文献速递外周血管心血管CT

大血管炎CTA评估:深度学习重建与「黑血」技术的影响

Large vessel vasculitis evaluation by CTA: impact of deep-learning reconstruction and "dark blood" technique.
PubMed 文献 · Insights Imaging · 2024-10-28

单中心前瞻性纳入50例大血管炎患者,比较混合迭代重建与深度学习重建下动脉期、延迟期及黑血CTA的主动脉壁图像质量。黑血CTA整体图像质量优于延迟期,深度学习重建在所有期相评分更高,二者联用获得最佳整体表现。

要点

  • 黑血CTA可抑制管腔信号、突出主动脉壁,整体图像质量评分显著高于延迟期(均p<0.001)。
  • 深度学习重建在动脉期、延迟期和黑血期相的定性评分均显著高于混合迭代重建(均p<0.05)。
  • 黑血联合深度学习重建整体表现最佳,但内壁勾画仍以动脉期占优。

核心结论

  • 黑血CTA改善大血管炎患者主动脉壁图像质量并提供更好的主动脉可视化。
  • 深度学习重建的黑血技术与其他图像序列相比获得最佳整体表现。

研究设计与样本

  • 单中心前瞻性研究,最终纳入50例临床诊断为大血管炎(TAK 48例、GCA 2例)的成人患者,平均年龄33.5±11.4岁(范围18–60岁),女性43例(86%)。
  • 采用320排CT(Aquilion ONE GENESIS Edition)行主动脉CTA,扫描包括平扫、动脉期和延迟期,延迟期于注射对比剂后70秒采集。
  • 动脉期和延迟期图像分别以混合迭代重建(HIR)和深度学习重建(DLR)重建,并基于「对比增强增强」技术生成对应的黑血HIR和黑血DLR图像集。
  • 由两名分别有9年和19年CTA阅片经验的放射科医生独立进行定性和定量图像质量分析,定性评分采用4分制。

关键影像表现/征象

  • 与动脉期图像集相比,黑血图像集图像噪声降低、信噪比(SNR)和外壁对比噪声比(CNRouter)升高(均p<0.05)。
  • 与延迟期图像集相比,黑血联合DLR图像集噪声相当(p>0.99),SNR升高(p<0.001)、CNRouter升高(p=0.006)、内壁对比噪声比(CNRinner)升高(p<0.001)。
  • 整体图像质量方面,黑血图像集评分显著高于延迟期图像集(均p<0.001)。
  • DLR图像集在三个期相的定性评分均显著更优(均p<0.05),且DLR带来的图像质量改善在黑血期相最为突出。
  • 最大主动脉壁厚度在各图像集间,读者1为3.45±2.10 mm至4.83±2.21 mm,读者2为3.79±2.38 mm至4.54±2.34 mm。

诊断标准与关键数值

  • 外壁勾画和内壁勾画采用4分制:1=无法识别,<25%边缘不清;2=识别差,25%–50%边缘欠清;3=识别较好,50%–75%边缘稍清;4=识别良好,>75%边缘清晰。
  • 整体图像质量采用4分Likert量表:1=无法诊断,2=中等可视化,3=良好可视化,4=极佳可视化。
  • 两名读者间定性图像质量一致性良好至优秀:外壁勾画kappa=0.80,内壁勾画kappa=0.80,整体图像质量kappa=0.83。
  • 两名读者间壁厚度测量ICC在六个序列(A-HIR、A-DLR、D-HIR、D-DLR、DB-HIR、DB-DLR)分别为0.85、0.89、0.89、0.90、0.88、0.92。
  • 外壁勾画方面,黑血评分与其他两期相均无显著差异(均p>0.05);内壁勾画总体趋势为动脉期最优、黑血次之、延迟期最差;整体图像质量黑血显著高于延迟期(均p<0.001),与动脉期无显著差异(均p>0.05;除读者2的DB-DLR与A-DLR比较p=0.02)。

临床应用与阅片要点

  • 作者认为,DLR与黑血技术联用有利于显示主动脉壁细微结构异常,并推荐用于大血管炎患者的评估。
  • 定量分析显示,DLR使动脉期外壁SNR、CNRouter和内壁CNRinner分别提高8%、11%和21%,延迟期分别提高22%、25%和17%,黑血期分别提高42%、41%和55%。

