不同迭代算法对冠状动脉CTA人工智能重建与分析的影响⋆

李笑石 耿纪刚 朱寅虎 张崴琪 金大永 李 馨 秦 越,*

1.陕西省西安大兴医院医学影像科(陕西 西安 710016)

2.空军军医大学附属西京医院放射科(陕西 西安 710032)

近年来，冠状动脉造影(Coronary angiography CAG)技术慢慢被更方便、更安全、操作更简单，禁忌症更少的冠状动脉CT血管成像(coronary computed tomography angiography，CCTA)技术所代替，成为临床早期对冠状动脉粥样硬化心脏病(coronary arterioscle-rotic heart disease，CAD)进行筛查和诊断的首要方法[1]。

随着各大CT制造厂家对硬件性能的不断提升，在我国，CCTA检查成为越来越普及的影像科常规项目，数据量也逐年增多[2]。而人工智能技术这几年也同样发展迅速，在影像学中应用医学人工智能(medical artificial intelligence MAI)处理CCTA数据，也成为了国内外相关领域学科发展的趋势和重点研究方向[3]。通过基于深度学习技术的AI工具，影像科医师在判断冠状动脉狭窄、明确血管走行和斑块性质方面获得了更方便、快速和精准的帮助，同时AI工具在进行CTA数据后处理时，也带来了图像质量的提升、误判率降低和后处理图像时间的节约[4-5]。

影响AI工具进行冠状动脉后处理准确性的因素有很多，国内外相关研究大都认为主要由两个因素导致，首先是运动伪影(包括心率和呼吸)，AI工具有时候无法自动辨别伪影所带来的干扰；第二是底层原始数据采集方式和重建算法差异性，AI工具对不同重建算法后得到的原始数据噪声值判读还需要大量数据学习和补充[6-7]。

本研究将通过对比两种不同的重建算法，评估AI工具对冠状动脉重建图像的质量、冠状动脉节段命名准确性和狭窄评估准确性，探究不同重建算法对冠状动脉AI工具软件重建的影响。

1 材料与方法

1.1 临床资料回顾性收集2021年11月至2022年2月在我院进行CCTA检查的患者共200人，其中男125人(62.50%)，女75人(37.50%)，年龄范围39-83岁，平均年龄55.20±9.10岁，BMI范围20.07-29.92Kg/M2，平均BMI22.65±3.01Kg/M2，心率范围55-103bpm，平均心率为70.09±8.03bpm。患者平均性别比例后，按后处理算法不同均分为两组，A组重建算法为AIDR 3D Enhance，B组重建算法为AIDR 3D Strong(75%)。两组患者临床资料无显著差异(P>0.05)，对比详见表1：

表1 临床资料对比

所有患者扫描均签署对比剂使用知情同意书。患者纳入标准为：符合CTA检查标准、无CTA检查禁忌症、无碘对比剂过敏、无肾功能不全或受损、无严重肝功能受损或器官衰竭。排除标准：严重心肺肾功能不全、意识不清、无法进行呼吸配合、进行过冠状动脉搭桥手术后复查、进行过冠状动脉支架置入术后复查、心率波动较大的患者。

1.2 设备与方法所有患者均由同一设备采集，设备为：佳能Aquilion ONE 640层CT。患者采取仰卧位，双上肢上举交叉。头先进出床扫描，范围由胸廓入口处至膈肌下1.0cm处，扫描方向头至足侧，管电压为100KV，管电流采用智能毫安由系统自动设置，调节范围120-900mA，A组平均管电流656.60±105.32mA，B组平均管电流667.21±99.12mA，两组管电流无统计学差异(t=1.037,P=0.301)。感兴趣区(Region of Interest，ROI)设置于降主动脉进行监测，触发阈值220 HU，呼吸指令随心率调整，达到阈值即开始扫描。采用前瞻性心电门控，球管转速0.275r/d，层厚0.5mm，层间距0.35mm。对比剂采用GE制药公司的350mg/L碘克沙醇，流速5.0mL/s，对比剂根据体重调整，使用量范围50-80mL。A组采用AIDR 3D (adaptive iterative dose reduction 3D，AIDR 3D)Enhance算法进行迭代重建，B组重建算法为AIDR 3D Strong(75%)，重建后将薄层数据至数坤人工后处理工作站进行分析。

1.3 图像后处理所有原始数据传送至数坤Coronary Doc(版本1711.1711)AI工作站进行后处理，采用基于深度学习的卷积神经网络算法，运用模型进行动静脉分离、血管断裂连接进行pixel level精确提取及分隔结果优化，生成冠状动脉CPR图像，AI系统自动按照大数据分析给予每个冠状动脉分支命名，命名原则根据美国心脏病协会(AHA)推荐的18段分段法[8]。

