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
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。
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
联系客服