局限性

  • 单中心设计导致样本量有限,且未对大血管炎亚型及解剖部位(腹主动脉、胸主动脉、主动脉弓)进行亚组分析。
  • 因MRI在本机构流程中配准时间较长且成本较高,未用MRI验证血管壁厚度;未来研究将纳入黑血CTA与MRI的对比研究。
  • 未对对比剂注射速率或延迟时间进行个体化设计,可能妨碍获得最佳图像质量。
  • 黑血技术和DLR在低剂量条件下用于大血管炎的表现需进一步评估。
全文中译17 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2024 Oct 28;15:260. doi: 10.1186/s13244-024-01843-0

引言

大血管炎(LVV)表现为大血管(如主动脉及其主要分支)的炎症 [1, 2]。大动脉炎(TAK)和巨细胞动脉炎(GCA)是最常见的表现形式。早期准确的诊断和治疗可以改善患者预后 [3, 4]。然而,LVV的临床特征复杂,且因动脉的多样性而异。首发症状从非特异性疲劳到炎症症状(如关节痛、巩膜外层炎或皮肤受累)不等。因此,及时准确地诊断LVV仍然具有挑战性 [5, 6]。

多种无创影像学方法可用于诊断。磁共振成像(MRI)和CT是两种具有各自优缺点的代表性临床模态。计算机断层扫描血管造影(CTA)可准确评估主动脉的狭窄或动脉瘤 [2, 7, 8],还能显示整个动脉树的管壁增厚 [3, 5]。因此,它在LVV的诊断检查中起着至关重要的作用,因为它能够以优异的空间分辨率和较短的操作时间评估血管壁炎症 [9–11]。然而,在多项研究中,MRI在识别血管壁水肿和炎症方面显示出比CTA更高的能力 [12–15]。采用黑血(DB)技术的MRI有助于以高清晰度描绘周围血管壁,从而适当地量化血管壁炎症。

然而,受MR黑血技术的启发,CTA对主动脉壁的可视化能力可以通过类似方法得到增强。“黑血”CT血管造影图像可通过多种后处理方法获得,包括双能CT物质分离 [16] 和预设的DB电影渲染可视化 [17]。此外,一种新的黑血CTA算法基于一种称为对比增强提升(CE-boost)的技术开发而成,该技术此前用于改善血管内主动脉瘤修复术后II型内漏的可视化 [18]。该方法基于精确的可变形配准算法,包括两个步骤。首先,从延迟期CT图像中减去动脉期CT图像,从而抑制腔内信号并增强血管结构,然后将减影图像通过自动去噪程序叠加到初始延迟期图像上。因此,获得的CT图像类似于DB MRI图像。

除DB CTA方法外,用于CT图像的深度学习重建(DLR)已被开发用于改善图像质量,减少图像噪声并改善血管可视化。DLR算法(高级智能Clear-IQ引擎(AiCE,佳能医疗系统))将基于高剂量模型迭代重建CT图像训练的深度卷积神经网络引入图像重建过程,从而产生无噪声污染的高质量图像 [19]。研究表明,DLR算法可以改善腹部CT图像各期相中主动脉、门静脉和肝脏的图像质量 [20, 21]。

我们假设,应用DB CTA技术结合DLR算法可以在主动脉CTA检查中获得最佳图像质量,特别是在血管壁炎症的可视化和量化方面。

本研究旨在评估DB CTA、DLR以及DB CTA与DLR技术联合应用对主动脉CTA在图像质量和血管壁可视化方面用于大血管血管炎(LVV)评估的影响。

材料与方法

研究人群

本研究在单一医疗中心前瞻性实施。所有患者均签署书面知情同意书。前瞻性研究方案于2020年6月23日经机构伦理委员会批准(编号:HS-2427)。

样本量估算使用PASS 15.0版(美国犹他州Kaysville)进行计算,其中“单因素重复测量”模块在10例患者的预试验中实施。预研究表明,在0.05显著性水平下以Wilks Lambda检验达到90%把握度仅需十余例患者。

2020年6月至2022年10月,连续纳入临床诊断为LVV(大动脉炎(TAK)或巨细胞动脉炎(GCA))并转诊进行主动脉及其分支影像学评估的成年患者。排除标准为:年龄<18岁、对比剂相关过敏、肾功能不全、妊娠、甲状腺功能亢进症及图像质量不合格。最初连续纳入72例成年患者,最终纳入50例。纳入的50例患者(43例女性,86%)平均年龄为33.5 ± 11.4(范围18–60)岁。

