高分辨率深度学习重建以提高CT分流储备的准确性
Nobuo Tomizawa1, Ruiheng Fan2, Shinichiro Fujimoto3
1Department of Radiology, Juntendo University Graduate School of Medicine, Tokyo, Japan. tomizawa-tky@umin.ac.jp.
European radiology
|May 22, 2025
概括
高分辨率深度学习重建 (HR-DLR) 与基于模型的代重建 (MBIR) 相比,显著提高CT衍生的分流储备 (CT-FFR) 的诊断性能,用于检测功能显著的冠状动脉狭窄. 这一进步提高了图像质量和临床实用性.
科学领域:
- 心血管成像 - 心血管成像
- 放射学 放射学是一门学科.
- 医学诊断 医学诊断 医学诊断
背景情况:
- 冠状动脉疾病的诊断依赖于评估冠状动脉狭窄的重要性.
- 通过CT衍生的分流储备 (CT-FFR) 提供了一种非侵入性方法来评估狭窄.
- 图像重建技术影响CT-FFR的准确性,需要进行性能比较.
研究的目的:
- 通过基于模型的代重建 (MBIR) 和高分辨率的深度学习重建 (HR-DLR) 图像来比较CT-FFR的诊断性能.
- 确定每个重建方法检测功能显著冠状动脉狭窄的能力,使用侵入性FFR作为黄金标准.
主要方法:
- 79名接受冠状动脉CT血管造影和侵入性FFR的患者的回顾性分析.
- 使用无网状模拟计算的CT-FFR;功能显著狭窄被定义为FFR ≤ 0.80.
- 接收器操作特征 (ROC) 曲线分析比较了MBIR和HR-DLR图像之间的CT-FFR性能.
主要成果:
- 与MBIR图像相比,HR-DLR图像显示的噪声水平明显较低 (14.4 ± 1.7 与 23.5 ± 3.1 相比,p < 0.001).
- HR-DLR (0.88) 的ROC曲线下的面积明显高于MBIR (0.76) (p = 0.003).
- 功能性显著狭窄的诊断准确性高于HR-DLR (88%) 与MBIR (70%) (p < 0.001) 相比.
结论:
- 高分辨率深度学习重建 (HR-DLR) 可以显著提高图像质量.
- HR-DLR增强CT-FFR的诊断性能,用于识别功能显著的冠状动脉狭窄.
- 预计HR-DLR将进一步提高CT-FFR在狭窄症评估中的临床实用性.
