uSense:CT AI专刊-05

目的  观察深度学习心脏图像重建算法（CardioBoost）用于心律失常患者冠状动脉CT血管造影（CCTA）的价值。方法  前瞻性纳入59例心律失常患者，分别以混合迭代重建（HIR）和CardioBoost重建CCTA图像，获得HIR组与CardioBoost组图像。采用5分法对整体图像质量、血管分支显示度、血管锐利度及诊断信心进行主观评分和组间比较；基于主动脉根部及冠状动脉主要分支近段噪声（SD）、信噪比（SNR）以及与脊椎旁肌肉的对比度噪声比（CNR）进行客观评价及组间比较。针对11例接受数字减影血管造影者比较2组图像诊断冠状动脉节段狭窄（管腔狭窄程度＞50%）的效能。结果  CardioBoost组整体图像质量、血管锐利度及诊断信心主观评分均高于HIR组（P均＜0.05），2组图像血管分支显示度主观评分差异无统计学意义（P=1.000）。CardioBoost组图像SD降低，而SNR、CNR及主观评分均较HIR组增高（P均＜0.05）；基于CardioBoost组图像诊断冠状动脉节段狭窄的准确率为96.30%。结论  利用CardioBoost能降低CCTA图像噪声、提高SNR及CNR，改善整体图像质量，进而提高诊断心律失常患者冠状动脉狭窄准确性。

冠状动脉CT血管造影（coronary CT angiography, CCTA）是无创诊断冠心病的重要方法，而成像质量直接影响评估冠状动脉（简称冠脉）狭窄及斑块准确性［1-2］。相比混合迭代重建（hybrid iterative reconstruction, HIR），深度学习图像重建（deep learning reconstruction, DLR）通过神经网络学习低剂量CT投影数据与高质量标准图像之间的映射关系，可抑制噪声、提升图像质量，提高信噪比（signal-to-noise ratio, SNR）和对比度噪声比（contrast-to-noise ratio, CNR），改善血管边缘锐利度，增强显示细小冠脉结构能力［3-4］。心律失常可增加CCTA运动伪影、降低图像质量。联影深度学习心脏图像重建算法（CardioBoost）通过学习高、低质量CT图像的映射关系而在抑制SD的同时保留血管细节、提升CCTA空间分辨率及血管边缘清晰度［5］。本研究观察CardioBoost用于心律失常患者CCTA的价值。

1.1  研究对象   前瞻性纳入2025年6月—8月于中国医学科学院阜外医院接受CCTA的59例心律失常患者，男38例、女21例，年龄14～78岁、平均（57.12±12.3）岁，体质量指数（25.20±3.85）kg/m2；其中冠心病24例、疑似冠心病16例、冠脉支架术后随访10例、心房颤动5例及瓣膜性心脏病4例；最低心率范围34～97次/分，最高心率范围84～265次/分，平均心率范围53～133次/分，心率差值26～215次/分。本研究经医院伦理委员会批准（2022-1787）；CCTA检查前患者均知情同意。

1.2  仪器与方法   采用联影uCT960+ 320排宽体探测器CT扫描。嘱患者仰卧、足先进接受前瞻性心电门控轴位扫描，范围自气管杈下1 cm至心脏膈面下1～2 cm；参数：管电压100 kVp，自动管电流（参考200 mAs），准直器120～160 mm，转速0.25 s/rot。经肘静脉以4.5～5.5 ml/s流率注射对比剂［对体质量≥90 kg者使用碘普罗胺（370 mgI/ml），＜90 kg者使用碘海醇（350 mgI/ml）］及生理盐水。采用三期注射方案：第一期为纯对比剂（总剂量的60%～80%），第二期为对比剂与生理盐水混合液（比例3∶7），第三期为30 ml生理盐水。于气管杈水平降主动脉内绘制ROI，监测CT值达120 HU后延迟6 s触发扫描。分别以HIR和CardioBoost进行重建，获得相应2组图像；重建层厚及层间距均为0.5 mm，矩阵512×512。