CTA采集

所有主动脉CTA均使用320排探测器CT扫描仪(Aquilion ONE GENESIS Edition;Canon Medical Systems Corp.,日本大田原)进行。扫描序列包括平扫、动脉期和延迟期,参数如下:管电压100 kVp;旋转时间0.5 s;管电流以噪声指数7.5自动调节;准直100× 0.5 mm;视野400 mm。所有患者经肘前静脉使用双筒高压注射器(Nemoto-Kyorindo,东京)以4 mL/s的速率接受50–60 mL静脉碘对比剂(碘帕醇注射液,370 mg I/mL,上海博莱科信谊药业有限公司),随后以相同注射速率给予30–40 mL生理盐水。图像采集范围从胸廓入口上方2 cm至耻骨下缘下方2 cm。

采用团注追踪技术,降主动脉触发阈值为180 HU。启动动脉期成像。对比剂注射后70 s进行延迟期成像。

CT图像重建

动脉期和延迟期图像分别使用混合迭代重建(Hybrid-IR,自适应迭代剂量降低3D,FC08卷积核,Canon Medical Systems;以下简称混合迭代重建(HIR))和DLR(AiCE,Body Sharp Kernel,Canon Medical Systems)重建,层厚1.0 mm,间隔0.8 mm。使用CE-Boost软件(SURESubtraction,Canon Medical Systems)生成相应的DB CTA图像,以获得DB-HIR和DB-DLR图像数据集。

定性图像质量分析

两名放射科医师(分别具有9年和19年审阅CTA研究的经验)使用专用工作站(Advantage Workstation 4.7;GE Healthcare)独立进行定性图像分析。从升主动脉、主动脉弓、降胸主动脉或腹主动脉中,为每位患者选择一层管壁增厚最大的专用层面。两名放射科医师独立审阅图像,并对所用图像重建算法类型设盲。评估的六个图像数据集包括动脉期(A-HIR和A-DLR)、延迟期(D-HIR和D-DLR)以及双能(DB-HIR和DB-DLR)。初始窗宽和窗位分别设为350和50 HU;两个参数均可调整。评估三个主观参数:–外壁轮廓、内壁轮廓和整体图像质量。采用4分制评估外壁轮廓和内壁轮廓:1 = 无法识别,< 25%周径边缘不清,外壁与主动脉周围脂肪(内壁与管腔)之间密度不清;2 = 识别差,25%–50%周径边缘稍不清;3 = 识别尚可,50–75%周径边缘稍清晰;4 = 识别良好,> 75%周径边缘清晰。整体图像质量通过采用四点Likert量表对主动脉壁可解释性进行评分来评估:1 = 无法诊断,2 = 中等显示,3 = 良好显示,4 = 极佳显示[22]。

血管壁厚度评估

主动脉壁厚度在用于图像质量定性评估的同一轴位层面和工作站上测量。两名审阅者使用A-HIR、A-DLR、D-HIR、D-DLR、DB-HIR和DB-DLR独立测量最大主动脉壁厚度。

定量图像质量分析

所有CT图像均使用开源软件ITK-SNAP(http://www.itksnap.org/pmwiki/pmwiki.php)手动分割,以获得主动脉管腔及内壁和外壁的边界。在管壁增厚最大的层面放置四个感兴趣区,并由一名具有9年经验的放射科医师仔细勾画,涵盖不同结构:管腔、主动脉内壁、主动脉外壁和主动脉周围脂肪。定量参数,包括均值、标准差(SD)、信噪比(SNR)和对比噪声比(CNR),使用Python代码(版本3.6.4)自动计算。血管壁的SNR、壁与管腔之间的CNR(CNRinner)以及壁与主动脉周围脂肪之间的CNR(CNRouter)按如下公式计算:

辐射剂量

获取每位患者的CT剂量指数(CTDIvol)和剂量长度乘积(DLP)。有效辐射剂量(ED)按DLP乘以转换系数0.015(mSv · mGy−1 · cm−1)计算[23]。

统计分析

统计分析使用R软件(版本3.6.1;http://www.R-project.org)进行。定量数据酌情以均值±标准差或中位数和四分位距表示。采用Shapiro–Wilk检验评估数据的正态分布。对于呈正态分布的连续变量,采用单因素方差分析,多重比较采用经Bonferroni校正的成对t检验。对非正态分布数据采用Friedman检验,多重比较采用经Bonferroni校正的Wilcoxon符号秩检验。HIR与DLR的成对比较用于说明重建算法的影响,而DB与其他期相的成对比较用于证明DB技术的价值。统计学显著性设定为p < 0.05。

