European Radiology：基于深度学习的CCTA超分辨率图像重建

冠状动脉CT血管造影 (CCTA) 在冠心病的诊断和治疗中起着至关重要的作用。尽管CCTA对阻塞性CAD具有良好的敏感性和阴性预测值，但部分容积效应和与有限空间分辨率相关的伪影可导致假阳性诊断。图像噪声与空间分辨率和辐射剂量之间存在权衡关系，也可能影响对血管狭窄的准确评估。在不放大图像噪声的情况下提高空间分辨率是CCTA精确判析的关键。

为克服空间分辨率限制，超高分辨率CT (UHRCT) 是一款新兴的高分辨率CT扫描仪。多项研究表明，UHRCT可以为CCTA图像提供良好的空间分辨率，并有可能对CAD进行改进评估。

随着人工智能技术的创新，将卷积神经网络（CNN) 引入CT图像重建的基于深度学习的重建（DLR) 技术得到了越来越多的应用。NR-DLR通过使用一对高噪声和低噪声图像进行训练，与混合迭代重建 (HIR)和基于模型的迭代重建 (MBIR)相比达到了相当大的降噪效果，并提供了更好的噪声纹理。

深度学习技术不仅可以用于降噪，还可以用于超分辨率(SR)以提高数字图像的空间分辨率。现阶段，SR-DLR有望改善CCTA的图像质量和心脏结构的描述。

近日，发表在European Radiology杂志上的一篇研究评估了基于深度学习的超分辨率重建（SR-DLR）对冠状动脉CT血管造影（CCTA）图像质量的影响及价值。 

本项研究回顾性纳入了41名使用320排扫描仪进行CCTA检查的患者。采用混合（HIR）、基于模型的迭代重建（MBIR）、基于正常分辨率深度学习的重建（NR-DLR）和 SR-DLR 算法重建图像。对每个图像系列的左主干、右冠状动脉、左前降支动脉和左回旋动脉的图像噪声和对比度-噪声比（CNR）进行了量化，并测量了钙化斑块产生的出血伪影。图像的锐利度、噪声大小、噪声纹理、边缘平滑度、整体质量以及冠状动脉壁、钙化和非钙化斑块、心肌和瓣膜的划分按4分制进行主观评分（1分，最差；4分，最佳）。对四种重建的定量参数和主观评分进行了比较，并使用物理评估模型对基于任务的图像质量进行评估。通过噪声功率谱（NPS）和基于任务的传递函数（TTF）计算模拟冠状动脉管腔、钙化斑块和非钙化斑块对象的可探测性指数。 

与HIR、MBIR和NR-DLR相比，SR-DLR的图像噪声和伪影明显更低，CNR更高（均p < 0.001）。SR-DLR在所有评估标准中都获得了最佳主观评分，与所有其他重建方法相比差异显著（p<0.001）。在模型研究中，SR-DLR 提供了最高的NPS平均频率、TTF50%和所有任务对象的可探测性。 

 表 基于任务的结果图像质量模型评估

研究表明，相对于HIR、MBIR和NR-DLR算法，SR-DLR大大提高了 CCTA的主观和客观图像质量以及对象可探测性，可进一步促进CCTA对冠状动脉疾病进行准确评估。

原文出处：

Yasunori Nagayama,Takafumi Emoto,Yuki Kato,et al.Improving image quality with super-resolution deep-learning-based reconstruction in coronary CT angiography.DOI:10.1007/s00330-023-09888-3