超低剂量冠状动脉CTA新突破：深度学习重建技术降低辐射60%
超低剂量冠状动脉CTA新突破：深度学习重建技术降低辐射60%
冠状动脉CT血管造影（CCTA）是评估冠心病的重要影像学手段，但其辐射剂量问题一直备受关注。最近发表在《European Radiology》上的一项研究，探讨了一种新型超分辨率深度学习重建（SR-DLR）技术在CCTA中的应用效果。研究发现，该技术不仅能够显著降低辐射剂量，还能保持高质量的图像，为临床诊断提供可靠依据。
冠状动脉CT血管造影（CCTA）是一种可靠的成像手段，能以无创方式评估阻塞性冠状动脉疾病（CAD），并对斑块进行量化与定性分析。这得益于其较高的诊断准确性与广泛的可用性。此外，基于CCTA的狭窄和斑块分析，能够为治疗决策提供指导，还与患者预后相关。
鉴于CCTA在临床实践中应用广泛，潜在辐射风险成为主要顾虑。因此，各种降低辐射剂量的策略应运而生。不过，降低剂量会导致图像噪声增加、质量下降，而这对于CCTA图像的后续处理与解读至关重要。
对此，人们越发关注如何借助先进的重建技术，在降低辐射负担的同时维持足够的图像质量。迭代重建（IR）算法相比传统的滤波反投影（FBP）算法，图像噪声更低、质量更好。近年来，深度学习重建（DLR）算法，即把深度卷积神经网络（DCNNs）融入图像重建过程，应用越来越多。传统DLR（C-DLR）算法通过一对高、低噪声图像进行训练，在图像降噪方面比IR算法更高效。此前研究已证实，IR和C-DLR算法能在低辐射暴露条件下保证足够的图像质量。
最近，一种新型超分辨率DLR（SR-DLR）算法被引入，该算法利用超高分辨率（UHR）CT数据作为训练目标。以往研究表明，与传统重建技术相比，SR-DLR具有降噪效果，能提升空间分辨率，使边缘更锐利。然而，SR-DLR能否有效降低辐射剂量仍不明确。
最近，发表在European Radiology上的一篇文章探究了超分辨率深度学习重建（SR-DLR）在冠状动脉CT血管造影（CCTA）中降低辐射暴露的能力，并评估了其对图像质量、冠状动脉斑块量化与定性分析以及狭窄严重程度分析的影响。
本研究纳入了50例患者，这些患者先后接受了低剂量（LD）及超低剂量（ULD）的CCTA扫描。LD-CCTA图像采用混合迭代重建（HIR），ULD-CCTA图像分别采用HIR和SR-DLR重建。对比客观参数和主观评分。将冠状动脉斑块分为坏死、纤维或钙化成分这三类，记录其绝对体积（立方毫米），并以钙化成分百分比进一步描述。评估四条主要冠状动脉是否存在狭窄。此外，以侵入性冠状动脉造影为参照，对9例患者的48个冠状动脉节段是否存在显著狭窄进行评估。
从LD-CCTA扫描到ULD-CCTA扫描，有效剂量降低了60%（分别为2.01±0.84毫西弗与0.80±0.34毫西弗，p<0.001）。在图像质量方面，ULD-SR-DLR不劣于甚至优于LD-HIR，且在斑块体积、定性分析以及狭窄分析上，ULD-SR-DLR与LD-HIR具有高度一致性（组内相关系数ICC>0.8）。此外，没有证据表明LD-HIR与ULD-SR-DLR在检测显著冠状动脉狭窄方面存在差异（曲线下面积AUC：0.90 vs. 0.89；p=1.0）。
表 CCTA检测显著冠状动脉狭窄的诊断准确性
研究表明，SR-DLR可在CCTA中显著降低辐射剂量，同时确保图像高质量，并在冠状动脉斑块和狭窄分析中表现出色。