定性图像分析的观察者间一致性采用kappa系数评估,血管壁厚度测量的观察者间一致性采用组内相关系数(ICC)计算(标准:≤ 0.40,差;0.41–0.60,中等;0.61–0.80,好;> 0.80,极好)。

结果

基线特征与辐射剂量

最终共纳入50例诊断为TAK(n = 48)和GCA(n = 2)的患者,86%为女性,平均年龄为33.5 ± 11.4(范围18–60)岁。

平均BMI为19.6 ± 4.8。CTDIvol为7.79 ± 1.43 mGy,DLP为603.92 ± 118.52 mGy · cm,ED为9.06 ± 1.78 mSv。图1显示了患者纳入流程图。

图1 本研究的流程图 查看原图 ↗

定性图像质量分析

HIR与DLR的比较

对于所有图像质量特征,包括外壁勾画、内壁勾画和整体图像质量,DLR评分在所有三个期相均显著高于HIR(均p < 0.05)。

DB期相与常规CTA期相的比较

关于外壁勾画,DB评分与其他两个期相之间无显著差异(均p > 0.05)。对于内壁勾画,总体趋势为动脉期排名第一,其次是DB,最后是延迟期。对于整体图像质量,DB评分显著高于延迟期评分(均p < 0.001);然而,其与动脉期评分无显著差异(均p > 0.05;DB-DLR vs. A-DLR除外,读者2,p = 0.02)。

观察者间一致性

定性图像质量的观察者间一致性在外壁勾画(kappa = 0.80)、内壁勾画(kappa = 0.80)和整体图像质量(kappa = 0.83)方面为好至极好。

定性图像质量分析的详细结果见表1和图2。图3显示了该患者图像的代表性图像。

表1 定性图像质量比较 查看原表 ↗
图2 堆叠条形图显示定性图像质量评分(4分制) 查看原图 ↗
图3 一名36岁女性患者的图像,诊断为高安动脉炎(TAK),显示主动脉弓最大管壁增厚层面。a 动脉期图像采用混合迭代重建(HIR)(A-HIR),(b) 延迟期图像采用HIR重建(D-HIR),(c) 黑血图像采用HIR重建(DB-HIR),(d) 动脉期图像采用深度学习重建(DLR)(A-DLR),(e) 延迟期图像采用DLR重建(D-DLR),(f) 黑血图像采用DLR重建(DB-DLR)。横向上,黑血图像与传统动脉期和延迟期图像的比较显示,血管壁强化以及内膜动脉明显强化的细节在黑血图像(c、f)中比传统动脉期(a、d)和延迟期图像(b、e)中描绘得更清晰。纵向上,比较DLR(a、b、c)与HLR(d、e、f),DLR表现出高信噪比和整体图像质量。HIR,混合迭代重建;DLR,深度学习重建 查看原图 ↗

定量图像分析

HIR与DLR的比较

如表2所示,与HIR相比,DLR在三个期相中均显著提高了CT值、降低了图像噪声、提高了SNR(除A-HIR vs. A-DLR外,p = 0.70)、提高了CNR外层、提高了CNR内层(均p < 0.001)。

表2 定量图像质量比较 查看原表 ↗

DB与常规CTA期相的对比

与动脉期相比,DB的CT值显著更高、图像噪声更低、SNR更高、CNR外层更高(均p < 0.05)。然而,DB期的CNR内层远低于动脉期(均p < 0.001)。与延迟期相比,DB的CT值显著更高(均p < 0.001)、更高(DB-HIR vs. D-HIR,p < 0.001)、图像噪声相当(DB-DLR vs. D-DLR,p > 0.99)、更高(DB-DLR vs. D-DLR,p < 0.001)、SNR相当(DB-HIR vs. D-HIR,p > 0.99)、基于DLR的CNR外层更高(DB-DLR vs. D-DLR,p = 0.006)且CNR内层更高(DB-DLR vs. D-DLR,p < 0.001)。

血管壁厚度

不同图像数据集的最大管壁厚度范围,阅片者1为3.45 ± 2.10 mm至4.83 ± 2.21 mm,阅片者2为3.79 ± 2.38 mm至4.54 ± 2.34 mm。两位阅片者之间的ICC值在六个序列(A-HIR、A-DLR、D-HIR、D-DLR、DB-HIR和DB-DLR)分别为0.85、0.89、0.89、0.90、0.88和0.92。详细结果见表3。

