European Radiology：深度学习重建的超低剂量冠状动脉CTA对图像质量、冠状动脉斑块和狭窄分析的影响

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。

原文出处：

Li-Miao Zou,Cheng Xu,Min Xu,et al.Ultra-low-dose coronary CT angiography via super-resolution deep learning reconstruction: impact on image quality, coronary plaque, and stenosis analysis.DOI:10.1007/s00330-025-11399-2