ISSN 1004-4140
CN 11-3017/P

非门控大螺距肺CT联合人工智能评估冠状动脉钙化积分的初探

刘丹丹, 李伟, 张永县, 赵波, 崔莹, 康天良, 马梓轩, 刘宇航, 牛延涛

刘丹丹,李伟,张永县,等. 非门控大螺距肺CT联合人工智能评估冠状动脉钙化积分的初探[J]. CT理论与应用研究(中英文),xxxx,x(x): 1-6. DOI: 10.15953/j.ctta.2024.085.
引用本文: 刘丹丹,李伟,张永县,等. 非门控大螺距肺CT联合人工智能评估冠状动脉钙化积分的初探[J]. CT理论与应用研究(中英文),xxxx,x(x): 1-6. DOI: 10.15953/j.ctta.2024.085.
LIU D D, LI W, ZHANG Y X, et al. Preliminary exploration of non-gated high-pitch chest CT combined with artificial intelligence in assessing coronary artery calcium score[J]. CT Theory and Applications, xxxx, x(x): 1-6. DOI: 10.15953/j.ctta.2024.085. (in Chinese).
Citation: LIU D D, LI W, ZHANG Y X, et al. Preliminary exploration of non-gated high-pitch chest CT combined with artificial intelligence in assessing coronary artery calcium score[J]. CT Theory and Applications, xxxx, x(x): 1-6. DOI: 10.15953/j.ctta.2024.085. (in Chinese).

非门控大螺距肺CT联合人工智能评估冠状动脉钙化积分的初探

详细信息
    作者简介:

    刘丹丹,女,副主任技师,医学硕士学位,首都医科大学附属北京同仁医院放射科技师长,主要从事辐射防护与剂量优化的研究。E-mail:trdandan4170@163.com

    通讯作者:

    牛延涛✉,男,主任技师,教授,博士研究生导师,首都医科大学附属北京同仁医院医学技术部主任。擅长医学影像成像技术理论和质量控制、辐射剂量管理与成像参数优化。E-mail:ytniu163@163.com

Preliminary exploration of non-gated high-pitch chest CT combined with artificial intelligence in assessing coronary artery calcium score

  • 摘要:

    目的:探讨非门控大螺距肺CT联合人工智能技术对冠脉钙化积分测量的可行性。方法:回顾性分析24例同时接受非门控大螺距肺CT和冠状动脉钙化积分CT扫描的患者图像。两个扫描组参数设置:①非门控大螺距肺CT平扫:CarekV和CareDose 4D,ref.kV 110,ref.mAs 80,螺距3,滤过核BR40。②心电门控冠状动脉钙化积分CT:CarekV,CareDose 4D,ref.kV 120,ref.mAs 50,螺距0.15,采集R-R间期35%以及75%,滤过核QR36。两组图像窗宽/窗位345/50,层厚/间隔3 mm/1.5 mm。两个扫描组图像根据3种测量方法(Syngo.via工作站测量、AI测量、AI+手动校正测量)各分为三个亚组,进行钙化积分(Agatston Score,AS)测量和风险分级,并记录工作站测量以及AI+手动校正测量所用时间。记录两种检查容积剂量指数(CTDIvol)、剂量长度乘积(DLP),并计算有效剂量(ED)。使用SPSS Statistics 27.0软件进行统计分析。结果:①大螺距肺CT管电压分别为100、110、120 kV,冠状动脉钙化积分CT均为120 kV。②大螺距肺CT和冠状动脉钙化积分CT的ED分别为(2.1±0.4)、(2.1±0.7) mSv。③大螺距肺CT的3种测量方法所得AS有统计学差异(X2=27.163,P<0.001),但AS一致性较高(ICC:0.988)。④大螺距肺CT联合AI(X2=4.795,P=0.091、ICC:0.990)、大螺距肺CT工作站(Z=0.912,P=0.362、ICC:0.988)、门控钙化积分联合AI(X2=10.900,P=0.004、ICC:0.980)分别与冠脉钙化积分工作站测得AS,均无统计学差异且一致性较高。⑤AI所得风险分级一致性很强,加权Kappa系数均在0.818-1.000之间。⑥两个扫描组的工作站与AI+手动校正测量所用时间均有统计学差异(Z =4.200、4.049,均P<0.001)。结论:非门控大螺距肺CT联合AI可获得可靠的冠脉钙化积分和风险分级结果且耗时短,具有较好的临床应用价值。

