冠状动脉计算机断层扫描带有超分辨率深度学习重建的微分流量储备的图像质量和诊断性能
Li-Miao Zou1, Cheng Xu1, Min Xu2
1Department of Radiology, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Quantitative imaging in medicine and surgery
|September 2, 2025
概括
超分辨率深度学习重建 (SR-DLR) 显著提高了冠状动脉计算机断层扫描 (CCTA) 图像质量,并提高了CT衍生的分流储备 (CT-FFR) 评估的准确性,特别是在具有挑战性的情况下.
科学领域:
- 心血管成像
- 医学图像重建
- 医学的人工智能
背景情况:
- 冠状动脉计算机断层扫描 (CCTA) 的质量对于准确的分流储量 (CT-FFR) 评估至关重要.
- 传统的重建方法面临着严重化斑块和支架植入的挑战.
- 超分辨率深度学习重建 (SR-DLR) 为改善CCTA图像质量提供了一个潜在的解决方案.
研究的目的:
- 与传统方法相比,使用SR-DLR评估CCTA图像质量.
- 通过不同的重建算法来评估CT-FFR的诊断性能.
- 在具有挑战性的冠状动脉情景中确定SR-DLR的有效性.
主要方法:
- 对接受CCTA的50名患者进行了回顾性分析.
- 使用混合代重建 (HIR),基于模型的代重建 (MBIR),常规深度学习重建 (C-DLR) 和SR-DLR的图像重建.
- 对22名患者 (45种病变) 的客观参数,主观评分和CT-FFR诊断性能进行比较.
主要成果:
- SR-DLR显示出优异的图像质量,包括较低的噪音,更高的SNR和更好的边缘清晰度 (P<0.05).
- 对于SR-DLR,主观图像质量得分显著更高 (P< 0. 001).
- 与HIR,MBIR和C-DLR相比,SR-DLR显著提高了CT-FFR的诊断准确度 (82%与60-67%) 和AUC (0. 84与0. 61- 0. 70).
- 用于CT-FFR评估的SR-DLR增强了特异性,PPV,敏感性和NPV.
结论:
- 对于CCTA来说,SR-DLR提供了卓越的客观和主观图像质量.
- 通过SR-DLR可显著提高CT-FFR的诊断性能.
- 通过SR-DLR可以更准确地识别限制流量的冠状动脉病变.
