使用深度学习进行基于冠脉CTA的钙化积分

研究亮点

基于虚拟平扫（VNC）重建和深度学习（DL）建立的算法，可以省去CT血管造影（CTA）前的平扫，直接进行冠状动脉钙化（CAC）积分，与基于CT平扫的Agatston钙化评分一致性高，同时降低了辐射剂量。

研究背景

CAC评分是一种有效的冠状动脉疾病风险分层工具，目前应用最广泛的是基于CT平扫的Agatston钙化评分。而CTA是评估冠状动脉解剖和功能信息的一种常见的无创方式。传统CAC评分需在CTA前进行一次平扫获得，但会给患者带来额外的辐射。光谱CT利用了X射线光子衰减的能量依赖性，可在增强扫描中通过图像重建生成VNC扫描图，无需额外的平扫。

研究目的

基于VNC扫描建立一种DL算法来自动量化CTA的CAC分数，并在非光谱CT的冠脉CTA扫描上进行测试。

研究方法

单中心回顾性研究，在 2019 年 3 月至 2020 年 7 月收集的 292 名患者和 73 名患者的训练和验证集上开发一种DL方法，用于从单次CTA扫描（碘普罗胺 370, 4–5 mL/秒）中自动量化CAC评分。之后，该方法在2020 年 8 月至 2020 年 11 月通过三个不同 CT 扫描仪收集的 240 个CTA 扫描的独立测试集上进行验证。使用 Pearson 相关系数、r²，以及 Bland-Altman 图评估其与Agatston评分的关系，并使用基于 Agatston 评分的加权 κ 评估心血管风险分类性能。

研究结果

  基于DL的CAC评分与CT平扫获得的Agaston CAC评分之间的相关性非常好 ( r² = 0.92, P < 0.001)。

图1. 散点图显示DL CAC评分和独立测试集的CT平扫Agatston CAC评分。绿色的点代表风险分类的一致，红色的点代表风险分类存在分歧。

图 2. Bland-Altman图显示了测试集中CT平扫Agatston CAC评分和DL CAC评分。

  DL和CT平扫CAC之间的风险分类一致性非常好（加权 κ = 0.94），240 名患者中有 223 名 （93%）被正确分类。

  在CT扫描仪（P = 0.15）、性别（P = 0.051）和扫描层厚（P = 0.67）方面，所提出的DL方法与测试集中CT平扫CAC评分的差异不具有显著性。

研究结论

研究建立的DL自动钙化评分方法可准确地量化CTA中的CAC，并对风险进行分类。

引文

Mu, Dan et al. “Calcium Scoring at Coronary CT Angiography Using Deep Learning.” Radiology, 211483. 23 Nov. 2021, doi:10.1148/radiol.2021211483 (IF: 11.105)

编译：RAD-MSL Team

-仅供与医疗卫生专业人士学术沟通使用

MA-M_ULT-CN-0127-1