冠状动脉疾病(coronary artery disease,CAD)是临床最常见的心血管疾病类型[1]。CT心肌灌注成像(computed tomography perfusion,CTP)可评估患者心肌灌注状态和获取血流动力学参数,在CAD诊断中具有重要价值。目前已被推荐纳入CAD患者的常规检查方案[2]。然而,CTP检查需要连续多期采集,导致患者接受的辐射剂量增加。应用低管电压管电流技术能够有效降低辐射剂量,但过低可能会增加图像噪声,影响图像质量。传统迭代重建(IR)图像算法能够显著抑制图像噪声,并在一定程度上减少图像伪影,已逐渐取代滤波反投影法(FBP)。但是,IR权重过高时会影响图像纹理,造成不真实感[3]。深度学习重建算法(DLIR)可在保持解剖结构和病理特征真实性的情况下抑制噪声,能够将低剂量扫描图像恢复成类似高剂量扫描的图像。尽管动物实验证实100 kV联合深度学习可改善CTP图像质量且不影响心肌血流测量[4],但鲜有研究对其临床可行性及价值进行探讨。本研究旨在评估联合DLIR的70 kV CTP获取的图像质量,探究在低剂量条件下CTP结合DLIR的临床可行性。
资料与方法1. 一般资料:本研究通过四川大学华西医院生物医学伦理审查委员会批准[2024年审(527)号],并于中国临床试验注册中心进行了注册(ChiCTR2500110211),前瞻性纳入2024年5—9月进行CTP检查的患者,所有患者都已签署知情同意书。
患者纳入标准如下[5]:疑似CAD患者(如胸痛、胸闷等)及非CAD患者作为对照组。年龄≥18岁。排除标准:临床症状不稳定者(如严重心律不齐、左心室射血分数<35%,心衰等);其他心脏疾病(如扩张型心肌病、肥厚型心肌病等);严重肾脏、肝脏、脑和出血性疾病;已知哮喘或活动性甲亢;碘对比剂过敏或肾功能不全(eGFR<60 ml·min-1·1.73 m-2);怀孕或哺乳期女性;有植入性设备者(如心脏起搏器等);体质量指数(BMI)≤27 kg/m2。
共纳入50例行CTP检查的受试者,男女各25例。根据心血管CT协会(Society of Cardiovascular Computed Tomography, SCCT)指南进行分级[6],显著狭窄定义为狭窄50%,将患者分为3个亚组(以患者最严重狭窄程度为准),分别为健康对照组(无狭窄,n=13)、非显著狭窄组(狭窄<50%,n=18)、显著狭窄组(狭窄≥50%,n=19)。除对照组与显著狭窄组间的年龄差异有统计学意义,各组间其他基线临床资料及心功能参数差异均无统计学意义(表 1)。在研究BMI分布与图像质量关系时,将受试者分为A组(BMI≤24,n=32)、B组(BMI>24,n=18)两组。
|
|
表 1 CTP受试者对照组、非显著狭窄组与显著狭窄组的基线数据(x±s) Table 1 The patient characteristics of the control, non-significant and significant group(x±s) |
2.CT检查方法:扫描使用256排宽体CT扫描仪(Revolution Apex CT,美国GE Healthcare公司),z轴覆盖范围为16 cm,机架旋转时间0.28 s。使用前瞻性心电门控进行采集。所有患者在进行扫描检查前至少24 h禁用咖啡因药物,对比剂注射后5 s开始CTP扫描,获取患者的心肌血流动力学信息。CTP扫描的具体参数:管电压70 kV,管电流200 mA,扫描时检查床无移动,采集时相45%-45% RR间期,以0.8 s的间隔默认采集25期。所有CTP图像以1.25 mm层厚使用FBP算法进行重建,同时使用高等级DLIR(TrueFidelity,美国GE Healthcare公司)算法重建图像(CTP-DL),层厚为1.25 mm。
注射器使用双管自动注射器(Stellant Dual Flow,日本Nihon Medrad KK公司),扫描开始时同步进行注射碘海醇对比剂(Iomeron, 含碘40 g/100 ml,上海市博莱科公司),注射流速4.5 ml/s,注射剂量按患者体重的0.7 ml/kg计算,对比剂注射后按照同样流速推注30 ml的生理盐水。
3.图像质量评估
(1) 主观图像质量评估:由2名独立设盲的具有6年以上心脏影像图像判读经验的影像医师分别评估图像整体质量。图像质量评估采用4分制,4分:优秀,伪影及硬化束不影响诊断评估,血管清晰;3分:良好,有伪影和硬化束,但完全能够用于诊断;2分:合格,图像质量下降但仍可用于诊断;1分,图像质量差,不可用于诊断[7]。2分及以上的图像可用于诊断使用。
(2) 客观图像质量评估:由1名观察者对图像进行客观质量评估,客观质量评估包括噪声,信噪比(SNR)及对比噪声比(CNR)。在左心室轴位图像心腔内放置一个约1.5 cm2的圆形感兴趣区(ROI),记录左心室轴位心腔的CT值。在室间隔心肌层面中部放置一个心肌所能容纳的最大圆形ROI,测量其CT值与标准差(SD),SD即为图像的噪声。计算图像的SNR与CNR,计算公式如下:SNR=左心室心腔CT值/室间隔心肌SD;CNR=(左心室心腔CT值-室间隔心肌CT值)/室间隔心肌SD[4]。
