综述：深度学习重建在冠状动脉CT中的图像质量和辐射剂量：系统综述和荟萃分析

这篇综述深入探讨了深度学习重建(DLR)技术在冠状动脉CT血管造影(CCTA)中的应用价值。通过系统分析11项研究，证实DLR相比传统迭代重建(IR)和滤波反投影(FBP)能显著降低图像噪声(26.9%)、提升信噪比(SNR,36.1%)和对比噪声比(CNR,38.4%)，为冠状动脉疾病(CAD)诊断提供了更优的影像学解决方案，同时展现出降低辐射剂量的潜力。

　　

背景

冠状动脉疾病(CAD)作为全球主要死因，其诊断高度依赖冠状动脉CT血管造影(CCTA)技术。传统重建方法如滤波反投影(FBP)和迭代重建(IR)存在噪声控制不足、辐射剂量较高等局限。深度学习重建(DLR)通过卷积神经网络(CNN)架构，实现了从原始数据到高质量图像的直接转换，为突破这些技术瓶颈提供了新思路。

研究方法

研究团队系统检索了截至2024年2月的PubMed、Web of Science等数据库，从281篇文献中筛选出11项符合标准的研究。采用JBI诊断试验准确性研究质量评价工具进行严格评估，重点分析噪声、信噪比(SNR)、对比噪声比(CNR)等量化指标。为保障可比性，所有纳入研究均保持固定辐射剂量条件。

核心发现

图像质量方面，DLR展现出压倒性优势：

• 噪声水平：在主动脉根部(AR)、左主干(LM)等区域，DLR噪声值(18.0±3.62)显著低于HIR(26.56±4.27)和FBP(54.2±9.5)
• 信噪比提升：右冠状动脉(RCA)区域的SNR值从IR的20.04跃升至DLR的48.22
• 对比度优化：左前降支(LAD)的CNR在DLR下达到26.24±8.66，较IR提升42.9%

技术机制

三大FDA批准的主流DLR算法各具特色：

1. TrueFidelity：直接处理原始正弦图数据，以低剂量扫描数据训练，高剂量FBP图像作为金标准
2. AiCE：在图像域运作，采用混合迭代重建(HIR)低剂量图像输入，以基于模型的迭代重建(MBIR)高剂量图像为参考
3. 其他算法：部分采用双域(正弦图+图像域)噪声建模，突破传统预定义噪声模型的限制

临床价值

DLR的噪声控制能力理论上可使辐射剂量降低59.6%而不影响诊断质量。在对比剂应用方面，研究显示使用碘浓度240mg/mL的对比剂时，DLR仍能保持优于IR的CNR(31.09 vs 21.17)，暗示可能减少对比剂用量。

局限与展望

当前研究存在三大局限：样本量有限(仅11项)、缺乏DLR算法间的直接对比、尚未验证实际剂量缩减方案。未来研究应重点解决：

• 建立标准化评估体系比较不同厂商DLR算法
• 探索DLR在低剂量协议(如80kVp)中的表现
• 开展多中心研究验证诊断准确性提升程度

结论

DLR技术为CCTA带来质的飞跃，其"双降双升"(降噪声/剂量、升SNR/CNR)特性将重塑冠状动脉影像评估范式。随着算法持续优化和临床验证深入，这项技术有望成为CAD诊断的新标准。