CMR心动图地标检测、短轴CMR心动图功能和解剖分析、定量灌注映射。实验结果表明，模型推理在数据采集结束后6-45秒内完成，自动提取生物标志物的曲线和表格值。同时，该框架已开源。

相关研究：在心脏磁共振成像领域，也有其他研究探索将深度学习模型应用于定量生物标志物提取。例如，一篇名为“Cardiac MRI Segmentation and Disease Detection Using Deep Learning”的论文。