4.冠状动脉狭窄与心肌灌注分析:所有图像均在GE专业工作站(美国GE公司AW VolumeShare 7, version 15.0)进行后处理,在工作站的“CT心脏动态配准”模块中加载两种算法重建的CTP图像进行配准,得到的配准后图像再导入“动态CT心肌灌注”模块中进行灌注分析。在升主动脉层面选取圆形ROI,软件自动生成主动脉时间-密度曲线;分别在左心室心尖部和基底部层面进行手动标记解剖定位点,软件自动识别心肌轮廓,并对识别错误的区域进行人工校正。基于美国心脏学会(AHA)17节段标准分区法,获取左心室各节段心肌灌注图,并自动生成各节段心肌血流量(MBF)定量数据和牛眼图。
5.辐射剂量计算:有效剂量(E)=剂量长度乘积(DLP)× k,k为转化因子,取0.014。
6.统计学处理:数据分析使用SPSS 25.0软件对数据进行正态性检验,正态分布的连续变量使用x±s表示,非正态分布的采用M(Q1,Q3)表示。分类变量以频数与百分比表示。两组符合正态分布的连续变量之间使用独立样本t检验分析,3组之间使用One-way ANOVA单因素方差分析。分类变量组间的比较使用Fisher精确检验。使用95%置信区间(CI)的线性加权间一致性(Kappa)检验分析图像主观评分的观察者间一致性。P < 0.05为差异有统计学意义。
结果1.图像质量评估
(1) 客观图像质量评估:以FBP算法与DLIR算法重建的70 kV CTP图像的图像噪声分别为51.2±3.6、37.5±3.4,使用DLIR算法重建的CTP-DL图像噪声更低(t=31.41,P < 0.001),采用DLIR算法后,CTP图像的图像噪声显著降低约28.5%,同时保持了良好的空间分辨率(图 1)。而CTP图像的SNR、CNR分别为15.12±2.12、12.06±1.79,均低于CTP-DL图像(SNR;21.78±1.95;CNR:17.53±1.87),两者差异有统计学意义(t=-8.01、-9.74,P < 0.001)。
|
图 1 以FBP算法与DLIR算法重建的CTP图像(A)与CTP-DL图像(B)对比 Figure 1 The CTP image(A) reconstructed with FBP vs. CTP-DL image(B) |
(2) 观图像质量评估:观察者1、2对CTP与CTP-DL图像的平均主观评分分别为2.96±0.78、3.32±0.71及2.86±0.81、3.24±0.74(Z=-3.30、-3.39,P < 0.05),结合DLIR后的CTP-DL图像主观评分升高,DLIR算法有效抑制了噪声与伪影,改善了血管清晰度(图 2)。对CTP及CTP-DL图像评估的观察者间一致性分别为0.848(95% CI:0.722~0.974)与0.867(95% CI:0.742~0.982),均表现出良好的观察者间一致性。
|
注:红色方框中为冠状动脉横断面 图 2 CTP(A)与CTP-DL(B)图像冠状动脉与斑块比较 Figure 2 The comparison of coronary arteries and plaques in CTP (A) and CTP-DL (B) images |
(3) BMI分布与图像质量差异:A、B两组BMI值分别为(16.97±1.34)和(25.15±1.13)kg/m2,两组CTP-DL图像的噪声分别为36.06±2.61和38.76±2.65(t=31.41,P < 0.001),且A组CTP-DL图像的SNR、CNR分别为21.93±1.50、18.11±1.28,高于B组的20.86±1.74和16.98±1.17(t=2.85、3.24,P < 0.05)。
2.MBF分析:对50例患者的150支血管,850个心肌节段进行灌注分析。50例患者中有43支轻度狭窄冠状动脉,其中LAD有22支(51%),LCX 9支(20%),RCA 12支(28%);24支冠状动脉出现严重狭窄,其中LAD 10支(42%),LCX 3支(13%),RCA 11支(45%)。CTP和CTP-DL的平均整体MBF分别为(130.23±9.77)和(129.11±9.85)ml·100 ml -1·min-1,两者间差异无统计学意义(P>0.05)。DLIR算法的使用不影响MBF的计算。各亚组间MBF的差异列于表 2,不同心肌节段MBF差异见图 3。
|
|
表 2 对照组、非显著狭窄组及显著狭窄组的MBF对比(x±s) Table 2 The comparison of MBF in the control group, the group with non-significant and significant stenosis(x±s) |
|
