文献速递心血管胸部CT

全自动深度学习冠状动脉钙化评分在心电门控钙化CT与非门控低剂量胸部CT中的性能

Performance of fully automated deep-learning-based coronary artery calcium scoring in ECG-gated calcium CT and non-gated low-dose chest CT.
PubMed 文献 · Eur Radiol · 2025-05-10

该回顾性研究在多厂商数据集(SNUH 652对配对扫描;Stanford公开数据集425例门控与199例非门控CT)中验证全自动深度学习冠状动脉钙化评分(DL-CACS)系统。DL-CACS在门控CT中表现近乎完美,在非门控LDCT中以手动评分为参考时表现优异、以门控CT评分为参考时略低但仍稳健。结论认为DL-CACS可提供可靠自动化解决方案,有望减轻工作负荷并支持心血管风险分层。

要点

  • 门控钙化CT上DL-CACS与参考标准高度一致:SNUH R²=0.995、ICC=0.997、κ=0.97、AUROC=0.99。
  • 非门控LDCT以手动评分为参考时表现优异:Stanford R²=0.988、ICC=0.994、κ=0.96、AUROC 0.98–0.99。
  • 以门控CT评分为参考时非门控LDCT一致性稍低但仍稳健,误分类以下分类为主。

核心结论

  • DL-CACS为CACS提供可靠自动化解决方案,在门控与非门控CT中均保持稳健性能,可能减轻工作负荷。

研究设计与样本

  • 回顾性研究,SNUH数据集652例配对同日门控钙化CT与非门控LDCT,Stanford-COCA公开数据集含425例门控与199例非门控CT。
  • 参考标准:SNUH以门控CT半自动Agatston评分为准;Stanford非门控LDCT同时采用门控CT评分与手动非门控评分双参考。
  • DL-CACS基于2D U-net模型(ClariCardio),并联合DL去噪软件(ClariCT.AI)处理LDCT。

关键影像表现/征象

  • 非门控LDCT误分类主要因部分容积效应导致部分或全部CT信息丢失,分别占91例(67.4%)和23例(17.0%)。
  • 过分类11例中最常见为运动伪影假阳性6例,另有升主动脉钙化、主动脉瓣钙化、二尖瓣环钙化各1例及边缘锐化伪影2例。

诊断标准与关键数值

  • 风险分类阈值:0(极低)、1–99(轻度)、100–299(中度)、≥300(中重度)。
  • 门控CT:SNUH R²=0.995、ICC=0.997、κ=0.97、AUROC=0.99;Stanford R²=0.989、ICC=0.990、κ=0.97、AUROC=0.99。
  • 非门控LDCT以手动非门控评分为参考:Stanford R²=0.988、ICC=0.994(95%CI 0.992–0.995)、分类准确率96.0%、κ=0.96、AUROC 0/100/300阈值分别为0.98/0.99/0.99。
  • 非门控LDCT以门控CT评分为参考:SNUH R²=0.926–0.975、ICC=0.968、κ=0.82–0.94、准确率81.0–93.8%;Stanford R²=0.949、ICC=0.948、κ=0.71、准确率72.4%、AUROC 0/100/300阈值分别为0.89/0.97/0.98。
  • 合并851例非门控数据误分类146例(17.2%),其中135例(92.5%)下分类;中度风险组239例中误分类70例(29.3%),钙化评分为0的187例中仅2例(1.1%)误分类。

临床应用与阅片要点

  • 作者指出DL-CACS可能减轻工作负荷并改善诊断流程,支持心血管风险分层及更广泛临床采用,尤其在无法进行门控CT的场景。
  • SCCT与STR指南将LDCT视觉分级CAC列为I类推荐;2018年ACC/AHA指南对无症状临界或中等10年ASCVD风险者使用CACS管理他汀治疗给出IIa类推荐。
  • 作者指出标准化成像协议并结合AI去噪技术可能有助于减轻非门控CT中的低估与误分类。

局限性

  • 本研究未量化单支冠状动脉的CACS,未来研究可反映各支冠状动脉CACS以发现模型在特定血管的弱点。
  • 原文未对Agatsto(原文此处表述不完整)。
全文中译12 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:Eur Radiol. 2025 May 10;35(11):7084–95. doi: 10.1007/s00330-025-11559-4

