CT重建算法对基于深度学习非门控冠脉钙化积分模型评价心血管风险分层的影响

摘要：

目的:以门控CT为标准,探讨基于深度学习的非门控冠状动脉钙化积分(DL-CACS)模型在不同CT重建算法下对心血管风险分类效能.方法:回顾性将在本院同时接受门控心脏CT和非门控低剂量胸部CT(LDCT)检查的549例患者纳入本研究.根据扫描方式(心电门控和非门控),将所有患者的图像资料分为A、B两组.对B组图像数据分别使用smooth、standard及sharp算法进行重建(作为B1、B2和B3组),并导入DL-CACS模型进行分析,获得CACS及心血管风险分类结果.以医师基于A组图像手工测量的CACS为标准,采用符合率、Bland-Altman法及组内相关系数(ICC)对3种CT重建算法下获得的DL-CACS进行分析.依据CACS(0、1～99、100～400和>400)将患者的心血管风险分为4个标准类别(1～4类,分别对应无、低、中和高风险),利用Kappa检验、受试者工作特征(ROC)曲线下面积(AUC)比较不同重建算法下DL-CACS与标准CACS对患者心血管风险分层的差异.结果:B1、B2和B3组的DL-CACS与A组之间的一致性均较好,其中以B1组最好[ICC=0.955(95％CI:0.947～0.962)].B1、B2和B3组中模型所获得的心血管风险分层与A组之间的一致性均较好,Kappa值分别为0.839、0.827和0.770(P均<0.001),其中B1组评估高危患者的AUC最高(AUC=0.995,P<0.001).Bland-Altman图(A组分别与B1、B2和B3组的CACS进行配对比较)显示,B1组与A组之间CACS平均差值为-0.173(95％CI:-1.748～1.402),B1组CACS超出95％一致性界限的患者数最少.结论:非门控DL-CACS模型在不同CT重建算法下均能准确地评估CACS及风险分层,而在LDCT时选择smooth重建算法,能最大程度地提高对冠脉钙化程度的评估准确性.

关键词：冠状动脉钙化、体层摄影术、X线计算机、深度学习、心血管风险分层

所属期刊栏目：38

分类号：R814.42;R543.3;R541.4(放射医学)

资助基金：国家自然科学基金;申康能力提升项目;军委面上项目;国家卫生健康委放射影像数据库建设项目;国家自然科学基金;上海长征医院青年启动基金

在线出版日期：2023-05-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：419-425