1.3  分析图像   于联影uOmnispace CT后处理工作站，采用冠脉血管分析软件行最大密度投影、多平面重建、曲面重建（curved planar reconstruction, CPR）及容积再现（volume rendering, VR）等后处理。1.3.1  主观评价   由具有7及11年CCTA诊断经验的住院医师及主治医师各1名，采用5分制以盲法独立对所有图像噪声和伪影、血管分支显示度、血管锐利度及诊断信心进行评分，评分细则见表1。

1.3.2  客观评价   由1名具有3年经验的影像科技师在2组图像中放置大小、形态及位置均相应的ROI，分别位于右冠脉（right coronary artery, RCA）、左前降支（left anterior descending, LAD）、左旋支（left circumflex, LCX）近段（3～4 mm2）、主动脉根部（100 mm2）及同层面脊椎旁肌肉（3～4 mm2）。以脊椎旁肌肉ROI内CT值的标准差（standard deviation, SD）为图像噪声，记录主动脉根部、RCA、LAD、LCX近段血管ROI内的CT值及SD，计算SNR和CNR：SNR=管腔平均CT值/SD，CNR=（管腔平均CT值－脊椎旁肌肉CT值）/脊椎旁肌肉SD。1.3.3  评估狭窄程度   由上述2名医师共同依据美国心血管CT协会推荐的18节段模型评估管腔狭窄程度（0、1%～25%、26%～50%、51%～70%、71%～99%及100%）。采用人工视觉评估、结合多平面重建图像进行综合分析。以数字减影血管造影（digital subtraction angiography, DSA）为参考，计算基于2种图像诊断冠脉节段狭窄（管腔狭窄＞50%）的敏感度、特异度、阳性预测值、阴性预测值及准确率。

1.4  分析辐射剂量   记录仪器自动生成的容积CT剂量指数（volume CT dosimetry index, CTDIvol）、剂量长度乘积（dose-length product, DLP）并计算有效剂量（effective dose, ED）：ED=DLP×k［转换因子k=0.014 mSv/（mGy·cm）］。

1.5  统计学分析   采用SPSS 26.0统计分析软件。以±s描述服从正态分布的计量资料，组间行配对样本t检验；以中位数（上下四分位数）描述非正态分布者，组间行Wilcoxon符号秩检验。采用Kappa检验评估观察者间主观评分结果的一致性：Kappa＞0.8为良好、＞0.6～0.8较好、＞0.4～0.6中等、＞0.2～0.4一般、≤0.2较差。P＜0.05为差异有统计学意义。

59例中，36例存在冠脉斑块（11例管腔狭窄程度≤50%，25例管腔狭窄程度＞50%），其余23例未见明显冠脉管腔狭窄。

2.1  主观评价   2名医师对图像质量主观评分的Kappa值为0.354～1.000。CardioBoost组图像整体质量、血管锐利度及诊断信心主观评分均高于HIR组（P均＜0.05）。组间血管分支显示度主观评分差异无统计学意义（P=1.000），见图1及表2。

图1   患者男，46岁，冠心病，冠脉支架术后，心率50～213次/分、平均71次/分，HIR（A～D）及CardioBoost重建（E～H）VR图（A、E）及冠脉CPR图，RCA（B、F）及LCX（D、H）内见明显钙化斑块（白箭），LAD（C、G）内见支架（短箭）

2.2  客观评价   CardioBoost组SD低于，而SNR及CNR均高于HIR组（P均＜0.05），见表3。

2.3 诊断效能   11例接受DSA检查，共评估135个冠脉节段，其中23个节段DSA显示管腔狭窄程度＞50%。基于HIR诊断冠脉节段狭窄的敏感度、特异度、阳性预测值、阴性预测值及准确率分别为82.61%、96.43%、82.61%、96.43%及94.07%，基于CardioBoost分别为91.30%、97.32%、87.50%、98.21%和96.30%。