引言

冠状动脉钙化(CAC)是冠状动脉粥样硬化的一种成熟的影像生物标志物,可提供冠状动脉内钙化斑块存在及其范围的洞察,进一步增强对未来心血管事件的预测,并结合传统危险因素改善风险分层[1–3]。2018年美国心脏病学会/美国心脏协会指南对使用CACS管理10年动脉粥样硬化性心血管疾病(ASCVD)风险处于临界或中等水平的无症状个体的他汀类药物治疗给出了IIa类推荐[4]。该方法可避免不必要的治疗,确保高危个体接受积极干预,从而降低成本并最大化治疗获益。

CAC作为风险修饰因素的重要意义凸显了低剂量胸部CT(LDCT)扫描检测钙化存在的潜力。根据心血管计算机断层扫描学会和胸部放射学会的指南,LDCT扫描中CAC的视觉分级应作为I类推荐予以记录[5]。尽管LDCT视觉评分方法已证明与Agatston评分具有良好的一致性,但该一致性为中等程度,kappa值为0.66–0.75,风险分类准确率为56–73%,且仍受阅片者间变异性的影响[6, 7]。另一种替代方法——手动定量——可能提供更精确的测量,但耗时较长,并因量子噪声和运动伪影而进一步复杂化[8, 9]。先进的人工智能算法现已能够实现更精确、更高效的定量,为临床医生提供更高的诊断准确性、简化的工作流程和更高的患者诊疗标准[10, 11]。因此,本研究旨在在多厂商数据集上验证和评估基于深度学习的全自动CACS系统在门控钙化CT和非门控LDCT上的性能。

材料与方法

数据集

机构审查委员会批准了本研究,鉴于研究的回顾性性质,免除了知情同意要求(IRB编号2305-084-1431)。为进行DL-CACS模型的临床性能验证,使用了来自两家机构的CAC扫描数据集(图1):来自首尔国立大学医院(SNUH)的652例病例以及斯坦福冠状动脉钙化和胸部CT(Stanford-COCA)数据集,后者包括425例ECG门控钙化CT和199例非门控LDCT病例。在SNUH数据集中,根据手动CAC勾画期间的视觉评估,排除了接受外科血运重建的病例(n = 5)和存在金属支架或导丝伪影的病例(n = 49)。最终数据集包括652名受试者(518名男性,134名女性;平均年龄60.8岁),他们在2022年5月至12月期间使用GE(32%)、Philips(36%)或Siemens(32%)机器在同一天接受了配对的ECG门控钙化CT和非门控LDCT扫描。在Stanford-COCA数据集中,大多数LDCT扫描使用GE(40%)和Siemens(57%)机器采集。对于ECG门控冠状动脉钙化CT扫描,主要使用Siemens机器(99%),GE机器仅占1%。ECG门控钙化CT扫描专门用于CAC评估,而非门控LDCT扫描主要用于肺癌筛查。

图1 研究流程图。该流程图展示了在首尔国立大学医院数据集1–3(SNUH-DS1–3)和斯坦福冠状动脉钙化分析(Stanford-COCA)数据集中接受心电图(ECG)门控钙化CT和非门控低剂量胸部CT的患者数量。 查看原图 ↗

CT成像方案

详细的CT扫描参数列于表1。在SNUH数据集中,除SNUH-DS3外,所有ECG门控钙化CT扫描均使用120 kV、2.5或3 mm层厚和标准重建卷积核。对于SNUH-DS3,西门子设备使用100 kV配合锡滤过器以减少辐射,并使用Sa36f卷积核以减轻kV水平的影响,但该卷积核未应用于非门控LDCT扫描[12]。非门控LDCT重建的层厚范围为1.0至1.25 mm,所有SNUH数据集均使用迭代重建。

在使用Stanford-COCA数据集进行的独立验证中,除1例(100 kV)外,所有ECG门控CT病例均使用120 kV。对于非门控LDCT,分别有166例、28例和5例使用120、100和140 kV。所有ECG门控CT图像的层厚均为3 mm,而非门控LDCT重建的层厚范围为0.7至5.0 mm。非门控LDCT扫描同时使用了标准和锐利卷积核,大多数扫描应用了迭代重建。

