European Radiology：深度学习图像重建(DLIR)对冠状动脉钙化定量的影响

现阶段，冠状动脉钙化（CAC）是一个公认的动脉粥样硬化斑块负荷的替代标志物。因此，越来越多的证据表明，CAC对无症状患者的硬性临床终点具有附加的预后价值。此外，最近的报告表明，CAC的量化有助于识别从他汀类药物治疗中获益的无症状患者。因此，目前关于心血管疾病初级预防的指南已经认可将CAC作为中度心血管疾病风险患者的风险调节器，因此强调了对CAC准确和精确测量的要求。

一些技术参数，如图像重建算法、计算机断层扫描（CT）扫描仪的类型和分析软件，已被证明会影响CAC的测量。最近，基于卷积神经网络的深度学习图像重建（DLIR）已成为冠状动脉CT血管成像（CCTA）的滤波背投（FBP）和迭代重建（IR）算法的替代品。尽管对于CAC成像来说，不鼓励偏离标准的FBP重建设置，但初步结果显示，DLIR的实施与卓越的图像质量有关，同时保持了与FBP图像相似的纹理。

由于关于DLIR对CAC定量影响的数据仍然很少，发表在European Radiology杂志的一项研究通过使用非增强的心电图（ECG）触发心脏CT评估了DLIR对图像质量和CAC定量的影响，为临床更加准确的进行患者的风险分层提供了技术支持。

共有100名患者被纳入研究。通过使用FBP和三种不同强度的DLIR（低（DLIR_L）、中（DLIR_M）和高（DLIR_H））重建的图像计算图像质量相关的变量（噪声、信噪比（SNR）和对比度噪声比（CNR））以及CAC衍生的参数（Agatston评分、质量和体积）。根据冠状动脉钙化-数据和报告系统（CAC-DRS）的分类，将患者分为4个风险类别。0 Agatston评分（风险很低），1-99 Agatston评分（风险轻度增加），Agatston 100-299（风险中度增加），以及≥300 Agatston评分（风险中度至重度增加）。 

与标准FBP相比，DLIR强度的增加与图像噪声的显著和逐渐减少（P < 0.001）以及SNR和CNR的显著和逐渐增加（P < 0.001）有关。使用DLIR的递增水平与Agatston CAC评分和CAC体积的显著下降有关（p < 0.001），而与FBP相比，质量评分保持不变（p = 0.232）。对Agatston CAC的低估导致CAC-DRS的错误分类率为8%。 

 图 不同强度DLIR对图像质量的影响。盒状和须状图表示FBP和DLIR强度增加时的噪声、SNR和CNR的中位数和四分位数范围。增加DLIR的强度与图像噪声的显著和逐渐减少有关，也与SNR和CNR的显著和逐渐增加有关

本项研究表明，尽管DLIR的实施主要通过减少噪音来提高图像质量，但DLIR系统地低估了Agatston CAC评分。因此，应谨慎使用DLIR来评估无症状患者的心血管风险，因为DLIR可能对患者的管理策略产生负面影响。需要后续数据来评估DLIR在临床常规中的影响。

原文出处：

Alexia Rossi,Antonio G Gennari,Dominik Etter,et al.Impact of deep learning image reconstructions (DLIR) on coronary artery calcium quantification.DOI:10.1007/s00330-022-09287-0