文献速递心血管CT

深度学习图像重建对冠状动脉钙化定量的影响

Impact of deep learning image reconstructions (DLIR) on coronary artery calcium quantification.
PubMed 文献 · Eur Radiol · 2022-12-08

该研究连续纳入100例疑似冠心病患者,比较滤波反投影(FBP)与低、中、高三种强度深度学习图像重建(DLIR)对图像质量和冠状动脉钙化(CAC)定量的影响。结果显示DLIR随强度增加显著降低噪声、提高SNR和CNR,但Agatston评分和钙化体积被系统性低估, mass评分无显著差异,CAC-DRS风险分类误判率达8%。

要点

  • DLIR高 strength 使Agatston评分中位下降3.7%,可导致CAC-DRS风险类别误判(8%)。
  • DLIR mass评分与FBP无显著差异(p=0.232),或可作为替代定量指标。
  • 日常阅片若使用DLIR重建的钙化扫描,报告Agatston评分时需警惕低估风险。

核心结论

  • DLIR虽改善图像质量(降低噪声、提高SNR和CNR),但系统性低估Agatston CAC评分和钙化体积,用于心血管风险评估时应谨慎。

研究设计与样本

  • 单中心前瞻性连续纳入100例临床转诊行CCTA的疑似冠心病患者,采用256层CT(Revolution CT,GE Healthcare)行前瞻性ECG触发非增强钙化扫描,比较FBP与低、中、高三种强度DLIR重建。

关键影像表现/征象

  • DLIR强度递增显著降低图像噪声(p<0.001)、提高SNR和CNR(p<0.001),高 strength 噪声中位下降59%、SNR中位升高148%、CNR中位升高141%。
  • DLIR强度递增显著降低Agatston评分和钙化体积(p<0.001),高 strength Agatston评分中位下降3.7%、体积中位下降9.1%,mass评分无显著变化(p=0.232)。
  • Bland-Altman分析显示DLIR强度越高,Agatston评分和钙化体积低估越明显,一致性界限越宽。

诊断标准与关键数值

  • CAC-DRS风险分类:Agatston 0为CAC-DRS 1(极低危),1–99为CAC-DRS 2(轻度升高),100–299为CAC-DRS 3(中度升高),≥300为CAC-DRS 4(中重度升高)。
  • 与FBP相比,DLIR_L、DLIR_M、DLIR_H的CAC-DRS误分类率分别为4%、5%、8%,主要为CAC-DRS 1降为CAC-DRS 0。

临床应用与阅片要点

  • 使用DLIR重建的钙化扫描测量Agatston评分时,应意识到其可能系统性低估,尤其高 strength 时,可能将CAC-DRS 1患者误判为0。
  • 若临床依赖Agatston评分进行风险分层,建议参考FBP重建或结合mass评分(DLIR对其无显著影响)。

局限性

  • 单中心研究,仅使用单一平台(GE Healthcare)的DLIR技术,结果不可推广至其他厂商的人工智能重建算法。
  • 研究人群为临床转诊行CCTA的疑似冠心病患者,并非通常用于心血管风险分层的无症状人群。
全文中译10 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. 2022 Dec 8;33(6):3832–8. doi: 10.1007/s00330-022-09287-0

引言

冠状动脉钙化(CAC)是公认的动脉粥样硬化斑块负荷的替代标志物[1]。因此,越来越多的证据表明CAC对无症状患者硬临床终点的增量预后价值[2, 3]。此外,近期报道表明CAC的定量分析可能有助于识别从他汀类药物治疗中获益的无症状患者[4]。因此,当前心血管疾病一级预防指南已将CAC列为中等心血管疾病风险患者的风险修饰因素[5–7],从而强调了对CAC进行准确和精确测量的需求。