表1 CT采集方案和图像重建设置 查看原表 ↗

以CACS定量作为参考

在SNUH数据集中,由一名经验丰富的技术人员在一名具有20年以上经验的放射科医师监督下,使用半自动化软件(Syngovia,Siemens Healthineers)在心电门控钙化CT上半手动计算CACS。钙化区域被定义为CT衰减值超过130亨斯菲尔德单位(HU)且面积大于1 mm²的连续像素。然后根据这些钙化斑块区域的最大衰减值进行加权求和,计算Agatston评分[13]。为保持一致性,钙化评分基于层厚为3.0 mm的ECG门控钙化CT扫描得出的总Agatston评分。在SNUH数据集中,DL-CACS在ECG门控钙化CT和非门控LDCT上的性能分析仅以ECG门控CT的钙化评分作为参考标准。尽管在技术上可行,但由于样本量大(652例)以及薄层厚(1 mm或1.25 mm)生成的图像数量庞大,在非门控CT图像上生成手动钙化评分作为参考是不切实际的。

在使用Stanford-COCA数据集进行的独立验证中,ECG门控钙化CT的CACS作为ECG门控CT的参考标准。对于非门控LDCT,应用了两种参考标准:Stanford-COCA数据集中ECG门控CT提供的钙化评分,以及从非门控LDCT图像手动计算的钙化评分。这种双重参考方法旨在识别由软件性能或不同扫描类型之间固有差异引起的不一致。非门控LDCT图像上的手动CACS由同一名技术人员在一名具有20年以上经验的放射科医师监督下使用CT软件程序(Rapidia 2.8,INFINITT)计算。

为强化参考标准,我们评估了非门控低剂量CT(LDCT)扫描的观察者间和观察者内变异性。对于观察者间变异性,由第二名对初始评分不知情的技术人员独立进行评估。观察者内变异性通过让主要技术人员在间隔1个月后对相同病例重新评分来评估。

基于深度学习的自动冠状动脉钙化评分(DL-CACS)

自动化DL-CACS使用专用软件(ClariCardio,ClariPi Inc.)进行,该软件基于用于心电门控钙化CT的二维U-net模型,同时也兼容非门控LDCT数据(图2)。使用基于深度学习的去噪软件(ClariCT.AI,ClariPi Inc.)将LDCT中的极端噪声降低至与标准辐射剂量CT相当的水平。数据处理在工作站(Intel Core i9-9900,128GB RAM,NVIDIA GeForce RTX 3090)上进行,每名患者的心电门控钙化CT扫描约需15秒,非门控LDCT扫描约需1.5分钟。用于预测未来ASCVD事件的分类型风险分类为:0(极低)、1–99(轻度)、100–299(中度)和≥ 300(中重度)[14]。同时分析了以心电门控钙化评分为参考时,非门控LDCT中错误分类的原因。值得注意的是,本研究所分析的数据集均未用于任何基于深度学习的软件的训练。

图2 全自动深度学习冠状动脉钙化评分(DL-CACS)软件在心电门控钙化CT和非门控低剂量胸部CT上运行的示意图 查看原图 ↗

统计分析

连续变量以均值 ± 标准差表示,分类变量以绝对数和频率表示。相关性使用决定系数(R2)分析。CAC评分一致性使用组内相关系数(ICC)评估:差(< 0.5)、一般(0.5–0.75)、好(0.75–0.90)和优(> 0.90)。CACS的分类一致性使用加权kappa(κ)统计量评估:无(0.00–0.20)、极小(0.21–0.39)、弱(0.40–0.59)、中等(0.60–0.79)、强(0.80–0.90)、几乎完全一致(> 0.90)[15]。分析了DL-CACS分类风险分层的准确性。DL-CACS在分类风险分层中的诊断性能通过准确性和受试者工作特征曲线下面积(AUROC)分析进行评估。对每个临床相关CAC阈值(0、100和300)计算准确性,以表示正确分类的比例。同时计算这些阈值的AUROC,值越接近1表明风险类别之间的区分度越好。AUROC值> 0.9被视为优,0.8–0.9为良,0.7–0.8为一般。统计学显著性定义为p值< 0.05。所有分析均使用SPSS(版本25.0,IBM Corp.)进行。

结果

全自动DL-CACS在心电门控钙化CT中的评估

尽管自动DL-CACS生成的钙化评分略低于参考标准,但R2值表明在心电门控钙化CT数据中具有很强的相关性,在SNUH和Stanford-COCA数据集中均超过0.99(图3)。在这些数据集中,自动DL-CACS与参考标准之间的一致性为优(表2),分类风险一致性(κ)也达到几乎完全一致,在两个数据集中均超过0.95。

DL-CACS在心电门控钙化CT中于SNUH和Stanford-COCA数据集均达到95%以上的分类准确率(表2)。在诊断性能方面,DL-CACS在心电门控钙化CT中对于CAC阈值0、100和300的AUROC值在SNUH和Stanford-COCA数据集中均一致为0.99。这些高AUROC值支持DL-CACS作为在心电门控CT数据中区分心血管风险水平的可靠工具。