注:红色箭头为轻度狭窄;红色圆圈为相应狭窄区域出现低灌注情况;红色星号为相应心肌节段MBF下降;该CAD患者(BMI为23.91 kg/m2)为58岁男性;患者平均MBF为132.3 ml·100 ml -1·min-1。CAD. 冠心病;BMI. 体质量指数;MBF. 心肌血流量 图 3 CAD患者灌注分析例图 A.LAD整体图;B.LAD横断面图;C.LCX整体图;D.LCX横断面图;E.四腔心灌注图;F.二腔心灌注图;G.短轴灌注图;H.牛眼图 Figure 3 The CTP analysis example map of CAD patients A. Overall diagram of LAD; B. Cross-sectional diagram of LAD; C. Overall diagram of LCX; D. Cross-sectional diagram of LCX; E. Four-chamber heart perfusion image; F. Two-chamber heart perfusion image; G. Short-axis perfusion image; H. The Bull's eye view |
3.辐射剂量及对比剂剂量计算:在70 kV低剂量CTP扫描方案中,DLP为(251.86±19.43)mGy·cm,E为(3.53±0.27)mSv。对比剂用量为(41.96±5.54)ml。
讨论本研究对70 kV CTP结合DLIR算法的应用进行了探究,结果显示,相比于传统FBP算法重建的低剂量CTP图像,高强度的DLIR算法能够显著提升图像质量,且不影响患者MBF的计算。低剂量CTP联合DLIR算法测得的MBF随冠状动脉狭窄程度上升而下降,展现了其良好的临床检测能力。
本研究使用了70 kV管电压、200 mA管电流的固定低管电压管电流的扫描方案,平均E为(3.53±0.27)mSv。常规120 kV CTP的E为(4.9±1.2)mSv[8],与之相比本研究辐射剂量下降28%。与Liu等[5]的80 kV CTP研究相比,辐射剂量相差不大(3.36 mSv),但其仅进行了14期采集。Yi等[9]的70 kV CTP研究中使用自动管电流调制功能,设置参考管电压80 kV,参考管电流300 mAs,其E为(3.8±1.4)mSv,相比之下本研究进一步降低了辐射剂量。且70 kV接近碘吸收的k缘,增强了光电效应及对比度,因此该方案使用更少的对比剂便可以得到更高的CT值,使用的70%体重的用药低于常规CT冠状动脉造影(CCTA)的90%体重用药[5]。固定的低管电压管电流方案虽然有效降低了E及对比剂用量,却会造成图像噪声显著增加。因此,为保证图像质量,本研究使用了DLIR算法抑制噪声。但对于BMI过高的患者,低剂量的扫描方案获取的图像可能并不满足诊断要求,应考虑更高的管电压管电流设置。
本研究中,CTP图像以传统FBP算法进行重建,然后再以FBP图像为基础,联合高等级DLIR算法重建CTP-DL图像,CTP-DL图像质量显著高于CTP图像。Liu等[5]发现同样以IR重建,80 kV CTP与120 kV CCTA的客观图像质量相当。在70 kV的CCTA研究中,DLIR算法获取的图像质量不输于常规100 kV CCTA获取的图像质量[10]。相比于传统的IR算法及FBP算法,DLIR算法较少受到有限参数的约束,在相同的扫描条件下,DLIR可以显著抑制噪声[11]。而且IR权重过高会使图像出现“不真实感”影响空间分辨率[4],还具有纹理退化方面的局限性,剂量优化并提高权重的情况下存在影响诊断的风险[12]。而DLIR算法作为一种图像质量恢复算法,并不会影响图像纹理而影响空间分辨率[13]。DLIR算法能够减少钙化斑块的环状伪影,改善斑块评估,提高了CCTA的阳性预测值[14]。Nagayama等[15]的研究表明,DLIR算法能够显著提升CCTA图像质量与目标检测能力,有助于精准评估冠心病。Ren等[16]发现70 kV CCTA结合DLIR-H算法能够显著降低辐射剂量的同时,提高图像质量。本研究中,DLIR能够显著抑制70 kV图像的噪声,同时图像清晰度与锐利度均良好,冠状动脉血管与斑块清晰锐利,有助于在降低辐射剂量的同时准确获取冠状动脉解剖与血流动力学信息。
本研究中CTP-DL图像处理所得的MBF与CTP图像差异无统计学意义,这与之前的一项动物实验研究结果相同[7]。虽然两组图像计算得到的MBF值无差异,但DLIR算法能够降低硬化束与斑块环状伪影,减少其对心肌灌注评估的干扰,理论上CTP-DL图像测得的MBF应更加准确,有助于对心肌灌注进行精准评估。此外,CTP-DL获取的MBF随着冠状动脉狭窄程度升高而降低,不同狭窄程度的患者之间MBF差异有统计学意义,由狭窄程度更高的冠状动脉供血的心肌节段的MBF下降。Yi等[9]的70 kV CTP同样验证了这一点,显著狭窄冠状动脉供血的心肌节段MBF下降,显示了低剂量CTP在CAD患者中具有良好血流动力学检测能力。
本研究存在以下不足:本研究为单中心的前瞻性研究,样本量较小,需要进一步进行多中心的试验来验证其临床可行性。本研究对于患者的选取存在主观偏倚,排除了BMI>27 kg/m2的患者,70 kV管电压可能无法获取满足诊断要求的图像,需要应用更高的管电压。显著狭窄组与健康对照组患者之间年龄也存在差异,年龄等因素是CAD不可调节的因素。该研究虽为静态CTP方案,但有研究表明,静息态的CTP临床价值虽不如负荷态CTP,但同样能够有效评估不同年龄与性别人群的心肌灌注[17]。
综上所述,70 kV CTP结合DLIR算法可以有效提高获取的低剂量CTP图像质量,降低辐射剂量的同时抑制噪声,且不影响MBF的计算。该扫描方案对CAD患者具有良好的心肌灌注检测能力,为CAD患者的影像学检查提供了新选择。
