基于非增强心电门控CT的全自动冠状动脉钙化积分分析框架:总体与血管特异性定量
本研究为回顾性单中心研究,开发多视图形状约束深度学习框架,在232例非增强心电门控CT上自动检测和定量冠状动脉钙化。测试集46例中,自动与手动计算的Agatston积分、钙化体积积分、钙化质量积分在总体和血管特异性水平均无显著差异,钙化血管数量识别准确,CAC-DRS分类一致性高,单例3D CT计算时间约1.5秒。
要点
- 自动与手动CACS在总体和血管水平无显著差异,Agatston积分自动535.3 vs 手动542.0(P=0.993)。
- 自动框架可准确识别钙化血管数量,总体自动107 vs 手动102(P=0.125)。
- 左主干和右冠状动脉因毗邻主动脉根部,存在将主动脉窦钙化误判为血管钙化的过估。
核心结论
- 所提出的全自动框架可对CACS实现可靠且全面的定量,包括总体和血管特异性水平的钙化范围和分布指标。
研究设计与样本
- 回顾性单中心诊断研究,共纳入232例非增强心电门控CT扫描,其中186例用于训练、46例用于独立测试。
- 使用第二代128层双源CT(SOMATOM Definition Flash,Siemens Healthcare)行标准前瞻性心电门控扫描,层厚3 mm、层间距3 mm重建。
- 以两名放射科医师(分别7年和10年心血管CT经验)手动勾画并经共识确认的钙化标签为参考标准,阈值130 HU。
关键影像表现/征象
- 自动分割与手动勾画的钙化掩模高度一致,示例病例F1分数左主干0.965、左前降支0.969、左回旋支0.958、右冠状动脉0.972。
- Bland-Altman分析显示自动与手动结果在总体和血管水平一致性良好,每个图中最多2例(4.3%,2/46)位于95%一致性界限之外。
- Agatston积分总体水平95%一致性界限为-62.4至69。
- 1例左主干和2例右冠状动脉因主动脉窦钙化紧贴血管而出现钙化过估。
诊断标准与关键数值
- Agatston积分总体:自动535.3 vs 手动542.0(P=0.993);左主干自动32.9 vs 手动32.4(P=0.986);左前降支自动318.7 vs 手动326.4(P=0.989);左回旋支自动51.6 vs 手动51.4(P=0.966);右冠状动脉自动127.4 vs 手动131.8(P=0.983)。
- 钙化体积积分总体:自动454.2 vs 手动460.6(P=0.990);钙化质量积分总体:自动128.9 vs 手动129.5(P=0.992)。
- 钙化血管数量总体:自动107 vs 手动102(P=0.125);左主干自动15 vs 手动14(P=1.000);左前降支自动37 vs 手动37(P=1.000);左回旋支自动22 vs 手动20(P=0.625);右冠状动脉自动33 vs 手动31(P=0.500)。
- CAC-DRS分类:A0自动8 vs 手动9;A1自动5 vs 手动6;A2自动8 vs 手动7;A3自动14 vs 手动14(P=0.317);N0自动8 vs 手动9;N1自动5 vs 手动6;N2自动8 vs 手动7;N3自动14 vs 手动14;N4自动11 vs 手动10(P=0.102)。
- ICC一致性:总体Agatston积分0.988、体积积分0.985、质量积分0.987、钙化血管数量0.997(P均为0.998);血管水平最低ICC位于左回旋支。
临床应用与阅片要点
- 根据CAC-DRS推荐,应报告总体和血管特异性CACS以及钙化血管数量以描述钙化分布。
- 自动框架可在约1.5秒内完成单例3D CT的CACS计算,训练时间约33小时(186例数据)。
- 阅片时需注意主动脉根部和瓣环钙化可能被误判为冠状动脉钙化,尤其影响左主干和右冠状动脉的准确测量。
局限性
- 本研究算法仅设计和验证用于CACS评估,未考虑非冠状动脉心脏钙化和主动脉钙化,未来需开发更全面模型。
