European Radiology：基于生成对抗网络的冠状动脉CT血管成像的运动伪影纠正

据统计，心血管疾病是全球死亡的主要原因。冠状动脉计算机断层扫描（CCTA）可以清晰地显示冠状动脉，准确地检测冠状动脉斑块并正确评估冠状动脉病变。由于CCTA对冠状动脉疾病的阴性预测值接近99%，CCTA已成为有心脏症状的病人不可缺少的诊断工具。

冠状动脉的运动和变形是不均匀的，当运动速度超过CT扫描仪的时间分辨率时会产生运动伪影。运动伪影可使冠状动脉图像模糊，导致冠状动脉狭窄的无法评估或诊断不准确。由于右冠状动脉中段（mRCA）的运动方向与扫描平面垂直，其平面内运动最高、运动伪影最严重。目前减少CCTA运动伪影的方法包括使用β-受体阻滞剂控制心率（HR）、缩短图像采集时间、应用单次心跳扫描、开发心电图（ECG）编辑、多段重建和循环内运动校正算法等软件解决方案。虽然这些方法可以防止和纠正运动伪影，但心率对这些方法的效果有一定的影响，这在一定程度上限制了临床适用性。

生成对抗网络（GAN）是一种创新的神经网络，已被引入医学成像领域。GAN由一个生成网络和一个判别网络组成。这两个网络相互对抗，以优化网络参数，产生新的图像。

近日，发表在European Radiology杂志的一项研究使用GAN对代表冠状动脉段最大运动的mRCA运动伪影进行纠正，并评估了GAN生成的图像质量和诊断性能，为提高CCTA的图像质量提供了技术支持。

本项研究纳入了313名CCTA扫描患者，每位患者具有在同一心脏周期的不同R-R间期有成对的运动影响和无运动参考图像，同时还包括另外53名CCTA病例与有创冠状动脉造影（ICA）的对比图像。Pix2pix是一个图像到图像的转换GAN，通过运动影响和无运动参考对进行训练，并从运动影响的图像中生成无运动图像。计算了峰值信噪比（PSNR）、结构相似性（SSIM）、Dice相似性系数（DSC）和Hausdorff距离（HD）来评估GAN生成的图像质量。 

在图像层面，GAN生成的图像的PSNR、SSIM、DSC和HD的中位数分别为26.1（四分位数：24.4-27.5）、0.860（0.830-0.882）、0.783（0.714-0.825）和4.47（3.00-4.47），明显优于运动影响的图像（P <0.001）。在病人层面，图像质量结果相似。GAN生成的图像比运动影响图像的运动伪影缓解评分（4分对1分，p < 0.001）和整体图像质量评分（4分对1分，p < 0.001）都有所提高。在ICA对比患者中，GAN生成的图像在识别无狭窄、<50%和≥50%狭窄方面的准确率分别为81%、85%和70%，高于运动影响图像的66%、72%和68%。 

图 显示了GAN生成的图像与作为参考标准的侵入性冠状动脉造影诊断性能的示例图像。一名65岁的男子怀疑患有冠状动脉疾病，接受了CCTA和有创冠状动脉造影。CT扫描时的心率为55bpm；心率变异性为4bpm；最佳相位为75%。 A和C 轴向CCTA图像显示右冠状动脉中段的钙化斑块，对应于侵入性冠状动脉造影显示的两个50%的狭窄 b. 受运动影响的CT图像模糊，难以确定狭窄程度。经过GAN校正后，GAN生成的图像可以确定管腔的狭窄程度。GAN, 生成式对抗网络

本项研究开发并测试了一种GAN算法，以实现对CCTA中带有运动伪影图像的纠正。定量评估和受试者评估显示，GAN生成的图像大大减少了运动伪影，并明显改善了图像质量和诊断准确性。

原文出处：

Lu Zhang,Beibei Jiang,Qiang Chen,et al.Motion artifact removal in coronary CT angiography based on generative adversarial networks.DOI:10.1007/s00330-022-08971-5