光子计数探测器冠状动脉CTA虚拟平扫评估心外膜脂肪组织
本研究回顾性纳入42例临床行冠状动脉CTA及真实平扫的患者,基于光子计数探测器CT的CCTA数据重建常规虚拟平扫(VNCConv)和新型保钙虚拟平扫(VNCPC),以真实平扫为参考评估心外膜脂肪组织(EAT)体积和CT值。结果显示VNCPC与真实平扫相关性最佳(R²=0.99),体积平均差异仅-3%,CT值分布最接近真实平扫,可替代真实平扫以减少辐射剂量。
要点
- VNCPC重建的EAT体积与真实平扫高度一致(R²=0.99,平均差异-3%)。
- 不同VNC算法对EAT体积和CT值测量有显著影响,VNCPC优于VNCConv。
- 用VNCPC替代真实平扫可降低约13%的辐射剂量(占CTDIvol和DLP比例)。
关键影像表现/征象
- EAT分割阈值下限-190 HU、上限-30 HU,VNCPC系列EAT体积与真实平扫平均差异-5.7 mL(-3%),VNCConv为-26.9 mL(-12%),CTA-30为-29.1 mL(-13%),CTA0为+14.8 mL(+10%)。
- EAT平均CT值:真实平扫-81.1±5.8 HU,VNCConv -75.4±4.4 HU,VNCPC -79.1±5.9 HU,CTA-30 -83.1±8.3 HU。
- 图像噪声(CT值标准差):真实平扫32.5±2.0 HU,VNCConv 31.0±4.4 HU,VNCPC 30.3±2.4 HU,CTA-30 32.3±3.6 HU。
- 直方图欧氏距离:TNC-VNCConv为0.029±0.013,TNC-VNCPC为0.016±0.007,TNC-CTA-30为0.017±0.008,VNCPC和CTA-30显著小于VNCConv(p<0.05)。
诊断标准与关键数值
- EAT分割采用CT值阈值-190至-30 HU,所有系列(真实平扫、VNCConv、VNCPC、CTA-30)均使用此范围。
- CTA系列额外采用上限0 HU(CTA0)分割以评估体积高估情况。
- EAT体积与真实平扫的线性回归R²均>0.9,VNCPC达R²=0.99。
临床应用与阅片要点
- 日常阅片可利用VNCPC重建从CCTA数据直接测量EAT体积和CT值,无需额外真实平扫,减少辐射。
- 注意VNCConv会系统性低估EAT体积约12%,CTA-30低估约13%,CTA0高估约10%,报告时需认清重建算法。
- VNCPC的EAT CT值较真实平扫偏高约2.3%,解读CT值相关炎症指标时需考虑此偏差。
局限性
- 回顾性单中心研究,样本量较小(42例),需多中心大样本验证。
- 仅评估了当前CT系统可用的两种VNC算法,未来算法改进可能进一步提高准确性。
- 未充分优化VNC或CCTA系列的上限阈值,可能影响测量一致性。
全文中译9 节 · 点击展开
引言
心外膜脂肪组织(EAT)是位于心肌表面与心包脏层之间的内脏脂肪[1]。其范围和密度与多种心血管和代谢疾病的发生及严重程度直接相关,如冠状动脉疾病、心肌梗死、心房颤动或肥胖相关胰岛素抵抗[2–8]。
EAT体积已被证明是获取EAT量最准确的指标,优于厚度或面积[7]。超声心动图、心脏磁共振成像(CMR)和心脏计算机断层扫描(CT)可无创评估EAT量[9, 10]。然而,超声心动图仅能提供EAT厚度,而CMR耗时且临床常规中可及性有限[11]。CT已广泛用于各类心脏检查,并可在心电门控(ECG)触发的真非增强(TNC)序列上提供高度可重复、快速的EAT体积测量[1]。此外,不仅EAT范围,EAT体积内的CT衰减值也被发现与局部和全身炎症标志物相关[12–14]。EAT体积测定基于CT值阈值,下阈值和上阈值分别从−250至−190 HU和−50至−30 HU不等。通过提高上阈值,EAT体积也可在冠状动脉CT血管造影(CCTA)序列上近似估算[15]。研究表明,在CCTA序列上将上阈值从−30调整至0 HU,与TNC值相比可提供更准确的EAT体积[16, 17]。