    Abstract:

    Objective: To investigate the feasibility of using non-gated high-pitch chest computed tomography (CT) combined with artificial intelligence (AI) technology to measure the coronary artery calcium score. Methods: In this retrospective analysis, we reviewed the images of 24 patients who underwent both non-gated high-pitch chest CT and coronary artery calcium scoring CT. The scanning parameters were as follows: ① non-gated high-pitch chest CT scan: CarekV and CareDose 4D, ref.kV 110, ref.mAs 80, pitch 3, filter core BR40; ② ECG-gated coronary artery calcification score CT: CarekV, CareDose 4D, ref.kV 120, ref.mAs 50, pitch 0.15, acquisition R-R interval 35% and 75%, filter core QR36. The image window width/window level of the two groups was 345/50, and the slice thickness/interval was 3 mm/1.5 mm. The images of the two scan groups were divided into three subgroups according to the three measurement methods (Syngo.via workstation measurement, AI measurement, and AI + manual correction measurement). The image calcification score (Agatston Score, AS) was measured, risk classification was performed, and the time taken for the workstation measurement and the AI + manual correction measurement was recorded. The volume dose index (CTDIvol) and dose-length product (DLP) of the two examinations were recorded, and the effective dose (ED) was calculated. SPSS Statistics software (version 27.0) was used for the statistical analysis. Results: The tube voltages of the high-pitch chest CT were 100, 110, and 120 kV, and the coronary artery calcium score was 120 kV. EDs of high-pitch chest CT and coronary artery calcium score CT were 2.1±0.4 and 2.1±0.7 mSv, respectively. The three measurement methods used for high-pitch chest CT showed significant differences in AS (X2=27.163, P < 0.001), but the consistency of AS was high (ICC: 0.988). Regarding AS measurement, high-pitch chest CT combined with AI (X2 = 4.795, P = 0.091, ICC: 0.990), high-pitch chest CT using a workstation (Z = 0.912, P = 0.362, ICC: 0.988), and gated calcium scoring combined with AI (X2 = 10.900, P = 0.004, ICC: 0.980) showed no significant differences or high consistency compared to the workstation for coronary artery calcium scoring. The risk classification obtained by the AI was highly consistent, and the weighted kappa coefficients were between 0.818 and 1.000. The time taken for measurements using the workstation and AI + manual correction in both scanning groups showed significant differences (Z = 4.200, 4.049, P < 0.001). Conclusion: Non-gated high-pitch chest CT combined with AI can provide reliable results for artery calcium scores and risk classification with reduced time consumption, demonstrating substantial clinical utility.

  • 原发性小肠淋巴管扩张症(primary intestinal lymphangiectasia,PIL)是一种小肠黏膜和黏膜下多发淋巴管扩张,导致蛋白由肠黏膜丢失,从而出现低白蛋白血症、低淋巴细胞血症和低免疫球蛋白血症的一种罕见的蛋白丢失性肠病,其发病原因不明[1-4]。病理学上,PIL表现为小肠黏膜和黏膜下多发迂曲扩张的淋巴管[5-6]。PIL患者的主要临床症状为乏力、腹痛、体重减轻,甚至部分患者出现脂肪泻,主要体征为肢体肿胀、腹泻和浆膜腔积液[1-3,6-10]。由于PIL缺乏特异性症状,且与其它消化系统疾病、营养不良性疾病的症状相似,故常常导致漏诊或误诊。PIL的确诊依据是内镜下的组织病理学检查,然而该检查是侵入性的,且只能评价小肠肠壁粘膜局部病变[11-13],而对于腹腔内是否存在异常扩张淋巴管,以及该异常淋巴管的部位、范围和分布则不能评价[6,13-14],这不利于PIL疾病的精准诊断,更不利于合理治疗方式的选择。

    淋巴循环影像学是近年来的研究热点[15-18]。既往研究表明,直接淋巴管造影可动态评价淋巴循环的整体情况,CT淋巴管成像(CT lymphangiography,CTL)与内镜相结合,则可对PIL的小肠、肠系膜以及机体其它部位淋巴循环的异常进行综合评价[16,18-21]。然而,对于PIL的分型和分类尚无明确报道研究,这不利于对发病机制的探讨和治疗方式的选择。

