
-
生物通官微
陪你抓住生命科技
跳动的脉搏
对比增强计算机断层扫描与离体重量分析在主动脉瓣钙化定量评估中的准确性:固定Hounsfield单位阈值与深度学习分割方法的比较
《BMC Cardiovascular Disorders》:Validation of aortic valve calcification quantification on contrast-enhanced computed tomography against ex vivo gravimetric analysis: comparison of fixed Hounsfield unit thresholds and deep learning segmentation
【字体: 大 中 小 】 时间:2026年06月23日 来源:BMC Cardiovascular Disorders 2.3
编辑推荐:
摘要背景在对比增强计算机断层血管造影中准确量化主动脉瓣钙化对于规划外科手术和经导管主动脉瓣置换术至关重要。目前,尚无明确适用于对比增强图像中钙化检测的最佳霍恩菲尔德单位阈值,此前的所有验证研究都依赖非对比性的阿加斯顿评分——它本身也是一种基于影像的估算值——作为参考标准。本研究以
在对比增强计算机断层血管造影中准确量化主动脉瓣钙化对于规划外科手术和经导管主动脉瓣置换术至关重要。目前,尚无明确适用于对比增强图像中钙化检测的最佳霍恩菲尔德单位阈值,此前的所有验证研究都依赖非对比性的阿加斯顿评分——它本身也是一种基于影像的估算值——作为参考标准。本研究以离体测得的钙质重量这一绝对物理基准,对两种常用的固定霍恩菲尔德单位阈值(450 HU和850 HU)以及一种可自配置的nnU-Net深度学习模型进行了验证。
本研究为一项回顾性队列研究,共纳入400名患者,并预先确定了时间上的验证分组:300名患者的主动脉瓣钙化通过CT确认,另外100名患者的主动脉瓣正常。在临床提示需进行术前对比增强CTA后的7天内接受选择性开放手术主动脉瓣置换术的50名患者组成了手术验证组;这些患者切除的天然瓣叶经过标准化的高温灰化处理(550℃,12小时),再通过精确到0.1毫克的称重方式,得出钙质重量。其余350例患者则用于nnU-Net模型的开发(280例用于训练,70例用于内部验证)。在验证组中,根据CT数据得出的钙质重量估算值会通过皮尔逊相关系数、斯皮尔曼相关系数以及布兰德-阿尔特曼分析,与实际测得的钙质重量进行比较。
nnU-Net与实际钙质重量的相关性最强(皮尔逊相关系数为0.967;偏差为+6.2毫克;均方根误差为13.7毫克),其相关性能显著优于450 HU阈值(皮尔逊相关系数为0.864;偏差为+36.2毫克;均方根误差为42.1毫克;施泰格p值小于0.001),并且与850 HU阈值相比也呈现出较强的相关趋势,但差异未达到统计学显著性(皮尔逊相关系数为0.929;偏差为+17.5毫克;均方根误差为23.9毫克;施泰格p值为0.085)。与850 HU阈值相比,nnU-Net的偏差和均方根误差更低,不过二者在皮尔逊相关系数上的差异并未达到统计显著性。450 HU阈值存在明显的比例偏差(p值为0.024),而850 HU阈值和nnU-Net则没有这种情况。nnU-Net的 Dice系数平均值为0.873,交并比为0.812。
与实际测得的钙质重量相比,nnU-Net深度学习分割技术在对比增强CTA中的应用表现最为优异,不仅偏差和均方根误差最低,相关系数也最强。虽然nnU-Net的皮尔逊相关系数相比850 HU阈值有提升趋势,但该趋势并不具有统计学显著性,而在误差和一致性指标方面,nnU-Net明显更优。在各类固定阈值中,850 HU阈值的性能远优于450 HU阈值,它能够提供直接的物理证据而非间接的影像学证据,因此更适合被用作标准对比增强检查方案中的首选固定阈值。
在对比增强计算机断层血管造影中准确量化主动脉瓣钙化对于规划外科手术和经导管主动脉瓣置换术至关重要。目前,尚无明确适用于对比增强图像中钙化检测的最佳霍恩菲尔德单位阈值,此前的所有验证研究都依赖非对比性的阿加斯顿评分——它本身也是一种基于影像的估算值——作为参考标准。本研究以离体测得的钙质重量这一绝对物理基准,对两种常用的固定霍恩菲尔德单位阈值(450 HU和850 HU)以及一种可自配置的nnU-Net深度学习模型进行了验证。
本研究为一项回顾性队列研究,共纳入400名患者,并预先确定了时间上的验证分组:300名患者的主动脉瓣钙化通过CT确认,另外100名患者的主动脉瓣正常。在临床提示需进行术前对比增强CTA后的7天内接受选择性开放手术主动脉瓣置换术的50名患者组成了手术验证组;这些患者切除的天然瓣叶经过标准化的高温灰化处理(550℃,12小时),再通过精确到0.1毫克的称重方式,得出钙质重量。其余350例患者则用于nnU-Net模型的开发(280例用于训练,70例用于内部验证)。在验证组中,根据CT数据得出的钙质重量估算值会通过皮尔逊相关系数、斯皮尔曼相关系数以及布兰德-阿尔特曼分析,与实际测得的钙质重量进行比较。
nnU-Net与实际钙质重量的相关性最强(皮尔逊相关系数为0.967;偏差为+6.2毫克;均方根误差为13.7毫克),其相关性能显著优于450 HU阈值(皮尔逊相关系数为0.864;偏差为+36.2毫克;均方根误差为42.1毫克;施泰格p值小于0.001),并且与850 HU阈值相比也呈现出较强的相关趋势,但差异未达到统计学显著性(皮尔逊相关系数为0.929;偏差为+17.5毫克;均方根误差为23.9毫克;施泰格p值为0.085)。与850 HU阈值相比,nnU-Net的偏差和均方根误差更低,不过二者在皮尔逊相关系数上的差异并未达到统计显著性。450 HU阈值存在明显的比例偏差(p值为0.024),而850 HU阈值和nnU-Net则没有这种情况。nnU-Net的 Dice系数平均值为0.873,交并比为0.812。
与实际测得的钙质重量相比,nnU-Net深度学习分割技术在对比增强CTA中的应用表现最为优异,不仅偏差和均方根误差最低,相关系数也最强。虽然nnU-Net的皮尔逊相关系数相比850 HU阈值有提升趋势,但该趋势并不具有统计学显著性,而在误差和一致性指标方面,nnU-Net明显更优。在各类固定阈值中,850 HU阈值的性能远优于450 HU阈值,它能够提供直接的物理证据而非间接的影像学证据,因此更适合被用作标准对比增强检查方案中的首选固定阈值。