Radiology：慢性冠状动脉闭塞的CCTA深度学习分割与重建

临床上，冠状动脉慢性完全闭塞（CTO）常见于怀疑有梗阻性冠状动脉疾病并被转诊为有创冠状动脉造影（ICA）的有症状患者。尽管血管内重建技术不断进步，CTO再通仍然是经皮冠状动脉介入治疗（PCI）中最具挑战性的手术之一。

冠状动脉CT血管成像（CCTA）是一种成熟的无创成像方式，可用于准确诊断冠状动脉狭窄。由于非增强型闭塞段的可见性，CCTA提供了关于CTO特征的宝贵信息，如病变长度、钙质负荷、残端形态和迂曲性。最近的一项临床试验显示，与ICA引导的PCI相比，术前CCTA提高了血管重建的成功率，特别是在日本多中心CTO登记处（J-CTO）评分为2或更高的患者中。然而，在CCTA图像上进行CTO的传统重建十分耗时，因为闭塞段往往不能用市面上的后处理软件自动识别而需要手工重建。此外，与非闭塞性狭窄患者相比，CTO患者的准确重建和病变量化也更具挑战性。

在过去的十年中，深度学习（DL）辅助的医学图像处理在组织分割、病变检测和疾病鉴定领域取得了巨大的进展。特别是，深度学习方法由于其自学能力和泛化性能，在血管分割方面表现出相当大的潜力，并成功应用于视网膜血管眼底图像、头颈部血管图和心脏CT血管图。

近日，发表在Radiology杂志的一项研究开发了一个用于CTO自动重建的DL模型，并评估了其与传统手工量化相比对CTO量化的临床效果，为临床实现快速的图像重建及诊断评估提供了技术支持。

本这项回顾性研究是用来包括6066名患者（582名有CTO，5484名无CTO）的训练集和1962名患者（208名有CTO，1754名无CTO）的验证集的冠状动脉CT血管成像图像，开发了一个自动CTO分割和重建的DL模型。该算法使用211名CTO患者的外部测试集进行了验证。使用类内相关系数、Cohen κ系数和Bland-Altman图对CTO定量的一致性和测量一致性进行了比较。评估了CT衍生的CTO登记处（J-CTO）评分对血管重建成功的预测价值。

在外部测试集中，评估了211名患者（平均年龄66岁±11[SD]；164名男性）的240个CTO病变。通过DL对CTO进行自动分割和重建，95%的病变（240个中的228个）无需人工编辑，48%的病变（240个中的116个）采用传统的手工分割并获得了成功（P < .001）。DL的总后处理和测量时间比手工重建短（平均121秒±20 vs 456秒±68；P < .001）。两种方法评估的CTO定量和定性参数显示出良好的相关性（所有相关系数>0.85，所有P < .001），测量差异最小。从DL得出的J-CTO评分和传统的人工量化对手术成功的预测值显示没有差异（接收者操作特征曲线下的面积分别为0.76[95%CI：0.69，0.82]和0.76[95%CI：0.69，0.82]；P = 0.55）。

 图 (A, B）初级（A）和高级（B）放射医师评估的冠状动脉总闭塞长度的Bland-Altman图。初级放射医师的Bland-Altman图（虚线）的置信区间为-0.8至1.9毫米，高级放射医师为-1.6至1.6毫米。(C, D）初级（C）和高级（D）放射医师评估的日本多中心CTO登记处（J-CTO）评分的Bland-Altman。初级放射医师的Bland-Altman图（虚线）的可信区间为-0.39至0.38，高级放射医师的可信区间为-0.35至0.37

研究表明，与传统的人工重建相比，目前开发的深度学习（DL）模型能够显著减少冠状动脉CT血管造影图像上慢性全闭塞（CTO）定量的后处理时间。与人工重建的解剖学评估相比，基于DL模型的闭塞特征的解剖学评估有很好的相关性和一致性。
原文出处：

Meiling Li,Runjianya Ling,Lihua Yu,et al.Deep Learning Segmentation and Reconstruction for CT of Chronic Total Coronary Occlusion.DOI:10.1148/radiol.221393