European Radiology：深度学习重建对图像质量和冠状动脉CTA-FFR的影响

现阶段，冠状动脉CT血管造影（CTA）作为一种非侵入性的诊断手段被临床广泛应用于对怀疑或已知的冠状动脉疾病（CAD）。然而，从冠状动脉CTA获得的解剖学信息不能明确冠状动脉的血运重建。血流储备分数（FFR）被认为是评估狭窄血流动力学的参考标准，但由于导管检查的侵入性、导线的费用以及与诱导高血症有关的局限性，其在临床上没有得到广泛使用。

在导管室中，一种新的FFR计算方法，即定量流速比（QFR），已被验证为一种识别明显狭窄和相应血流动力学信息的准确方法。QFR是目前拥有最多证据的基于血管造影的指标，与FFR显示出良好的相关性和诊断性能。除了力学原理的方法外，基于机器学习的冠状动脉CT血管造影衍生的分数流量储备（CT-FFRML）也是一种有价值的无创诊断手段，可用于检测血流动力学意义上的狭窄。由于不同的冠状动脉CTA重建算法可呈现出不同的图像质量，因此影响了对冠状动脉狭窄的评估。

近日，发表在European Radiology杂志的一项研究评估了FBP、基于统计的迭代重建（SBIR）、基于模型的迭代重建（MBIR）Cardiac、MBIR Cardiac sharp和DLR五种不同的重建算法所产生的冠状动脉CTA的图像质量以及其对CT-FFRML的影响，为临床选择最佳的检查模式、获得最好的图像质量提供了参考依据。

本研究共纳入了33名已知或疑似冠状动脉疾病的患者，每位患者均接受了冠状动脉 CTA 和随后的侵入性冠状动脉造影。将 DLR 与滤波反投影 (FBP)、基于统计的迭代重建 (SBIR)、基于模型的迭代重建 (MBIR) Cardiac 和 MBIR Cardiac 的冠状动脉 CTA 的客观图像质量进行了比较，以有创分数流量储备（FFR）和定量流量比（QFR）作为参考标准，并计算了不同基于重建方法CT-FFRML的诊断性能。

共有33名患者的182个病灶被纳入分析。DLR的图像质量优于其他几种重建方法。这五种方法的 CT-FFRML 值没有显着差异（均 p > 0.05）。在182个病灶中，17个有侵袭性FFR结果，70个有 QFR结果。使用 FFR 作为参考，MBIR Cardiac、MBIR Cardiac sharp 和 DLR 获得了相同的诊断性能，略高于其他重建方法（MBIR Cardiac、MBIR Cardiac sharp 和 DLR：AUC = 0.82，FBP 和 AIDR：AUC = 0.78，所有 p > 0.05）。以 QFR 为参考，FBP、SBIR、MBIR Cardiac、MBIR Cardiac sharp 和 DLR 的 AUC 分别为 0.83、0.81、0.86、0.84 和 0.83（均 p > 0.05）。

图 示例：基于FBP-、MBIR Cardiac-、MBIR Cardiac sharp-、SBIR-和DLR的冠状动脉CTA图像上配对的CPR和CT-FFRML结果

本研究表明，DLR算法可明显提高图像质量，但FBP、SBIR、MBIR Cardiac、MBIR Cardiac sharp和DLR之间的CT-FFRML值没有明显的统计学差异，五种重建方法的诊断性能也没有发现明显的差异。

原文出处：

Cheng Xu,Min Xu,Jing Yan,et al.The impact of deep learning reconstruction on image quality and coronary CT angiography-derived fractional flow reserve values.DOI:10.1007/s00330-022-08796-2