2.4  辐射剂量   CCTA的CTDIvol为（36.78±14.58）mGy，DLP和ED分别为（531.79±219.05）mGy·cm及（7.45±3.07）mSv。

近年DLR逐渐用于心脏CT成像领域，以帮助改善传统迭代重建在噪声控制和图像锐度方面的不足。作为面向心脏CT的DLR算法，CardioBoost通过深度神经网络学习低、高质量图像之间的映射关系，理论上能在降低噪声的同时保留图像细节与纹理。

OTGONBAATAR等［6］研究发现DLR在总体图像质量、噪声及血管显示等方面的主观评分均优于滤波反投影和HIR。王怡然等［4］报道，DLR能较50%自适应统计迭代重建（adaptive statistical iterative reconstruction, ASIR）算法显著改善主观图像质量（P均＜0.05）。本研究CardioBoost组整体图像质量、血管锐利度及诊断信心方面均优于HIR组（P均＜0.05），但组间冠脉分支显示度主观评分无显著差异。

DLR用于降低噪声及提升SNR效果显著。OTGONBAATAR等［6］发现DLR图像SD［（12.6±2.2）HU］较HIR［（24.2±3.0）HU］和滤波反投影算法［（54.2±9.5）HU］分别降低48.1%和76.8%（P均＜0.001），且SNR及CNR亦显著提高（P＜0.001）。TATSUGAMI等［7］同样发现DLR的SD低于HIR［（18.5±2.8）HU vs. （23.0±4.6）HU，P＜0.01］而CNR更高（P＜0.01）。de SANTIS等［8］对比分析不同等级DLR与ASIR，结果显示高等级DLR SD最低。本研究中，相比HIR组，CardioBoost组SD降低而SNR及CNR均提高，证实DLR对于提高CCTA客观图像质量方面具有明显优势。

CCTA诊断冠脉狭窄的敏感度和特异度分别为85%～97%和95%～98%［9］，准确率为95.78%［10］。本研究基于HIR图像诊断冠脉节段狭窄的敏感度、特异度及准确率分别为82.61%、96.43%和94.07%，基于CardioBoost图像分别为91.30%、97.32%和96.30%，提示CardioBoost具备通过改善图像质量进一步提升诊断准确性的潜在价值。

综上，CardioBoost用于心律失常患者CCTA能有效降低图像SD、提高SNR及CNR，改善整体图像质量及诊断信心，对提升冠脉狭窄诊断准确性具有一定价值。本研究的主要局限性：为单中心分析，且样本量有限；仅少数患者接受DSA检查，用于分析诊断效能的样本量不足；未对运动伪影进行量化评价，有待后续进一步探索。

［1］ 严诚,周琳夕,周国锋,等320排探测器CT单心动周期扫描应用于心律不齐患者冠状动脉成像的可行性［J］.中国临床医学,2021,28(2):236-240.［2］ 尹乐康,严诚,陆怡菡,等.国产新型320排CT冠状动脉成像的初步应用研究及图像质量评价［J］.中国临床医学,2021,28(6):1035-1039.［3］ 项寒芳,朱妮娜,沈萍萍.CT冠状动脉血管造影结合深度学习图像重建算法的图像质量评价［J］.医疗装备,2025,38(7):51-54.［4］ 王怡然,詹鹤凤,吴文杰,等.基于深度学习的重建算法在CCTA高分辨率成像中的应用［J］.中国医疗设备,2021,36(10):24-27.［5］ ZHUO L, XU S, ZHANG G, et al. Ultralow dose coronary calcium scoring CT at reduced tube voltage and current by using deep learning image reconstruction［J］. Eur J Radiol, 2024,181:111742.［6］ OTGONBAATAR C, RYU J K, SHIN J, et al. Improvement in image quality and visibility of coronary arteries, stents, and valve structures on CT angiography by deep learning reconstruction［J］. Korean J Radiol, 2022,23(11):1044-1054.［7］ TATSUGAMI F, HIGAKI T, NAKAMURA Y, et al. Deep learning-based image restoration algorithm for coronary CT angiography［J］. Eur Radiol, 2019,29(10):5322-5329.［8］ de SANTIS D, POLIDORI T, TREMAMUNNO G, et al. Deep learning image reconstruction algorithm: Impact on image quality in coronary computed tomography angiography［J］. Radiol Med, 2023,128(4):434-444.［9］ KHAN M I, ANEES M, KHAN A B, et al. Diagnostic accuracy of computed tomography (CT) coronary angiography compared to invasive coronary angiography for detecting coronary artery disease: A systematic review［J］. Cureus, 2025,17(2):e78397.［10］ 陈辛宇,林诗琪,邓莉萍.冠脉CTA在评估急性冠脉综合征及冠脉狭窄程度的价值分析［J］.哈尔滨医药,2025,45(4):20-22.