近年来,具有固有频谱信息的光子计数探测器CT(PCD-CT)系统引入临床常规扫描后,现可常规在数据采集后执行多种后处理步骤,包括从对比增强CT扫描中去除碘[18–21]。目前有两种算法可用于生成VNC序列,即常规算法(VNCConv)和PureCalcium算法(VNCPC),二者均基于水和碘的基本物质区分。VNCPC算法额外预先进行碘和钙的分解,专门设计用于在最终图像中获得完整的钙对比。由于尚无VNC算法专门针对脂肪分解,脂肪组织被部分归因于所有基底物质,其衰减值预计与TNC略有不同[22]。新型VNCPC算法在CCTA扫描EAT定量中的性能尚未被研究。
因此,在本研究中,我们旨在分析源自PCD-CCTA数据集的VNC重建在EAT评估中的表现,并与参考TNC和CCTA序列进行比较。
材料与方法
研究人群
这项回顾性单中心研究的方案经机构审查委员会批准(慕尼黑大学,项目编号22-0456),并豁免书面知情同意。纳入2022年1月至2022年4月期间在新型光子计数探测器CT(NAEOTOM Alpha,Siemens Healthineers)上因临床指征接受心电门控心脏CT扫描的连续患者。纳入标准为:(1)年龄>18岁;(2)具有用于钙化评分的增强前TNC序列和对比增强CCTA序列;(3)可获得用于图像重建的原始CT数据。
数据采集
所有患者均接受了平扫以进行钙化评分,随后在120 kV和144 × 0.4 mm准直下接受CCTA。通过将图像质量水平分别设为TNC的19和CTA的60来调整参考管电流时间乘积。对于CTA,采用了团注跟踪的三期对比剂注射方案。第一期注射60 mL非离子型碘对比剂(碘普罗胺300 mgI/mL,Ultravist,拜耳),随后注射30 mL对比剂与30 mL生理盐水混合的50%稀释液及25 mL生理盐水冲管。三期流速均为5 mL/s。通过在降主动脉放置感兴趣区进行团注跟踪,当强化达到150 HU后8 s启动扫描。如无临床禁忌,扫描前5 min舌下含服硝酸甘油0.4 mg,心率超过70 bpm的患者静脉给予美托洛尔5 mg。
图像重建
所有重建均在专用研究工作station(ReconCT,版本15.0.58331.0,Siemens Healthineers)上进行。对所有患者,基于平扫原始数据重建TNC序列,基于CTA重建常规序列、VNCConv序列和VNCPC序列,均在70 keV虚拟单能级水平下进行。所有重建均使用定量卷积核Qr36,量子迭代重建算法强度等级为3,层厚/间隔为3.0/1.5 mm。VNC图像序列的区别在于碘去除算法。两种方案均进行水和碘的物质分解,但VNCPC算法事先采取了一些额外步骤以在最终图像中保留完整的钙化对比度。Emrich等近期在[21]中对VNCPC算法进行了详细描述。
图像分析
图像分析在专用工作站(syngo.via版本VB70A_CUT;Siemens Healthineers,使用CT心脏风险评估应用程序)上进行。对每位患者的每个序列,测量半自动分割的心包脂肪组织内的脂肪体积(mL)和衰减值直方图(HU)。所有序列的下阈值设为−190 HU,上阈值设为−30 HU [23–25]。为评估CTA序列在−190至−30 HU阈值范围下(CTA-30)EAT体积可能被低估的情况,额外进行了上阈值调整为0 HU(CTA0)的测量[16, 17]。图1示例性展示了分割结果、其体积及相应直方图的比较。直方图分析仅纳入阈值范围相同的序列,因此出于序列间可比性以及CTA0与CTA-30之间相似性的考虑,CTA0被排除。图像噪声定义为各序列整个分割EAT体积内CT值的标准差(SD)。
统计分析
统计分析使用 python(3.9.7 版)进行。使用 Shapiro-Wilk 检验检验正态分布。配对 t 检验和 Wilcoxon 符号秩检验分别用于评估参数数据和非参数数据的差异。在多重比较中,p 值使用 Bonferroni 方法校正。二分类数据以频率(比例)表示,连续数据根据参数或非参数数据分别以均值 ± 标准差或中位数伴四分位距(IQR)表示。决定系数 R2 用于评估线性回归预测近似 TNC 测量的准确性,并作为相关性度量。欧几里得距离用于直方图的定量比较,其计算如下:其中 q 和 p 是 bin 大小为 1 HU 的等大小直方图,n 是 bin 的总数(−190 至 −30 HU = 161 个 bin),i 是特定 CT 值处的相应 bin。p 值 < 0.05 被认为表示统计学显著差异。
