科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的:探讨基于人工智能的辅助运动校正(CardioCapture)算法对冠状动脉图像质量的影响。方法:回顾性分析58例患者的前瞻性心电门控轴扫模式CCTA数据，对每例患者分别采用固定时相(A组)和最佳时相(ePhase)(B组)重建图像，并在ePhase条件下采用不同等级[level-3(C组)、level-5(D组)、level-7(E组)、level-9(F组)] CardioCapture算法进行图像重建。记录各组图像重建所需时间，测量各组图像右冠状动脉(RCA)、左冠状动脉前降支(LAD)、左冠状动脉回旋支(LCX)以及胸壁肌肉组织的CT值及其SD值，计算各组图像上冠脉的信噪比(SNR)和对比噪声比(CNR)。采用5分制对RCA、LAD与LCX图像质量进行主观评分，并比较心率≤65次/min(29例)时与心率>65次/min(29例)时6组图像RCA、LAD与LCX的主观评分，以及3支冠脉节段的可诊断(3～5分)率和优秀(5分)率。采用单因素方差分析比较各组间图像客观指标的差异，Friedman检验评估各组图像之间主观评分的差异，卡方检验分析3支冠脉节段的可诊断率和优秀率，组间两两比较采用Bonferroni检验。结果:A组至F组图像重建时间分别为(28.80±0.17)、(28.61±1.00)、(90.92±0.20)、(123.48±0.78)、(156.86±1.35)和(190.08±5.19)秒。C组图像平均CT值、SD值、SNR以及CNR分别为(446.35±70.36)HU、(25.09±3.25)HU、18.02±3.33和16.22±3.43,与其它组比较差异均无统计学意义(P值均>0.05)。当心率≤65次/min时，C组RCA、LAD和LCX的主观评分分别为(4.92±0.24)、(4.94±0.25)和(4.90±0.30)分，与其它组比较差异无统计学意义(P均>0.05)。C组图像冠脉节段的可诊断率和优秀率分别为100%和94.85%,与其它组比较差异无统计学意义(P均>0.05)。当心率>65次/min时，C组中RCA、LAD和LCX的主观评分分别为(4.83±0.26)、(4.95±0.12)和(4.90±0.34)分，C组中仅RCA的主观评分与A组差异有统计学意义(P<0.05),C组各指标与其它组比较差异均无统计学意义(P均>0.05)。C组图像上冠脉节段的可诊断率(100%)高于A组(91.90%),差异具有统计学意义(P<0.05),但与其它组比较差异无统计学意义(P均>0.05)。C组图像上冠脉节段的优秀率(91.39%)高于A组(69.87%)和B组(83.80%),差异具有统计学意义(P<0.05),与其它组比较差异无统计学意义(P均>0.05)。结论:采用基于人工智能的辅助运动校正算法可提升冠状动脉图像质量，尤其是在心率>65次/min时可显著提升CCTA图像质量。推荐使用低校正等级(level-3)进行图像重建，可优化重建时间，并提高CCTA检查效率。
- 单位