利益冲突 所有作者均声明不存在利益冲突
作者贡献声明 胡云龙、彭婉琳负责数据分析与论文撰写;刘科伶、徐旭、刘心雨负责数据统计与图像质量评价;孙若兰、秦朦负责图像及数据采集;李真林、夏春潮负责整体实验设计及指导论文修改
| [1] |
Mensah GA, Fuster V, Murray CJL, et al. Global burden of cardiovascular diseases and risks, 1990-2022[J]. J Am Coll Cardiol, 2023, 82(25): 2350-2473. DOI:10.1016/j.jacc.2023.11.007 |
| [2] |
Patel Amit R, Fabian B, Kelley B, et al. Society of cardiovascular computed tomography expert consensus document on myocardial computed tomography perfusion imaging[J]. J Cardiovasc Comput Tomogr, 2020, 14(1): 87-100. DOI:10.1016/j.jcct.2019.10.003 |
| [3] |
Gramer BM, Muenzel D, Leber V, et al. Impact of iterative reconstruction on CNR and SNR in dynamic myocardial perfusion imaging in an animal model[J]. Eur Radiol, 2012, 22(12): 2654-2661. DOI:10.1007/s00330-012-2525-z |
| [4] |
耿文磊, 高扬, 赵娜, 等. 应用深度学习图像重建算法降低心肌动态CT灌注辐射剂量的实验研究[J]. 中华放射学杂志, 2022, 56(11): 1182-1187. Geng WL, Gao Y, Zhao N, et al. A experimental study of applying deep learning image reconstruction algorithm to reduce radiation dose of dynamic CT myocardial perfusion[J]. Chin J Radiol, 2022, 56(11): 1182-1187. DOI:10.3760/cma.j.cn112149-20220309-00214 |
| [5] |
Liu K, Diao K, Hu S, et al. Achieving low radiation dose in "One-Stop" myocardial computed tomography perfusion imaging in coronary artery disease using 16-cm wide detector CT[J]. Acad Radiol, 2020, 27(11): 1531-1539. DOI:10.1016/j.acra.2019.11.018 |
| [6] |
Jagat N, Chandrashekhar Y, Amir A, et al. SCCT 2021 expert consensus document on coronary computed tomographic angiography: A report of the society of cardiovascular computed tomography[J]. J Cardiovasc Comput Tomogr, 2021, 15(3): 192-217. DOI:10.1016/j.jcct.2020.11.001 |
| [7] |
Chen MY, Shanbhag SM, Arai AE. Submillisievert median radiation dose for coronary angiography with a second-generation 320-detector row CT scanner in 107 consecutive patients[J]. Radiology, 2013, 267(1): 76-85. DOI:10.1148/radiol.13122621 |
| [8] |
Kitagawa K, Nakamura S, Ota H, et al. Diagnostic performance of dynamic myocardial perfusion imaging using dual-source computed tomography[J]. J Am Coll Cardiol, 2021, 78(20): 1937-1949. DOI:10.1016/j.jacc.2021.08.067 |
| [9] |