- 冠状动脉起源异常患者未纳入本研究,因需要包含不同类型起源异常的大量训练数据。
- 测试数据集患者年龄显著大于训练数据集(训练55.7±13.2岁 vs 测试61.9±9.9岁,P=0.003)。
- 本研究为单中心研究,数据来自单台CT机器,需进一步多中心多扫描仪研究验证。
全文中译24 节 · 点击展开
引言
冠状动脉钙化(CAC)评分(CACS)是日常临床常规中广泛用于描述冠状动脉粥样硬化程度的定量指标。在过去的几十年中,CACS已被证明是预测特定患者队列中主要不良心血管事件(MACE)和死亡的独立危险因素。因此,CACS已被整合到多个临床应用指南和专家共识中[[1], [2], [3], [4], [5], [6]]。近期,为了规范临床流程,新的CAC数据与报告系统(CAC-DRS)已发布[7]。根据CAC-DRS,钙化范围和分布应根据CT扫描方案使用Agatston评分或通过视觉评估方法进行报告。
Agatston评分是评估钙化范围的广泛使用和推荐的指标[7]。除Agatston评分外,还有一些其他CAC特征,如CAC体积、密度和质量可用于描述钙化范围。然而,这些CAC特征的预后价值仍存在争议[8,9]。
在近期研究中,CAC的分布已被报道可独立预测冠心病(CHD)、心血管疾病(CVD)和全因死亡,并且已被用于为改善风险分层提供附加价值,而非仅使用Agatston评分[[10], [11], [12]]。在CAC-DRS中,建议还应报告血管特异性CACS和钙化血管数量以描述CAC的分布[7]。
已有不同研究发表了自动CACS评估方法,以解决这一重复、繁琐且耗时的手工操作[[13], [14], [15], [16], [17], [18], [19], [20], [21], [22]]。使用这些方法可以从非增强CT数据自动报告患者、血管或病变水平的CACS结果。然而,由于靠近冠状动脉开口的主动脉钙化和左主干或左前降支近段钙化的误分类,出现了假阳性和假阴性结果[23]。目前,仅有有限的前期研究探讨了左主干动脉CACS的自动计算,左主干钙化可被视为无症状成人心血管和全因死亡的独立危险因素[24]。此外,CAC-DRS推荐的指示钙化分布的钙化血管数量在前期研究中尚未被探讨。
根据CAC-DRS的推荐,我们提出了一种用于CACS评估的全自动框架,包括全面的钙化范围和分布评估,为改善风险判别和分类提供准确的信息和指标。
材料与方法
本回顾性研究经我院机构审查委员会批准,符合当地伦理程序。
研究参与者
总共,我们回顾性检索了连续入组的506例疑似冠心病(CHD)患者的非对比门控心脏CT扫描用于冠状动脉钙化评分(CACS)评估(扫描时间为2018年10月至2019年3月)。在本研究中,78例患者因图像质量不佳被排除,例如因心律失常(n = 21)、金属植入物(n = 39)和屏气不佳(n = 18)。此外,冠状动脉起源异常(n = 9)和冠状动脉钙化缺失(n = 187)的病例也被排除。最终,纳入232例非对比门控心脏CT扫描,其中80%(n = 186)用于训练,20%(n = 46)用于独立测试(图1)。
成像方案
CT扫描使用第二代128层双源计算机断层扫描系统(SOMATOM Definition Flash,Siemens Healthcare,Forchheim,Germany)进行。所有扫描均采用标准前瞻性门控心脏方案[25]以头尾方向进行。曝光区间根据心率(HR)选择:HR ≥ 70次/分的患者选择30–40% RR间期,HR < 70次/分的患者选择70–80% RR间期。采集范围覆盖隆突下1 cm至心尖。扫描参数定义如下:层准直2 × 64 × 0.6 mm,视野220 × 220 mm,机架旋转时间280 ms,管电压120 kV,管电流根据患者体型调整。CT图像采用传统滤波反投影算法(B26f Medium Smooth ASA)在轴位、矢状位和冠状位上重建,层厚3 mm,间隔3 mm。