多项技术参数,如图像重建算法、计算机断层扫描(CT)扫描仪类型和分析软件,已被证明会影响CAC测量[8, 9]。基于卷积神经网络的深度学习图像重建(DLIR)近年来被引入作为冠状动脉CT血管造影(CCTA)中滤波反投影(FBP)和迭代重建(IR)算法的替代方案[10, 11]。尽管对于CAC成像不鼓励偏离标准FBP重建设置[12],但初步结果表明DLIR的实施与更优的图像质量相关[10],同时保持与FBP图像相似的纹理[13]。由于关于DLIR对CAC定量影响的数据仍然稀少[14],本研究旨在通过使用非增强心电图(ECG)触发的心脏CT,评估DLIR与标准FBP相比对图像质量和CAC定量的影响。

材料与方法

人群

2019年5月至2019年11月,连续纳入100例临床转诊行CCTA的可疑冠状动脉疾病患者。排除标准包括既往经皮冠状动脉介入治疗或冠状动脉旁路移植术血运重建史、机械人工瓣膜、起搏器或植入式心律转复除颤器。本研究经当地伦理委员会批准(BASEC编号2020-00675),所有纳入患者均签署书面知情同意书同意将其数据用于科学研究。

CT采集与重建

扫描在256层CT扫描仪(Revolution CT,GE Healthcare)上进行。由于CAC评分的非增强CT扫描作为CCTA检查的一部分获得,心率≥65次/分的患者在扫描前接受最多30 mg美托洛尔静脉注射。CAC扫描在一个心动周期内采集,采用前瞻性ECG触发,触发点设置在R-R间期的75%。扫描参数如下:120 kVp,200 mA,256 × 0.625 mm准直,z轴覆盖范围12–16 cm [15]。

CAC成像的图像重建与分析

CAC图像采用标准FBP及三个强度等级的DLIR(低强度(DLIR_L)、中强度(DLIR_M)和高强度(DLIR_H))进行重建,层厚及层间距均为2.5 mm。显示视野设为25 cm。对每个数据集测量噪声、信噪比(SNR)和对比噪声比(CNR)。噪声定义为在左主干开口水平的主动脉根部放置直径为20 mm的圆形感兴趣区(ROI)(对应面积314 mm²)所测平均衰减值的标准差(SD)。SNR的计算方法为:将在左主干开口水平的主动脉根部放置直径20 mm圆形ROI所得的平均衰减值除以其SD。最后,CNR的计算方法为:左前降支近段钙化灶与相邻血管周围脂肪组织之间的平均衰减值差值(两者均取自直径为2 mm的圆形ROI,对应面积3.14 mm²)除以主动脉根部平均衰减值的SD。CNR仅在左前降支冠状动脉中至少存在一个面积超过ROI面积的钙化灶的患者中进行评估。

CAC衍生参数(Agatston评分、质量和体积)使用市售半自动软件(SmartScore 4.0,GE Healthcare)按既往描述的方法计算[9]。根据冠状动脉钙化数据与报告系统(CAC-DRS)分类将患者分为4个风险类别:Agatston评分0(CAC-DRS 1,极低风险)、Agatston评分1–99(CAC-DRS 2,轻度升高风险)、Agatston评分100–299(CAC-DRS 3,中度升高风险)和Agatston评分≥ 300(CAC-DRS 4,中至重度升高风险)[16]。

统计分析

统计分析使用STATA(17.0,StataCorp LLC)和R(版本4.1.1,https://www.r-project.org)进行。连续变量酌情以均值 ± SD或中位数(四分位距)表示,而分类变量以频数和相应百分比报告。采用Friedman检验确定DLIR对图像质量和CAC衍生参数的影响。若存在显著差异,则进行组间Wilcoxon符号秩事后检验。应用Bonferroni校正进行多重比较。在FBP数据集上检测到任何程度CAC的患者中,使用以下公式计算每种强度DLIR与FBP数据集之间各CAC衍生参数的差异率:(DLIR数据集CAC衍生参数 − FBP数据集CAC衍生参数)* 100 / FBP数据集CAC衍生参数。还使用Bland-Altman分析以图形方式评估FBP与递增强度DLIR之间CAC衍生参数的差异。所有统计分析均为双侧检验,p < 0.05被认为具有统计学意义。