在1077例的汇总数据中,35例(3.2%)被错误分类到不同的心血管风险类别,其中大多数(35例中的30例,85.7%)被降级到较低风险类别(图4)。

图3 心电门控钙化CT和非门控低剂量胸部CT(LDCT)中手动冠状动脉钙化评分(CACS)与基于深度学习的冠状动脉钙化评分(DL-CACS)之间的相关系数。a–d的结果基于首尔国立大学医院数据集1–3(SNUH-DS1–3)和Stanford-冠状动脉钙化分析(Stanford-COCA)数据集的心电门控钙化CT扫描,而e–h显示在相同数据集上从非门控LDCT扫描评估的结果 查看原图 ↗
表2 自动化DL-CACS在心电门控钙化CT和非门控低剂量胸部CT扫描中的性能 查看原表 ↗
图4 基于总钙化评分的深度学习冠状动脉钙化评分(DL-CACS)分类风险分层的混淆矩阵。a–f呈现DL-CACS与心电门控钙化CT参考标准比较的混淆矩阵,而g显示DL-CACS与非门控低剂量胸部CT参考标准比较的混淆矩阵。心血管风险类别定义如下:极低(0)、轻度(1–99)、中度(100–299)和中重度(≥ 300)。侧方颜色条代表每个风险类别的频数 查看原图 ↗

以非门控LDCT的手动CACS为参考,评估DL-CACS在非门控LDCT中的表现

以非门控LDCT的手动CACS为参考,Stanford-COCA数据集的R2非常优秀,值为0.988。一致性非常优秀,ICC为0.994(95%置信区间,0.992–0.995)。风险分层的分类准确率为96.0%,加权κ为0.96。

非门控LDCT的ROC分析产生AUROC值:0阈值为0.98,100为0.99,300为0.99,显示使用非门控参考在非门控CT中具有很强的判别能力。没有病例被错误分类到更高风险类别,但有8例(4%)被错误分类到较低风险类别(图4)。

以心电门控钙化CT的手动CACS为参考,评估DL-CACS在非门控LDCT中的表现

对于SNUH数据集,R2值范围为0.926至0.975,Stanford-COCA数据集为0.949,表明DL-CACS与参考标准之间强相关。一致性同样很高,SNUH数据集的ICC为0.968,Stanford-COCA数据集为0.948(图3和表2)。分类一致性非常优秀,SNUH数据集的加权κ值为0.82–0.94,Stanford-COCA数据集为中等一致性,加权κ为0.71。

以心电门控钙化CT的手动CACS为参考,非门控LDCT中DL-CACS分类风险分级的准确率在SNUH数据集中为81.0%至93.8%,在Stanford-COCA数据集中为72.4%(表2)。在SNUH数据集中,非门控LDCT中DL-CACS在CAC阈值0、100和300时的AUROC值分别为0.99、0.98和0.99,而在Stanford-COCA数据集中,这些相同阈值的AUROC值分别为0.89、0.97和0.98,表明在各风险类别中具有良好的判别性能。

在851例的汇总数据中,146例(17.2%)被错误分类到不同的心血管风险类别,其中135例(92.5%)被转移到较低风险类别(表3和图4)。在心血管疾病风险类别中,中等风险范围(100 CAC 300)显示最大的错误率;239名参与者中有70名(29.3%)被错误分类。相比之下,187例钙化评分为零的病例中只有两例(1.1%)被错误分类到相邻类别。

表3 汇总数据中自动DL-CACS用于分类风险分级的诊断性能 查看原表 ↗

非门控LDCT中错误分类的原因

在来自SNUH和Stanford-COCA数据集的非门控LDCT扫描的汇总数据中,以心电门控钙化评分为参考时,共有146例被错误分类(表3)。这包括135例分类过低和11例分类过高的病例。在分类过低的病例中,主要原因是由部分容积效应导致的部分和完全CT信息丢失,分别占91例(67.4%)和23例(17.0%)。此外,由于基于深度学习的模型性能限制导致的检测失败造成21例(15.6%)分类过低病例。在11例分类过高病例中,最常见的原因是由运动伪影导致的假阳性(6例)。其他原因包括升主动脉钙化(1例)、主动脉瓣钙化(1例)、二尖瓣环钙化(1例)以及由于心脏边界边缘锐化导致的幻觉钙化(2例)(图5)。