放射科医师判读
冠状动脉钙化检测与勾画
一名放射科医师(N.Z.,具有七年心血管CT图像经验)在CT图像轴位上手动进行冠状动脉钙化勾画,并参考矢状位和冠状位的补充信息,使用130Hu作为阈值识别钙化[26]。所有手动分割结果由另一名专家放射科医师(L.X.,具有十年心血管CT图像经验)审核。在意见不一致的情况下,以两名放射科医师的共识作为冠状动脉钙化真实标签。
CACS评估
CACS,包括Agatston评分(AS)、钙体积评分(VS)和钙质量评分(MS),基于冠状动脉钙化手动掩膜估算,由Matlab根据临床钙化评分标准[27]获得。CACS结果分别在总体和血管特异性水平记录,即左主干动脉(LM)、左前降支动脉(LAD)、左回旋支动脉(LCX)和右冠状动脉(RCA)。
CAC-DRS分类
在患者水平,根据CAC-DRS推荐[7],CACS根据总AS结果记录为4个等级:CAC-DRS A0(AS = 0)、CAC-DRS A1(AS 1–99)、CAC-DRS A2(AS 100–299)、CAC-DRS A3(AS > 300)。每例患者的钙化血管数量记录为N0–N4。
深度学习模型
所提出的多视图形状约束(MVSC)框架利用多视图学习来模拟报告临床医生对CAC的常规检查流程,该流程侧重于3D CT扫描的轴位平面信息,同时也从冠状位和矢状位视图收集辅助信息。然后,将分割模型和回归模型相结合,以解缠多视图特征进行全面的钙化分析。通过分割模型获得钙化掩膜。并通过回归模型分别在总水平和血管特异性水平估计CACS,包括AS、VS、MS。我们的MVSC概览如图2所示。MVSC框架的详细信息见补充材料。
统计分析
统计分析使用SPSS 23.0(SPSS,Inc.,Chicago,IL)进行。对于人口统计学信息,分别使用独立t检验和Mann-Whitney U检验比较两组连续变量和二分类变量的差异。对于测试数据集,分别在总水平和血管特异性水平使用配对t检验比较自动获得与手动获得的CACS结果(包括AS、VS和MS)之间的差异。此外,分别在总水平和血管特异性水平使用McNemar检验比较自动计算与手动计算的钙化血管数量的差异。以手动评估结果作为金标准,使用组内相关系数(ICC)和Bland-Altman分析评估我们的全自动框架的可靠性。在患者水平,使用配对Wilcoxon符号秩检验比较自动计算与手动计算的CAC-DRS分类的差异。此外,双侧P < 0.05被认为具有统计学意义。
结果
研究人群特征
根据性别、年龄、体重、身高、BMI和其他冠状动脉危险因素,选择接受非对比心脏门控CT扫描的冠状动脉疾病风险患者作为训练和测试参与者。除年龄外(训练数据集:55.7 ± 13.2 vs. 测试数据集:61.9 ± 9.9,P = 0.003),训练和测试数据集中患者的人群特征未发现显著差异。(表1)
CACS测试
与金标准相比,我们的全自动框架能够在总水平和血管特异性水平上从非对比心脏门控CT扫描中准确估计CACS(图3)。
在总水平或血管特异性水平上,自动获得与手动获得的结果之间,CACS的定量(包括AS、VS和MS)无显著差异(表2)。对于AS评估,测试组在总水平自动测量的结果为535.3,与金标准几乎相等(与手动获得的结果相比:542.0,P = 0.993)。在血管特异性水平上,AS的自动结果也接近金标准(LM:自动32.9 vs. 手动32.4,P = 0.986;LAD:自动318.7 vs. 手动326.4,P = 0.989;LCX:自动51.6 vs. 手动51.4,P = 0.966;RCA:自动127.4 vs. 手动131.8,P = 0.983)。
钙化血管数量的测试
如表3所示,与人工定义的金标准相比,使用我们的自动框架能够准确识别钙化血管的数量(总体:自动107 vs. 人工102,P = 0.125;LM:自动15 vs. 人工14,P = 1.000;LAD:自动37 vs. 人工37,P = 1.000;LCX:自动22 vs. 人工20,P = 0.625;RCA:自动33 vs. 人工31,P = 0.500)。