结果

人群

最终人群包括73名男性(73%)和27名女性(27%),平均 ± SD年龄为59 ± 11岁,体重指数为26 ± 4.8 kg/m²。患者特征列于表1。

表1 人口学特征 查看原表 ↗

图像质量

CAC扫描期间的平均心率为60 ± 7.5次/分。如图1所示,增加DLIR强度与图像噪声显著且进行性降低(p < 0.001)以及SNR和CNR均显著且进行性升高(p < 0.001)相关。与FBP相比,DLIR_L、DLIR_M和DLIR_H分别与噪声中位降低−26%(−29至−23%)、−39%(−41至−34%)和−59%(−60至−57%)相关。相应地,DLIR_L、DLIR_M和DLIR_H的SNR中位升高分别为36%(29至42%)、63%(54至71%)和148%(133至157%)。CNR也观察到类似趋势,DLIR_L升高37%(31至42%),DLIR_M升高63%(52至72%),DLIR_H升高141%(124至149%)。CAC评分扫描的CT剂量指数-容积(CTDIvol)和剂量长度乘积(DLP)中位值分别为2.41(2.38–2.43)mGy和38(38–39)mGy*cm。

图1 不同强度DLIR对图像质量的影响。箱线图表示FBP及递增强度DLIR的噪声、SNR和CNR的中位数和四分位距值。增加DLIR强度与图像噪声显著且进行性降低以及SNR和CNR均显著且进行性升高相关。****表示p < 0.001。缩写:CNR,对比噪声比;DLIR,深度学习图像重建;FBP,滤波反投影;H,高;L,低;M,中;SNR,信噪比 查看原图 ↗

CAC衍生参数

使用递增水平的DLIR与Agatston CAC评分显著降低相关,其中DLIR_H与最大降低幅度相关(p < 0.001)。与FBP相比,DLIR_L、DLIR_M和DLIR_H的Agatston评分中位降低分别为−0.77%(−2.9至0.00%)、−2.0%(−4.7至0.00%)和−3.7%(−12至−1.9%)。同样,体积评分随DLIR水平升高而进行性降低(p < 0.001)。具体而言,DLIR_L使体积评分降低−3.7%(−10至0.00%),DLIR_M降低−4.3%(−19至0.00%),DLIR_H降低−9.1%(−20至−2.3%)。质量评分在FBP与任何强度DLIR之间无显著差异(p = 0.232)。由FBP和递增强度DLIR计算得到的CAC衍生参数报告于表2。Bland-Altman结果见图2,显示与FBP相比,随着DLIR强度增加,Agatston CAC评分和CAC体积的低估程度增加,且一致性界限更宽。

与FBP相比,DLIR_L的误分类患者数为4例(4%)(n = 4,从CAC-DRS 1至CAC-DRS 0),DLIR_M为5例(5%)(n = 4,从CAC-DRS 1至CAC-DRS 0;n = 1,从CAC-DRS 2至CAC-DRS 1),DLIR_H为8例(8%)(n = 6,从CAC-DRS 1至CAC-DRS 0;n = 1,从CAC-DRS 2至CAC-DRS 1;n = 1,从CAC-DRS 3至CAC-DRS 2)。三种强度DLIR与FBP相比对CAC-DRS类别的重新分类呈现于表3和图3。