表3 层厚比较 查看原表 ↗

讨论

本研究表明,DB CTA联合DLR可通过客观评估血管壁炎症来显示LVV。DB CTA技术的图像质量在大多数方面优于动脉期和延迟期,但内壁勾画除外,动脉期在这方面具有特定优势。此外,DB CTA图像的整体图像质量最佳,并且通过将DB与DLR重建相结合实现了进一步改善。

我们提出的DB CTA技术基于一个名为CE-boost的商用后处理应用程序,该程序此前曾被用于改善II型内漏[18]和腹部CTA[24]的可视化。通过使用配准、减影和读取操作,主动脉壁得到进一步强化,与动脉期和延迟期相比,DB的CT衰减值显著增加。同时,主动脉腔内的信号被抑制,以模拟黑血MR图像。我们的方法整合了动脉期和延迟期的信息,与Rotzinger等[16]提出的双能量方案不同,后者应用双物质分解来生成DB图像。这种双能量方法与非对比期相比可改善管腔与管壁的对比度;然而,仅利用了动脉期,无法真实反映对比剂在血管壁中的运输。此外,本研究使用的DB技术是一种纯软件方案,可轻松整合到临床工作流程中,无需专用硬件。

我们的研究强调了DB主动脉CT在评估大血管壁增厚方面相较于传统动脉期和延迟期图像的潜在优势。在动脉期,对比剂主要集中于管腔,血管壁本身的强化不明显,血管壁外缘与周围脂肪之间的边界未能显示。在延迟期,动脉管腔内对比剂浓度降低,血管壁强化,导致血管壁外缘与周围脂肪之间的边界更为明显;然而,血管壁内缘与管腔之间的锐利度下降。DB序列通过抑制管腔信号能够清晰描绘血管壁的外边界和内边界,从而更清晰地突出血管壁结构及异常,如血管壁增厚、动脉瘤和管腔狭窄,进而增强对动脉炎影像诊断的信心[16, 17]。

近期研究[25, 26]表明,与混合迭代重建(HIR)相比,深度学习重建(DLR)可改善主动脉的图像质量。Heinrich等[26]证明,使用DLR后噪声降低38–54%,主动脉的对比噪声比(CNR)加倍。Xu等[25]的一项冠状动脉CTA研究也报道,使用DLR的主动脉成像比其他重建算法具有更低的噪声和更高的信噪比(SNR)及CNR。在本研究中,我们关注的是主动脉壁而非既往研究中的管腔,发现使用DLR后,动脉期外壁的SNR和CNR、内壁的CNR分别增加了8%、11%和21%。延迟期分别为22%、25%和17%,DB期分别为42%、41%和55%。这一发现表明,DLR不仅改善了传统动脉期和延迟期中主动脉壁细节的可视化,还在新提出的DB技术中显示出显著优势。DLR与DB的结合将受益于对主动脉壁细微结构异常的需求[16, 17, 26],本研究推荐将其用于评估大血管血管炎(LVV)患者。

本研究存在若干局限性。第一,单中心设计导致样本量有限,且未对LVV亚型及解剖变异(腹主动脉、胸主动脉和主动脉弓)进行亚组分析。第二,我们未使用MRI验证血管壁厚度,因为在本机构工作流程中MRI的配准时间相对较长且成本较高。未来研究将包括DB CTA与MRI的对比研究。第三,未对对比剂注射速率或延迟时间进行个性化设计,影响了最佳图像质量的获得。第四,DB技术和DLR在低剂量条件下对LVV的成像性能仍需进一步评估。

总之,我们的研究结果与初始假设一致,即整合DB CTA技术与DLR算法可提高主动脉CTA检查的成像质量,尤其是在血管壁炎症的显示和测量方面。研究证实,DB CTA技术在整体及外壁可视化方面优于动脉期和延迟期。尽管与动脉期相比,内壁勾勒的清晰度可能略逊一筹,但DB成像与DLR的联合应用已被证明最为有效,在评估LVV时在提供更优图像质量和血管壁可视化方面优于其他成像序列。

引用

  1. Ding N, Yang XA, Xu M, et al. Large vessel vasculitis evaluation by CTA: impact of deep-learning reconstruction and "dark blood" technique. Insights Imaging. 2024. PMID: 39466556. doi:10.1186/s13244-024-01843-0
  2. 全文:PMC11519252(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11519252/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。