一致性分析
在总体水平上,我们在自动与人工结果之间获得了CACS量化和钙化血管数量评估的一致高ICC值(AS:0.988,P = 0.998;VS:0.985,P = 0.998;MS:0.987,P = 0.998;钙化血管数量:0.997,P = 0.998)。在血管特异性水平上,我们同样在自动与人工结果之间获得了CACS评估的一致高ICC值,最低ICC出现在LCX(表4)。图4通过Bland-Altman分析显示,在总体和血管特异性水平上,AS、VS和MS的自动与人工结果之间均具有良好的—致性。如图4所示,CACS越大,估计值与金标准之间的偏倚越大。我们的MSVC采用MAE作为回归模型的损失函数,该函数对离群值相对不敏感。
因此,模型在小CACS上获得了较高的准确度,但在大CACS上准确度较低。在每个Bland-Altman图中,最多有两个样本(4.3%,2/46)位于95%一致性界限(95% LoA)之外。总体水平上AS评估的95% LoA为-62.4∼69,这在临床实践中通过使用数百AS量表的CAC-DRS分类是可以接受的。
CAC-DRS分类
我们根据CAC-DRS推荐对估计的患者进行了分层。如表5所示,A0中有一名患者被错误分类为A1(P = 0.317)。在患者水平上,自动与人工结果之间在钙化血管数量分类上不存在统计学差异(N0:自动8 vs. 人工9;N1:自动5 vs. 人工6;N2:自动8 vs. 人工7;N3:自动14 vs. 人工14;N4:自动11 vs. 人工10,P = 0.102)。
计算时间
我们的深度学习方法使用全部186个数据集进行训练的时间约为33小时。在测试阶段,一次3D CT扫描的计算时间约为1.5秒。
讨论
在我们的研究中,我们开发并验证了一个新的自动框架,用于在平扫心电门控CT扫描上于总体和血管特异性水平进行全面的CACS量化与分析。手动参考标准与使用我们的自动方法获得的结果之间实现了极好的一致性。借助所提出的基于深度学习的创新算法,CAC可以被准确、高效地自动识别和量化(例如,每次三维CT扫描约1.5秒)。
准确检测CAC是一项困难的任务,因为主动脉根部和瓣环处的钙化会导致假阳性。此外,左主干动脉处的CAC可能被误分类为主动脉钙化,从而导致假阴性[23]。由于LM与RCA同主动脉根部之间的相邻关系,这种误分类会降低LM和RCA处CACS测量的准确性。在本研究中,我们提出了一个MVSC框架,将血管分割模型与钙化分割模型相结合,以更好地检测和量化CAC。以手动结果作为标准,LM和RCA的自动CACS结果准确,无明显的高估或低估(LM:AS:32.9(自动)对32.4(手动),P = 0.986;RCA:AS:127.4(自动)对131.8(手动),P = 0.983)。此外,钙化血管的数量被自动准确评估(LM:15(自动)对14(手动),P = 1.000;RCA:33(自动)对31(手动),P = 0.500)。由于主动脉窦内存在与血管紧密相连的钙化,1条LM血管和2条RCA血管的钙化被高估。
左主干冠状动脉处的CACS与无症状成人心血管死亡和全因死亡风险增加20–30 %独立相关[24]。既往研究还表明,与回旋支动脉、右冠状动脉和左前降支动脉相比,左主干冠状动脉处的Agatston评分与无症状成人死亡相对风险升高相关[27]。此外,在血管特异性水平的所有CACS中,经传统临床危险因素校正后,左主干冠状动脉和左前降支动脉处的CACS与死亡率存在显著关联[28]。然而,使用传统Agatston评分时,左主干冠状动脉的CACS可能与远端血管和节段的CACS权重相同[7]。因此,CAC-DRS建议在总体和血管特异性两个水平报告CACS。在本研究中,所提出的MVSC框架可以自动、准确地量化总体和血管特异性水平的CACS,尤其是对左主干冠状动脉处CACS的评估。使用我们的MVSC框架,我们可以设想改善无症状患者的风险分层和个体化药物治疗。