图5 基于深度学习的冠状动脉钙化评分(DL-CACS)在非门控低剂量胸部CT(LDCT)中的代表性错误。a、b 同一患者右冠状动脉(RCA)中低密度CAC在心电门控钙化CT(黄色箭头)和非门控LDCT(红色箭头)之间的信息丢失。c、d 同一患者两种不同CT协议之间中高密度CAC的运动伪影(箭头)。e 升主动脉钙化(AAC)在左主干冠状动脉处被错误分类为CAC(箭头)。f 主动脉瓣钙化(AVC)被错误归类为CAC(箭头)。g 二尖瓣环钙化(MAC)在左回旋冠状动脉处被错误分类为CAC(箭头)。h 边缘锐化伪影被错误分类为CAC(箭头)。图中,颜色叠加代表各冠状动脉中的CAC分布,蓝色为左主干,绿色为左前降支,黄色为左回旋支,品红色为右冠状动脉(RCA),天蓝色为非冠状动脉心脏钙化 查看原图 ↗

手动参考标准的观察者间和观察者内变异性分析

观察者间和观察者内变异性分析表明,非门控低剂量CT(LDCT)扫描中CACS具有极好的一致性。对于观察者间变异性,ICC为0.996,表明独立观察者之间具有高度一致性。观察者内一致性同样很强,ICC值为0.998,反映主要技师随时间推移的评分一致性。

讨论

主要发现如下。(a) 应用于心电门控钙化CT的自动化DL-CACS模型在公共验证数据集(Stanford-COCA)中表现出近乎完美的性能(ICC:0.990,分类准确率:96.7%,κ:0.97),对于CAC阈值0、100和300的AUROC值均为0.99。(b) 当以非门控LDCT的手动钙化评分为参考时,DL-CACS模型在公共验证数据集中表现出优异性能,ICC为0.994,分类准确率为96.0%,κ值为0.96,对于相同阈值的AUROC值分别为0.98、0.99和0.99。(c) 当以心电门控钙化CT的手动钙化评分为参考时,DL-CACS模型在公共验证数据集中对非门控LDCT表现出良好性能(ICC:0.948,分类准确率:72.4%,κ:0.71),对于阈值0、100和300的AUROC值分别为0.89、0.97和0.98。

人工智能的最新进展加速了LDCT扫描自动化钙化评分方法的研究,为劳动密集的手动评分过程提供了高效替代方案[7]。尽管取得了这些进展,相对较少的研究探讨了自动化CACS在跨多个厂商平台的非门控LDCT扫描中的性能,所报道的κ值通常在0.64至0.7之间,分类准确率从64%到82%[16–21]。值得注意的是,这些研究主要依赖非门控LDCT的手动CACS作为参考,而非心电门控钙化CT,突显了本研究中全自动化DL-CACS的良好性能。Lessmann等[20]开发了一种在LDCT中检测冠状动脉和主动脉钙化的自动化方法,促进了肺癌筛查中可靠的心血管风险评估。Zeleznik等[16]在包含5521名参与者的心电门控钙化CT和非门控LDCT联合队列数据集中评估了DL-CACS,获得κ值为0.7,分类准确率为78%。在一项纳入263名患者的单中心研究中,Assen等[19]验证了DL软件,获得κ值为0.74,分类准确率为82%。Suh等[18]使用多机构数据集评估了LDCT中自动化DL-CACS的分类风险,κ值为0.70。

虽然既往研究采用基于深度学习(DL)的方法自动提取钙化积分,但他们评估的是未结合先进降噪技术的低剂量CT(LDCT)扫描[16–21]。相比之下,本研究在应用深度学习钙化积分(DL-CACS)之前,整合了一种基于人工智能(AI)的自动降噪方法,以自适应降低LDCT扫描中的量子噪声。本研究使用的DL-CACS模型还引入了独特功能,基于作为先验知识的冠状动脉钙化(CAC)分布概率图,仅在可能包含冠状动脉钙化的解剖相关区域(例如心脏内)计算CACS。此外,为减少假阳性,DL-CACS模型在训练时将非冠状动脉钙化归为单独类别。这种针对性方法旨在提高真实临床环境中CAC预测的准确性。