结果
患者基线特征
初步纳入 66 例患者。其中,24 例因以下原因必须排除:缺失平扫序列(n = 12);缺失 CCTA 序列(n = 10);缺失原始数据(n = 2)。最终研究队列包括 42 例患者(平均年龄 72 ± 10 岁,20 例女性)。在平扫序列中,剂量长度乘积(DLP)和容积 CT 剂量指数(CTDIvol)分别为 34.3(27.3–50.2)mGy∙cm 和 1.7(1.3–2.7)mGy。在 CCTA 中,DLP 和 CTDIvol 分别为 262.5(95.4–503.5)mGy∙cm 和 15.3(5.3–33.5)mGy。平扫的剂量比例对应于所有三期总 DLP 和 CTDIvol 的 12.9(7.6–28.6)% 和 13.1(6.5–31.6)%。表 1 总结了基线研究特征。
EAT 体积
在 TNC 序列上测得 EAT 体积中位数为 195.6(122.6–268.4)mL。除 CTA0 测量平均差异为 +14.8 mL(对应于 TNC 体积的 +10%)外,与 TNC 相比,体积均被显著低估(表 2 和图 2)。VNCConv 和 CTA-30 的平均差异分别为 −26.9 mL 和 −29.1 mL,对应于 TNC 体积的 −12% 和 −13%。与 TNC 序列上测量的体积相比,平均差异和标准差差异最小的最准确测量见于 VNCPC 序列,平均差异为 −5.7 mL,对应于与 TNC 体积的平均偏差为 −3%(图 3)。CTA-30 和 VNCConv 的 EAT 体积彼此无显著差异(p 值 = 0.2)。
在线性回归分析中,所有重建序列的 EAT 体积均显示与 TNC 序列中的参考标准呈强正相关(所有 R2 > 0.9)。在 VNCPC 序列上测量的 EAT 体积观察到近乎完美的预测准确性(R2 = 0.99)(图 4)。
EAT 衰减
EAT 分割内的平均衰减对于 TNC、VNCConv、VNCPC 和 CTA-30 分别为 −81.1 ± 5.8 HU、−75.4 ± 4.4 HU、−79.1 ± 5.9 HU 和 −83.1 ± 8.3 HU。与 TNC 相比,CT 值在 VNC 序列上显著更高(VNCConv 和 VNCPC 分别为 +6.6% 和 +2.3%),在 CTA-30 序列上更低(−2.1%)。噪声水平对于 TNC、VNCConv、VNCPC 和 CTA-30 分别为 32.5 ± 2.0 HU、31.0 ± 4.4 HU、30.3 ± 2.4 HU 和 32.3 ± 3.6 HU。仅在 VNCPC 与 TNC 和 CTA-30 上测量的噪声之间存在显著差异(表 3)(图 5)。
图6A显示分割的心外膜脂肪组织(EAT)体积内的衰减值,按体素计数总数进行划分并在所有患者中取平均值。以欧几里得距离表示的各直方图差异在TNC与VNCConv之间最大(0.029 ± 0.013)(图6B)。TNC-VNCPC和TNC-CTA-30两种距离均显著较小(分别为0.016 ± 0.007和0.017 ± 0.008,TNC-VNCPC和TNC-CTA-30的p值均< .05)(表4)。
讨论
本回顾性研究评估了用源自PCD-CCTA数据集的VNC重建替代TNC序列来量化EAT体积及其CT值的潜力。本研究的主要发现如下:(1)与参考TNC相比,源自PCD-CT CCTA数据集的VNC序列能够实现一致的EAT体积测量;(2)以TNC作为金标准,与VNCConv、CTA-30或CTA0相比,VNCPC在EAT体积方面显示出更优且更一致的结果;(3)与TNC相比,在VNC和CTA序列上测量的EAT衰减值分布存在显著差异,但VNCPC观察到最佳一致性。
心外膜脂肪组织因与多种病理相关而受到关注。已有报道EAT体积与心房颤动、冠状动脉疾病和睡眠呼吸暂停综合征的相关性,以及其预测临床冠状动脉结局的能力[2–8, 11]。CT可提供快速、可靠且高度可重复的EAT无创评估。通常,心脏CT已包含多个序列,其中用于钙化评分的平扫期被用于量化EAT [1, 11]。CT采集中的辐射暴露是不可忽视的缺点。为将辐射剂量降至必要的最低限度,有多种方法,其中之一是用基于冠状动脉CT血管造影的虚拟平扫重建替代平扫期。随着本身为每次扫描提供光谱信息的PCD-CT系统的引入,VNC序列可从每次增强扫描中常规重建[26]。研究表明VNC重建适用于多种应用,如急性出血的诊断[27]、冠状动脉钙化定量[21, 28]或血管内动脉瘤修复术后患者[29]。
