الاستاذ الحسن معمر يُعد التصوير بالرنين المغناطيسي القلبي (Cardiac Magnetic Resonance Imaging – CMR) من أهم التقنيات غير الباضعة لتقييم تشريح القلب ووظيفته وحركته، لما يوفره من تباين ممتاز للأنسجة ودقة عالية في تقييم حجرات القلب، عضلة القلب، الصمامات، والوظيفة الانقباضية. إلا أن الحصول على صور قلبية عالية الجودة كان يرتبط تقليديًا بضرورة مزامنة التصوير مع تخطيط القلب، إضافةً إلى مطالبة المريض بحبس النفس خلال مراحل معينة من الفحص. وتبرز هنا واحدة من أهم تطبيقات الذكاء الاصطناعي والتعلم العميق (Deep Learning) في التصوير الطبي، وهي تطوير تقنيات تسمح بالحصول على صور Cine MRI عالية الجودة وبزمن تصوير قصير، حتى أثناء التنفس الطبيعي للمريض. ما المقصود بتصوير Cine MRI؟ تصوير Cine MRI هو تسلسل ديناميكي يُستخدم لتسجيل حركة القلب عبر مراحل الدورة القلبية المختلفة، وبذلك يمكن مشاهدة القلب كما لو كان مقطع فيديو متحركًا. ويُستخدم هذا النوع من التصوير لتقييم العديد من المؤشرات المهمة، منها: • حجم البطينين والأذينين. • وظيفة البطين الأيسر والأيمن. • الكسر القذفي (Ejection Fraction). • حركة جدار القلب. • سماكة عضلة القلب. • الحركة الإقليمية لعضلة القلب. • بعض اضطرابات الصمامات والحركة القلبية. وتكمن أهمية Cine MRI في أنه لا يقدم صورة ثابتة فقط، بل يسمح بتقييم الديناميكية الوظيفية للقلب خلال الانقباض والانبساط. المشكلة التقليدية: حبس النفس تعتمد العديد من بروتوكولات الرنين المغناطيسي القلبي التقليدية على قيام المريض بحبس النفس لفترة قصيرة أثناء اكتساب الصور. وعلى الرغم من أن هذه الطريقة تساعد على تقليل حركة التنفس وتحسين جودة الصورة، فإنها قد تشكل تحديًا لبعض المرضى. فعلى سبيل المثال، قد يواجه المرضى الذين يعانون من: • ضيق التنفس. • أمراض القلب المتقدمة. • أمراض الرئة. • الأطفال. • كبار السن. • المرضى غير القادرين على اتباع التعليمات. صعوبة في الحفاظ على حبس النفس بشكل ثابت طوال فترة التصوير. كما أن عدم ثبات حبس النفس بين سلسلة وأخرى يمكن أن يؤدي إلى اختلاف موضع القلب وظهور Artifacts تؤثر في جودة الصور ودقتها التشخيصية. دور التعلم العميق في تسريع التصوير شهدت السنوات الأخيرة تطورًا كبيرًا في تقنيات إعادة بناء صور الرنين المغناطيسي اعتمادًا على الذكاء الاصطناعي. وتعتمد تقنيات Deep Learning Reconstruction (DLR) على شبكات عصبية عميقة يتم تدريبها على كميات كبيرة من بيانات الصور الطبية، بحيث تستطيع الشبكة تعلم العلاقة بين البيانات الخام والصورة النهائية ذات الجودة العالية. وبذلك يمكن تقليل عدد البيانات المطلوبة أو زمن الحصول عليها، مع المحافظة على جودة الصورة بدرجة مناسبة للتقييم السريري. وهنا تظهر إمكانية الجمع بين ميزتين مهمتين: سرعة التصوير + مقاومة حركة التنفس. التصوير أثناء التنفس الحر في تقنية Free-Breathing Cine MRI يستطيع المريض التنفس بصورة طبيعية أثناء عملية التصوير، بينما تقوم خوارزميات متقدمة بالتعامل مع الحركة الناتجة عن التنفس. وهذا يمثل تحولًا مهمًا في تجربة المريض؛ إذ لم يعد الحصول على صور قلبية ديناميكية عالية الجودة مرتبطًا بالقدرة على حبس النفس لفترات متكررة. ويزداد تأثير هذه التقنية عندما تُدمج مع تقنيات التعلم العميق، حيث يمكن للخوارزمية المساعدة في: 1. تقليل التشويش والضوضاء. 2. تحسين وضوح حدود عضلة القلب. 3. إعادة بناء الصور بسرعة. 4. التعامل مع البيانات الناقصة أو قليلة العينات. 5. تقليل تأثير حركة التنفس. 6. الحفاظ على التفاصيل المكانية والزمانية المهمة ومن المهم التأكيد أن التنفس الحر لا يعني بالضرورة أن الصورة ستكون أفضل في كل حالة من صور حبس النفس؛ فالنتيجة تعتمد على نوع التسلسل، سرعة التصوير، خوارزمية إعادة البناء، حركة المريض، ودقة النظام المستخدم. لماذا يمثل التصوير الفوري Real-Time Imaging تطورًا مهمًا؟ يهدف Real-Time Cine MRI إلى الحصول على صور متحركة للقلب بصورة مباشرة تقريبًا، بدل الاعتماد على جمع البيانات خلال عدة دورات قلبية ثم إعادة بناء الصورة. ويصبح هذا الأمر أكثر أهمية عند المرضى الذين يعانون من عدم انتظام ضربات القلب أو صعوبة في اتباع تعليمات حبس النفس. ففي التصوير التقليدي، يمكن أن تؤدي الاختلافات بين ضربات القلب إلى ظهور تشوهات في الصورة. أما التصوير الفوري، فيمكن أن يوفر مرونة أكبر في متابعة حركة القلب في الوقت الحقيقي. الذكاء الاصطناعي لا يستبدل اختصاصي الأشعة رغم التطور الكبير في تقنيات التعلم العميق، فإن الهدف الأساسي منها هو دعم اختصاصي الأشعة والطبيب، وليس استبدالهما. فالخوارزمية تستطيع تحسين سرعة التصوير وإعادة بناء الصور، لكنها لا تتحمل المسؤولية السريرية عن تفسير النتائج. ويظل دور اختصاصي الأشعة محوريًا في: • تقييم جودة الصور. • اختيار التسلسل المناسب. • معرفة الـ Artifacts. • تفسير الحركة القلبية. • الربط بين الصور والتاريخ السريري. • التمييز بين التغيرات المرضية والتغيرات الناتجة عن تقنيات التصوير. التأثير على مستقبل التصوير القلبي يمثل دمج الذكاء الاصطناعي مع التصوير بالرنين المغناطيسي القلبي اتجاهًا مهمًا نحو MRI أسرع وأكثر مرونة وأقل اعتمادًا على تعاون المريض. وقد يقود هذا التطور مستقبلًا إلى بروتوكولات تصوير يمكن إجراؤها خلال فترات زمنية أقصر، مع تقليل الحاجة إلى حبس النفس، وتحسين تجربة المرضى، وخصوصًا المرضى الذين يصعب تصويرهم بالطرق التقليدية. كما يمكن أن يتوسع استخدام الذكاء الاصطناعي مستقبلًا من مجرد إعادة بناء الصور إلى التحليل الآلي للحركة القلبية، تحديد حدود حجرات القلب، قياس الأحجام والوظائف، واستخراج المؤشرات الكمية بصورة شبه آلية. الخلاصة إن الانتقال من Breath-Hold Cine MRI إلى Deep-Learning–Based Free-Breathing Real-Time Cine MRI يمثل أكثر من مجرد تسريع للفحص؛ فهو يعكس تحولًا في فلسفة التصوير الطبي نحو جعل الفحص أكثر سرعة ومرونة وملاءمة للمريض. فالهدف لم يعد فقط الحصول على صورة تشريحية عالية الجودة، بل الوصول إلى تصوير ديناميكي للقلب في ظروف أقرب إلى الحالة الطبيعية للمريض، مع الاستفادة من قدرة الذكاء الاصطناعي على إعادة بناء البيانات وتحسين جودة الصور والتعامل مع الحركة. ومع استمرار تطور تقنيات التعلم العميق، قد يصبح التصوير القلبي أثناء التنفس الحر جزءًا أكثر شيوعًا من بروتوكولات Cardiac MRI، خصوصًا عندما تثبت الدراسات التكافؤ أو التحسن في جودة الصورة والقيمة التشخيصية مقارنةً بالتقنيات التقليدية. الخلاصة في جملة واحدة:الذكاء الاصطناعي لا يجعل Cardiac MRI أسرع فقط؛ بل يقرّبه من تصوير القلب كما يتحرك فعليًا، وبأقل اعتماد ممكن على قدرة المريض على حبس النفس المصادر 1.Kramer CM, Barkhausen J, Bucciarelli-Ducci C, Flamm SD, Kim RJ, Nagel E (2020) Standardized cardiovascular magnetic resonance imaging (CMR) protocols: 2020 update J Cardiovasc Magn Reson 22:17. https://doi.org/ 10.1186/s12968-020-00607-1 2. Ammann C, Hadler T, Gröschel J, Kolbitsch C, Schulz-Menger J (2023) Multilevel comparison of deep learning models for function quantifica- tion in cardiovascular magnetic resonance: on the redundancy of archi- tectural variations. Front Cardiovasc Med 10:1118499. https://doi.org/10. 3389/fcvm.2023.1118499 3.Emrich T, Halfmann M, Schoepf UJ, Kreitner KF (2021) CMR for myocardial characterization in ischemic heart disease: state-of-the-art and future developments. Eur Radiol Exp 5:14. https://doi.org/10.1186/s41747-021- 00208-2 4. Mazurowski MA, Buda M, Saha A, Bashir MR (2019) Deep learning in radiology: an overview of the concepts and a survey of the state of the art with focus on MRI. J Magn Reson Imaging 49:939-954. https://doi.org/10. 1002/jmri.26534 5.Currie G, Hawk KE, Rohren E, Vial A, Klein R (2019) Machine learning and deep learning in medical imaging: intelligent imaging. J Med Imaging Radiat Sci 50:477-487. https://doi.org/10.1016/j.jmir.2019.09.005