表2 递增强度DLIR对CAC衍生变量的影响 查看原表 ↗
图2 Bland-Altman分析结果。A 箱线图展示Agatston冠状动脉钙化(CAC)评分、CAC质量和CAC体积的中位数及四分位距。B 偏倚(平均差值:FBP - DLIR)和C 与FBP相比,在不同强度DLIR下计算的CAC衍生参数的Bland-Altman分析得出的一致性界限。DLIR强度增加导致对Agatston CAC评分和CAC体积的低估程度增加,同时一致性界限变宽。缩写:CAC,冠状动脉钙化;DLIR,深度学习图像重建;FBP,滤波反投影;H,高;L,低;M,中 查看原图 ↗
表3 递增DLIR水平对根据CAC-DRS风险分类的影响 查看原表 ↗
图3 FBP与三种不同强度DLIR之间CAC-DRS重分类的差异。A 柱状图显示被分类至各风险类别的患者频率。随着DLIR强度的增加,重分类至较低风险类别(从CAC-DRS 1至CAC-DRS 0)的比率略有增加。B 使用FBP和递增水平DLIR重建的代表性CT图像,附左主干冠状动脉-左前降支冠状动脉的相应放大图。所有密度>130 HU的像素由半自动图像处理软件自动检测并以绿色标记。左前降支冠状动脉近段的一处点状钙化(Agatston CAC = 1)(浅绿色圆圈)仅在FBP数据集上被自动检测到。缩写:CAC-DRS,冠状动脉钙化数据与报告系统;DLIR,深度学习图像重建;FBP,滤波反投影;H,高;HU,亨斯菲尔德单位;L,低;M,中 查看原图 ↗

讨论

本研究的主要发现如下:(1)与标准FBP相比,DLIR的应用显著降低了图像噪声,从而改善了整体图像质量;(2)Agatston CAC评分随着DLIR强度的增加而逐渐降低,导致高达6%的患者错误地出现负CAC评分。

过去几年中,得益于技术发展,迭代重建(IR)算法被引入心脏CT图像重建作为FBP的替代方案,旨在改善图像质量,从而提高诊断准确性。多项研究报道了不同厂商的IR对CAC评分定量的影响。研究表明,使用正弦图确认迭代重建和最高水平的先进模型迭代重建(ADMIRE)时,Agatston CAC评分分别降低高达48%和39% [17, 18]。与这些发现一致,Gebhard等证明随着自适应统计迭代重建(ASIR)强度的增加,Agatston CAC评分的降低逐渐增加至22% [9]。总体而言,这种对CAC Agatston评分的不准确估计阻碍了IR在CAC成像中的应用。

最近,一种DLIR算法被提出以克服与IR相关的局限性。因此,与Wang等人[14]的结果相似,在我们的人群中实施DLIR与IR算法相比导致Agatston CAC评分的降低幅度更小。这可能是由于DLIR所采用的深度学习网络使用FBP数据集进行训练,以生成具有相似纹理的图像,从而在不影响解剖和病理结构的情况下抑制噪声[13]。然而,增加DLIR强度与患者被错误分类为CAC评分为零的比率增加相关。这可能具有临床后果,因为据报道,CAC评分极低(CAC 1–10)的个体与CAC评分为0的个体相比,发生心血管事件的风险增加3倍[19]。因此,检测到任何CAC可用于触发积极的预防性治疗,尤其是在40岁以下的年轻成人中[20]。

需要承认若干局限性。首先,这是一项使用单一平台进行CT图像重建的单中心研究。因此,我们的结果不能推广到其他厂商开发的人工智能技术。其次,用于我们分析的人群不能反映通常被转诊进行心血管风险分层的人群。然而,我们研究的目的是评估DLIR对CAC评分量化的影响,而非对患者预后的影响。

结论

尽管实施DLIR主要通过降低噪声来改善图像质量,但它系统性地低估Agatston CAC评分。因此,DLIR应谨慎用于评估无症状患者的心血管风险,因为它可能对患者管理策略产生负面影响。需要随访数据来评估DLIR在临床常规中的影响。

引用

  1. Rossi, Gennari, Etter, et al. Impact of deep learning image reconstructions (DLIR) on coronary artery calcium quantification. Eur Radiol. 2022. PMID: 36480026. doi:10.1007/s00330-022-09287-0
  2. 全文:PMC10181951(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10181951/

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。