1.4 节段命名准确率评价每组患者使用AI系统自动分段命名，隐藏患者分组信息后，由两名高年资影像科医师采用双盲法重新对原始图像进行命名，命名后的结果与人工智能命名结果比对。

1.5 图像主观质量评价每组患者冠状动脉按照相同核对后的分段命名进行图像质量评估，两组图像质量均采用Likert4评分法进行打分[9]，由两名高年资影像科医师采用双盲法对所有节段的图像质量进行分级评价，如果出现分析则由第三位医师进行判断。1-3分的图像可以满足临床诊断需求，4分为无法完成临床诊断。具体评价标准如下：1分：血管无伪影和中断，边界清晰。2分：血管有轻度伪影，边界轻微模糊 ;3分：血管有中度伪影，节段连续 ;4分：血管管腔及管壁显示不清，走行连续性中断，出现阶梯状伪影。

1.6 图像客观质量评价选取冠状动脉右冠近段距离开口1cm处、右冠中段、前降支左主干距离血管开口1cm处、前降支中段、前降支远段，回旋支近段6个兴趣区(Region of Interest，ROI)，每个ROI直径5mm，测量以下数值：CT值、同层面肌肉标准差(Standard Deviation，SD)。再按照公式计算信噪比(Signal Noise Ratio，SNR)，公式如下：SNR=血管CT值/同层面肌肉标准差SD。

1.7 统计学分析采用SPSS 28.0软件对数据进行统计与分析。有测量数据均用均数±标准差表示。主观统计评价一致性采用Kappa检验，Kappa值大于等于0.75认为一致性良好。符合正态分布的连续变量如患者对比剂及辐射质量比较等采用t检验，不符合正态分布的连续变量比较采用非参数检验。P<0.5认为差异有统计学意义。

2 结果

2.1 节段命名准确率评估A、B两组图像节段命名准确率无显著差异(P>0.05)，A、B两组各识别出1800段冠状动脉血管A组命名准确1779段(98.83%)、B组命名准确1775例(98.61%)，见表1。

2.2 CPR图像主观质量评价两组可以满足诊断需求(即1-3级)的冠状动脉数量分别为1779根(92.72%)与1775根(94.50%)，无统计学差异(P>0.05)，A组重建算法在极个别情况下可以识别出较短的分支，见表2及图1-图2。

图1A～图1B 女，67岁，心率60-65次/分。a：A组，AIDR 3D Enhance重建，命名准确率100%(18/18段)，CPR图像主观评价1级。b：B组，AIDR 3D Strong(75%)重建，命名准确率100%(18/18)，CPR图像主观评价2级。图2A～图2B 男，65岁，心率68-71次/分。a：A组，AIDR 3D Enhance重建，命名准确率100%(18/18段)，b：B组，AIDR 3D Strong(75%)重建，命名准确率94.4%(17/18)，D1分支B组并未识别。图3A～图3B 男，65岁，心率69-75次/分，a(左图)：A组，AIDR 3D Enhance重建，CPR图像主观评价1级，ROI区CT值410.00Hu，SD值26.55，SNR值15.44。b(右图)：B组，AIDR 3D Strong重建，CPR图像主观评价1级，ROI区CT值382.00Hu，SD值33.55，SNR值11.39。

表2 冠状动脉命名准确率及CPR图像主观质量评级

2.3 图像质量客观评价A、B两组图像所有节段的CT值无显著性差异(P>0.05)，但是由于A组降低了SD值，故而SD值、SNR值A组均显著高于B组(P<0.05)，见表3及图3。

表3 冠状动脉客观质量评价表(n=200)

3 讨论

随着人工智能技术的不断发展，卷积网络技术也在进行迭代升级，在CCTA检查中越来越多依赖AI工具进行后处理重建及诊断判读，主要的功能为血管智能提取、图像自动化重建、管腔内诊断、图像质量控制等为代表。AI工具的广泛使用可以大幅度缩短人工处理及诊断的时间，同时也能避免人为错误，极大提高诊断效率[10]。本研究主要判断在CCTA人工智能影像工作中，对原始数据进行不同的重建方式，是否影响AI工具处理图像的质量和冠状动脉阶段命名的准确率。

根据国内外研究，人工智能影像在冠状动脉识别的准确率从95%-99%不等[11-12]，而时间上也节约了73.73%的重建时间和56.08%的诊断时间[13]，此外还有研究表名，AI诊断工具可以不受诊断医师主观因素的影响，耗时较为稳定且结果标准统一化、客观化[14]。

