深度学习超分辨率重建技术在心脏CT成像中的应用及对Agatston评分的影响

《European Radiology》：Influence of deep learning-based super-resolution reconstruction on Agatston score

为解决心脏CT成像中图像质量与Agatston评分准确性问题，研究人员开展DLSRR技术应用研究，发现其显著改善图像质量而不改变Agatston评分，具有重要的临床意义。

　　本研究旨在评估深度学习超分辨率重建技术（DLSRR）对图像质量和Agatston评分的影响。研究人员纳入了接受心脏CT检查的连续患者，包括用于Agatston评分的非增强CT。采用滤波反投影（FBP）和三种不同强度的DLSRR重建了四种类型的非对比CT图像。通过测量图像噪声、主动脉的信噪比（SNR）、对比噪声比（CNR）以及冠状动脉钙化（CAC）的边缘上升斜率（ERS）来评估图像质量。同时测量了Agatston评分和CAC体积，并比较了四种CT数据集之间的结果。根据冠状动脉钙化数据和报告系统（CAC-DRS），将患者分为四个风险等级，并评估了FBP和DLSRR分类之间的一致性。研究结果显示，在纳入的111名患者中，DLSRR显著降低了图像噪声（p?!--?0.001），提高了SNR和CNR（p?!--?0.001），且在更高强度的DLSRR下效果更强（p?!--?0.01）。与FBP相比，DLSRR显著增强了ERS（p?!--?0.001），然而三种不同强度的DLSRR之间没有显著差异（p?=?0.90–0.98）。DLSRR对Agatston评分和CAC体积均无显著影响（p?=?0.952和0.901）。FBP和DLSRR的CAC-DRS分类一致性为93%。研究结论指出，DLSRR通过降低噪声和增强锐度显著改善了图像质量，而未显著改变Agatston评分或CAC体积。尽管与FBP的CAC-DRS分类一致性较高，但观察到一些重新分类的情况。因此，在临床应用中应谨慎使用DLSRR，以避免可能的分类变化。