我们的结果表明,传统和新型VNC重建的EAT体积测量均与金标准TNC具有极好的相关性,但也存在系统性低估。然而,对于VNCPC,与TNC的差异小至可忽略(−3%)。应开展进一步研究以探讨这如何通过应用特定体积阈值影响个体风险分层。这种低估可归因于为生成VNC图像而进行的水和碘的材料区分。由于脂肪组织部分被分割到两种基物质中,水图像上的CT值相较TNC系统性偏高[22]。这一效应尤其可见于VNCConv直方图的正向偏移。尽管如此,许多研究表明VNC图像在绝大多数被检查组织中能很好地模拟TNC。Sauter等人在从双层探测器CT系统获得的VNC图像上测量主动脉、肝脏、肾皮质、肌肉、液体以及脂肪的ROI,发现绝对差异小于10 HU [30]。对于光子计数探测器CT系统,也发现了类似结果,VNC与TNC具有高度的定量和定性一致性[19, 31]。尽管Choi等人在VNC上观察到脂肪肝密度被低估,但他们未发现与TNC之间存在显著的诊断差异[32]。总体而言,我们的研究结果表明VNC算法之间的差异对EAT体积和衰减具有可测量的影响,其中VNCPC序列的评估明显更优。
关于从CTA获得的EAT体积,正如预期,-30 HU的上限阈值导致与TNC相比出现低估。Xu等发现,对CTA测量采用-3 HU的调整上限阈值,可获得与TNC统计学等效的EAT体积[17]。在本研究中,我们测试了CTA的0 HU上限阈值(依据Marwan等[16]),未能重现TNC上的EAT体积,而是对其高估。一种可设想的解释是,不同的对比剂注射方案导致非增强扫描与增强扫描之间的CT值区间不同。这些区间需要逐一分析并相应调整阈值。
使用VNC或CTA进行EAT体积测量均追求同一目标:避免平扫期,从而减少辐射剂量、采集时间和成本。在我们的研究中,TNC平均占联合TNC和CCTA检查CTDIvol和DLP的13%,据此使用CTA或VNC方法可能实现约该百分比的辐射剂量降低。能谱CTA数据的处理为以最小工作量实现全面诊断提供了可能。其在许多应用中的固有巨大潜力,例如用于减少伪影的单能成像、用于钙化评分的VNC序列、用于狭窄分析的纯管腔或用于测量碘浓度的碘图,仅举几例,已在多项研究中得到大部分评估[28, 33, 34]。本研究表明,源自PCD-CCTA数据集的VNCPC重建可可靠地用作TNC的替代来量化EAT体积。总之,应最大限度地利用从PCD-CT扫描获得的固有能谱信息,以优化每项检查,使每位患者获得尽可能最佳的诊断性能。
当然,本研究有其局限性:第一,本研究为回顾性、单中心开展。其发现必须由更大规模的多中心研究证实。第二,仅评估了目前我们的CT扫描仪上可用的两种VNC算法,未来对算法的调整(例如通过实现水和脂肪的区分)可能带来更准确的结果。第三,用于在VNC或CCTA序列上量化EAT体积的上限阈值调整可能性未被充分利用,可能产生更一致的测量结果。
总之,源自PCD-CCTA数据集的新型VNCPC序列可用于评估EAT,结果与参考TNC一致,仅有极小偏差,且优于传统VNC或CCTA序列。使用VNCPC替代TNC可能显著降低每位患者所受的辐射剂量。
引用
- Risch, Schwarz, Braun, et al. Assessment of epicardial adipose tissue on virtual non-contrast images derived from photon-counting detector coronary CTA datasets. Eur Radiol. 2022. PMID: 36462042. doi:10.1007/s00330-022-09257-6
- 全文:PMC10017616(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10017616/
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。