Yi Y, Xu C, Wu W, et al. Low-dose CT perfusion with combined use of CTP and CTP-derived coronary CT angiography at 70 kVp: Validation with invasive fractional flow reserve[J]. Eur Radiol, 2021, 31(2): 1119-1129. DOI:10.1007/s00330-020-07096-x |
| [10] |
Sun J, Li H, Li J, et al. Performance evaluation of using shorter contrast injection and 70 kVp with deep learning image reconstruction for reduced contrast medium dose and radiation dose in coronary CT angiography for children: A pilot study[J]. Quant Imaging Med Surg, 2021, 11(9): 4162-4171. DOI:10.21037/qims-20-1159 |
| [11] |
Zhang H, Zhang L, Long J, et al. Image quality improvement in head and neck angiography based on dual-energy CT and deep learning[J]. BMC Med Imaging, 2025, 25(1): 115. DOI:10.1186/s12880-025-01659-4 |
| [12] |
Jensen CT, Wagner-Bartak NA, Vu LN, et al. Detection of colorectal hepatic metastases is superior at standard radiation dose CT versus reduced dose CT[J]. Radiology, 2019, 290(2): 400-409. DOI:10.1148/radiol.2018181657 |
| [13] |
Wang C, Long J, Liu X, et al. Optimization of carotid CT angiography image quality with deep learning image reconstruction with high setting (DLIR-H) algorithm under ultra-low radiation and contrast agent conditions[J]. Radiography (Lond), 2025, 31(6): 103154. DOI:10.1016/j.radi.2025.103154 |
| [14] |
Schuijf Joanne D, Lima João AC, Boedeker Kirsten L, et al. CT imaging with ultra-high-resolution: Opportunities for cardiovascular imaging in clinical practice[J]. J Cardiovasc Comput Tomogr, 2022, 16(5): 388-396. DOI:10.1016/j.jcct.2022.02.003 |
| [15] |
Nagayama Y, Emoto T, Kato Y, et al. Improving image quality with super-resolution deep-learning-based reconstruction in coronary CT angiography[J]. Eur Radiol, 2023, 33(12): 8488-8500. DOI:10.1007/s00330-023-09888-3 |
| [16] |
Ren Z, Shen L, Zhang X, et al. Radiation and contrast dose reduction in coronary CT angiography for slender patients with 70 kV tube voltage and deep learning image reconstruction[J]. Br J Radiol, 2025, 98(1171): 1046-1052. DOI:10.1093/bjr/tqaf077 |
| [17] |
Byrne C, Tobias Kühl J, Zacho M, et al. Sex- and age-related differences of myocardial perfusion atrest assessed with multidetector computed tomography[J]. J Cardiovasc Comput Tomogr, 2013, 7(2): 94-101. DOI:10.1016/j.jcct.2013.01.010 |
2026, Vol. 46