除左主干冠状动脉的CAC外,还应评估CAC的分布信息,例如钙化血管数量、斑块数量以及近端动脉存在的CACS,以提供潜在指标用于更好的风险区分和重新分类,这在既往研究中尚未开展[24]。在本研究中,使用我们提出的自动框架,在总水平和特定血管水平上,钙化血管数量与手动获得的结果相比均未发现显著差异。因此,所提出的框架不仅能够准确评估CACS,还能按照CAC-DRS的建议[7]估计钙化血管数量。
采用心血管计算机断层扫描学会提出的18节段模型定义冠状动脉节段[21]。节段水平的CACS结果可用于提供分布信息,这在既往研究中未被探讨。在本研究中,我们基于深度学习的方法可用于在LM节段上准确评估CACS。期待进一步开展关于钙化分布的研究,尤其是在节段水平。
本研究存在局限性。首先,其他心脏和非心脏发现,包括非冠状动脉心脏钙化和主动脉钙化,也应根据CAC-DRS报告[7]。主动脉根部和瓣环的钙化也可能影响CACS定量。在本研究中,我们的深度学习算法仅针对CACS评估进行设计和验证。在未来的研究中,应开发更全面的模型以考虑非冠状动脉心脏钙化和主动脉钙化。其次,冠状动脉起源异常患者未被纳入本研究。冠状动脉起源异常在临床实践中是不常见的冠状动脉先天性畸形。冠状动脉的准确分割对于冠状动脉起源异常患者的CACS评估至关重要,这需要包含不同类型冠状动脉起源异常的大量训练数据。第三,测试数据集中的患者明显比训练数据集中的患者年龄更大。当前研究已在相同类型的数据(包括有钙化和无钙化的血管)上评估了钙化测量的准确性。因此,年龄差异的影响可以得到减轻。最后,我们当前的研究是一项单中心研究,使用的是来自单台CT机器的数据。应开展进一步的多中心和多扫描仪研究以验证所提出的自动框架。
总之,所提出的用于CACS评估的全自动框架,包括全面的钙化范围和分布评估,可以提供准确的信息和指标,以改善心血管风险区分和重新分类。
保证人
本出版物的科学保证人为Lei Xu。
统计学和生物统计学
本文不需要复杂的统计方法。
知情同意
仅当研究涉及人类受试者时:
机构审查委员会豁免了书面知情同意。
伦理批准
已获得机构审查委员会批准。
研究对象或队列重叠
既往未报告过任何研究对象或队列。
方法学
•回顾性
诊断性研究
在单一机构进行
CRediT作者贡献声明
Nan Zhang:验证、形式分析、调查、写作——原稿、写作——审阅与编辑、可视化。Guang Yang:写作——审阅与编辑。Weiwei Zhang:软件。Wenjing Wang:形式分析、资源。Zhen Zhou:形式分析、资源。Heye Zhang:软件。Lei Xu:概念化、监督、项目管理、资金获取。Yundai Chen:概念化、资源、监督、项目管理、资金获取。
利益冲突声明
本手稿作者声明与任何公司均无关系,其产品或服务可能与文章主题相关。
引用
- Zhang N, Yang G, Zhang W, et al. Fully automatic framework for comprehensive coronary artery calcium scores analysis on non-contrast cardiac-gated CT scan: Total and vessel-specific quantifications. Eur J Radiol. 2020. PMID: 33302029. doi:10.1016/j.ejrad.2020.109420
- 全文:PMC7814341(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7814341/
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。