当以心电门控CT钙化积分作为参考标准时,所研究的DL-CACS模型性能下降。具体而言,应用于汇总的非门控LDCT数据(n = 851)时,风险分层的分类准确率降至82.8%,导致17.2%的误分类率。这一下降可能源于心电门控与非门控CT协议之间的固有差异,而非DL-CACS模型本身的局限性。很少有研究直接将LDCT自动钙化积分与心电门控CT参考进行比较。值得注意的是,Pieszko等[17]在一项507例LDCT扫描的研究中观察到κ值为0.68,分类准确率为64%。Dobrolinska等[7]分析了572例疑似冠状动脉疾病患者,这些患者接受了LDCT及PET心肌灌注成像,得出κ值为0.58,分类准确率为48%。心电门控钙化CT与非门控LDCT扫描所测CACS之间的这种中等一致性可能给临床应用带来显著挑战[22]。尽管存在这些挑战,LDCT扫描所得的CACS对于识别主要不良心脏事件或死亡风险较高的患者仍具有价值[23–27]。

在非门控低剂量CT(LDCT)中观察到的钙化评分较低估,与心电门控钙化CT相比,这一结果与既往研究一致[28–30]。CACS差异的潜在原因包括CT成像方案的差异、非门控低剂量扫描的固有因素以及DL-CACS模型的性能局限性。首先,关于CT成像方案,使用厚层切片、较低管电压以及准直滤过器引起的X射线能量分布变化均可影响CACS差异[31, 32]。例如,与切片厚度为1 mm的SNUH数据集相比,切片厚度较厚为5 mm的Stanford-COCA数据集在非门控LDCT中显示出较低的DL-CACS一致性(表1、表2)。此外,西门子采用锡滤过器的低管电压会改变X射线能量分布。用于心电门控钙化CT以补偿kV水平效应的Sa36f卷积核未用于本研究的非门控LDCT病例,导致CAC评分一致性较低[33]。其次,非门控扫描中的心脏运动可导致假阳性和假阴性。高强度CAC信息(例如> 400 HU)可能被错误复制,从而虚增钙化评分。相反,低强度CAC信息(例如< 150 HU)可能被遗漏,导致总体钙化评分偏低。微小CAC(1 < CAC < 10)常未被检出,26例中出现34.6%的丢失误差。第三,LDCT扫描中量子噪声增加会导致CAC假阳性,受较薄切片厚度、较锐利卷积核和辐射剂量降低等因素影响。例如,采用1 mm切片厚度、锐利卷积核和降低剂量扫描的西门子数据集显示出CAC评分估计不足。最后,DL-CACS模型的性能因模糊CT图像中CAC病变分割不足以及非冠状动脉所见(例如肋骨或主动脉钙化)的误分类导致假阳性而下降。心血管系统中的金属植入物可加剧假阳性。尽管非门控LDCT中CACS可能存在低估和误分类,但其预后价值已在大规模肺癌筛查研究中得到广泛认可[6, 23, 27]。标准化成像方案并结合基于人工智能的降噪技术可能有助于减轻这些局限性,确保在非门控CT环境中进行更准确的心血管风险分层。

本研究存在局限性。首先,我们未对各冠状动脉的CACS进行定量。未来研究可受益于反映每条冠状动脉的CACS,以发现DL-CACS模型在特定冠状动脉中的任何弱点。其次,我们未针对不同X射线管电压调整Agatston阈值。例如,即使推荐针对低管电压调整HU值[34],我们仍将Agatston阈值维持在130 HU,即便对于低管电压CT扫描也是如此。第三,我们未排除二尖瓣环钙化。尽管相对少见,但使用DL-CACS模型时它偶尔被误分类为左回旋支冠状动脉钙化。最后,影响心脏附近量子噪声的体重指数未纳入CACS流程。在体型较大和肥胖个体中已观察到噪声水平升高[35]。应用基于体重指数的自适应图像去噪可提高DL-CACS对LDCT扫描的分类准确性。

DL-CACS是一种可靠且自动化的CACS解决方案,在心电门控和非门控CT模式下均表现出强劲性能。它减少了对人工评分的依赖,可能提高工作流程效率并支持心血管风险分层。其在非门控低剂量CT中的成功应用,尤其是在无法获得心电门控CT的情况下,凸显了其更广泛临床应用的潜力。

引用

  1. Kim S, Park EA, Ahn C, et al. Performance of fully automated deep-learning-based coronary artery calcium scoring in ECG-gated calcium CT and non-gated low-dose chest CT. Eur Radiol. 2025. PMID: 40348882. doi:10.1007/s00330-025-11559-4
  2. 全文:PMC12559098(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12559098/

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。