文献引用：曾正,徐士杰,董春辉,等.深度学习心脏图像重建算法（CardioBoost）用于心律失常患者冠状动脉CT血管造影[J].中国医学影像技术,2026,42(4):502-506.

一、团队简介      中国医学科学院阜外医院是新中国成立后最早建立的国家级心血管病专科医院，现为国家卫生健康委直属的三级甲等公立医院、国家心血管病中心主体单位，长期位居复旦排行榜心血管病专科医院榜首。医院在国家卫健委直接领导下，作为全国心血管疾病防治网络的核心枢纽，承担全国心血管疾病诊疗技术指导、人才培养和科研攻关使命。医院坚持“医疗立院、科研强院、人才兴院”战略，构建了覆盖心血管疾病全生命周期的创新型医疗科研体系。作为国家卫健委心血管药物临床研究重点实验室、心血管疾病分子诊断重点实验室的依托单位，牵头制定我国80%以上心血管诊疗指南与规范，填补国际空白技术12项。历年来获国家科技进步奖一等奖3项，是中央财政持续重点支持的国家级医疗战略力量。

二、领军人物      吕滨，主任医师，国家二级教授，博士研究生导师，北京协和医学院长聘教授，享受国务院政府特殊津贴专家，国家卫生健康委有突出贡献中青年专家。现任中国医学科学院阜外医院党委委员、影像中心主任、放射科主任、超声科代理主任，同时担任国家心血管病中心及国家心血管病临床医学研究中心研究员、国家心血管病中心专家委员会委员及主要研究专家（PI），兼任第一届心血管影像专业委员会副主任委员兼秘书长。现任中华医学会放射学分会第十七届委员、国际心血管CT协会（SCCT）中国区委员会主席、亚洲心血管影像协会（ASCI）主席，兼任中华医学会放射学分会心胸学组副组长、中国医师协会放射学分会委员及心血管学组组长、北京医学会放射学分会副主任委员等多项国内外重要学术职务。个人获评首届医学高层次人才国家杰出医师、中国青年科技奖、新世纪百千万人才工程国家级人选等多项国家级重磅荣誉。科研实力雄厚，先后主持国家 “十一五” 科技支撑项目、国家重大慢性非传染性疾病防控研究重点专项、国家自然科学基金、北京市自然科学基金重点项目等各级重大科研课题，还参与美国NIH资助国际多中心研究。累计发表学术论文300余篇，其中SCI论文150余篇；牵头制定心血管影像诊疗指南与专家共识8 部，主编、参编专业专著10余部；斩获部级以上科技成果奖10余项，获批国家发明专利、实用新型专利4项。担任14种学术期刊编委或审稿专家，其中7种为国际英文期刊。

三、设备      科室设备先进，包括联影uCT960+、Siemens New Force、GE Revolution、GE Apex等高端CT，Siemens Prisma、Philips Elition MR等。

四、科研成果      在研项目：国家重大科研仪器研制项目、国家重点研发计划（2016YFC1300400）、国家自然科学基金面上项目（82072005、81271571）、北京市自然科学基金（L246023）。

五、专刊作者简介      曾正，硕士研究生，助理工程师，研究方向：心血管影像特征数据分析。