在Van Assen的研究中，进行了大量数据的采集，对比了接近19000余条冠状动脉，AI工具重建的CPR图像在冠状动脉节段命名准确率上也与人工非常接近(AI工具准确率为人工的96.88%)[12]。但是在大量国外类似研究中，并没有提及重建方式的影响，仅考虑了运动伪影，例如Carson的研究，由于运动伪影造成的冠状动脉重建图像质量不合格，在人工比对时可以进行手动修订，从而提高了极少数较差图像的合格率[14]。随着人工智能工具的版本迭代，冠状动脉自动修订能力随着大数据采集的增多而变得越来越准确。而且上述研究，均采用统一的重建算法，图像质量的影响只能说明人工智能工具对于运动伪影纠错的能力，而无法反映其对于原始数据改变是否会带来哪些影响。

根据Iannattone等人的研究，影响人工智能冠状动脉重建的因素有很多，除了上述提到的运动伪影，还包括底层原始数据的搭建，例如重建算法、扫描方式选择、曝光剂量、对比剂浓度、注射流率等[15]。尤其是不同的重建算法，会让相同的图像得到不同的信噪比。而人工智能卷积神经网络具有大数据深度学习能力，需要获取大量图像质量较差的数据以及命名不合格的数据进行训练，这样可以避免在工作中遇到此前没有训练过的数据产生分割遗漏、噪声过大、拟合过度或拟合较低、命名错误等现象，从而影响图像质量和判断准确性[16]。

根据笔者同实验组的研究表明，容积扫描模式可以保证AI工具后处理图像质量的前提下，大幅度降低辐射剂量。本研究采用了容积扫描模式同时配合了两种不同的迭代重建方法，即AIDR 3D Enhance(50%)算法和AIDR 3D Strong(75%)算法。两种算法都属于自适应迭代降噪技术，是一种部分迭代的降噪算法[17]。其原理是首先在双模型双空间里进行迭代搭建，自动根据定位图适应扫描体厚的解剖模型和衰减系数的噪声模型，监测图像信噪比后开始多次重复的迭代计算，直到噪声值除过度，空间分辨率下降，再删除最近的一次计算结果，只保留最优图像[18-20]。AIDR 3D能有效去除图像噪声且不降低空间及密度分辨率。而AIDR 3D Enhance算法和AIDR 3D Strong算法的差别主要在于迭代系数重复率，AIDR 3D Strong为75%，而AIDR 3D Enhance算法则是根据图像原始数据的空间模型参数进行优化调节迭代系数。根据设备厂家的推荐，冠状动脉扫描时多采用AIDR 3D Strong算法，但是AIDR 3D Enhance算法可以更大幅度降低噪声值，在人工智能工具识别中是否具有更高的效率还有待实验的检验。

在本此研究中，AIDR 3D Enhance算法与AIDR 3D Strong命名准确率上基本一致，经过人工判断，极个别的分段(见图2a-b)A组要较B组识别的更远，命名也更准确。根据迭代重建工作原理，可以推断这是由于A组迭代过程中噪声值的减低，使得远端血管重建时稍延长了一些，达到命名分段的阈值。而在CPR主观图像质量评价中，两组图像无显著差异(P>0.05)，但是CPR客观图像质量评价中，A组显著优于B组，根据原理分析是由于A组新型的迭代算法降低了CPR图像整体的噪声值，提高了信噪比，但是人工智能软件在进行冠状动脉管腔内狭窄的再分析时会对低噪声的图像进行纠正[21]，整体噪声值并不影响管腔内图像质量的判断，在低剂量低对比剂的其他CTA研究中，即使不是应用于冠状动脉，不同迭代模式重建方式依然会对图像质量产生较大影响[22]。此外，还有研究表明，管腔内CT值会显著影响人工智能软件的诊断效能。而且人工智能软件自动将血管走行单独提取，使得血管在背景图像中更为明显，血管内部情况显示的更为清晰，能判断管腔的狭窄率和斑块情况，肉眼观察的效果非常接近[23]。但是实际分析管腔斑块的性质中，非钙化斑与钙化斑的判读不管是人工分析还是人工智能自动分析，都会依赖于图像信噪比的质量，尽管现在的人工智能软件在图像识别中应用了模仿人类视觉的卷积神经网络技术，但是更高的信噪比依然会对血管管腔狭窄的判断准确率产生正相关的影响，在后续的实验中，会进一步探究与分析人工智能软件对于斑块性质、狭窄程度判断的影响因素是否不同或者有何种差别。

本研究存在一些不足，首先是对于高、低心组没有做针对性的研究，其次是评价时没有考虑对管腔狭窄程度准确性判断的影响，这些问题将在后续的研究中进行进一步的探究。

4 结论

采用不同算法算法的冠状动脉图像使用人工智能工具进行后处理，效果具有差异性。AIDR 3D Enhance算法可以显著提高人工智能工具处理后的图像质量并且可以降低噪声值，具有较高的临床意义，值得在日常工作中推广应用。