    因此,本研究通过回顾性分析首都医科大学附属北京世纪坛医院PIL的临床和影像学资料,基于CTL特征性影像学征象首次提出PIL的影像学分型方法,基于此分型比较不同类型PIL的影像和临床征象的差异,用于进一步探讨PIL的发病机制,选择合理化的治疗方式。

    本研究通过医院伦理委员会批准,回顾性分析2016年1月至2019年12月入我中心确诊为PIL进行诊疗的患者。

    入组标准:①以反复发作的肢体肿胀、低蛋白血症、腹泻等为主要表现,经内镜下和病理组织证实为PIL的患者;②入院后 1月内行CTL和核素淋巴管显像者;③既往未经手术和侵入性操作破坏淋巴循环的患者。排除标准:①小肠原发病变,如结核、炎症性肠病、结缔组织病、系统性红斑狼疮等自身免疫性肠病等;②各种原因导致的低蛋白血症,包括:营养不良性、蛋白合成功能障碍性、肾脏和/或其它部位蛋白丢失导致的低蛋白血症;③继发性淋巴循环异常,如肿瘤、手术、外伤、放化疗等导致患者淋巴循环异常者;④未行肠镜和 CTL检查者。

    CTL的检查步骤[16,18-19]。①浅表淋巴管的标记与染色:患者取仰卧位,将无肿胀或肿胀程度较轻侧的肢体的双足暴露,取染色剂2 mL(利多卡因与亚甲蓝混合液,比例1︰1),注射于第1和第2足趾间皮下及皮内组织,观察局部淋巴管染色标记成功;②浅表淋巴管的穿刺:显微镜下由淋巴外科医师穿刺已染色的淋巴管,注入大分子对比剂碘化油(Lipiodol UF,Guerbet公司),总量约8~20 mL,流率4~6 mL/h;③动态观察淋巴循环过程:在DSA间断动态记录整个淋巴循环的回流过程,即记录对比剂由起点至终点的全过程(足淋巴管至胸导管末端),观察对比剂由胸导管末端回流入血的情况;④CTL:观察对比剂由胸导管末端入血后的20 min至2 h内,对患者行CT检查,扫描范围从颈部至盆腔,扫描参数:80~120 kVp,100~120 mAs,重建层厚2 mm,间隔1.8 mm。所有图像经过后处理重建,横断面、冠状面、矢状面和MIP等多角度观察,最终得出整体淋巴循环的评价。

    所有CTL图像由两名医师(副主任医师,工作14年和17年)分别阅片。评价内容:①小肠病变,包括肠壁环状增厚和肠系膜密度增高,其中肠壁厚度≥3 mm为增厚,肠系膜密度增高定义为与相应节段无水肿的皮下脂肪密度相比,CT值提高20 HU以上,且所取测量区域无浆膜腔积液表现;②浆膜腔积液,包括胸腔、腹腔及心包积液;③异常淋巴管分布的部位与范围,是指小肠肠壁、肠系膜、腹膜后、结肠、直肠和/或实质脏器等出现异常分布的不规则线条状、团片状、簇状对比剂,提示局部存在异常扩张的淋巴管;④淋巴返流,是指对比剂沿扩张淋巴管由乳糜池、腰干返流至注射对侧的淋巴管,主要表现为双侧盆腔及髂血管旁多发对比剂;⑤淋巴瘘,表现为对比剂分布于肠管内和/或腹盆腔内,提示淋巴液没有回流入正常的淋巴循环,而随着局部瘘口流入肠腔和/或浆膜腔;⑥淋巴结,腹腔、肠系膜、盆腔内出现短径大于1 cm的淋巴结;⑦颈部异常对比剂分布,表现为颈部、腋下出现多发异常对比剂分布,部分甚至出现潴留样改变[18-19]

    基于对比剂是否出现于小肠肠壁和/或肠系膜这一特异性征象,本组将PIL分为Ⅰ型(CTL阳性组)与Ⅱ型(CTL阴性组)。当出现评价结果不一致时,由两名医师再次共同读片,达成一致后,记录最终评价结果。

    分别比较两组PIL患者的临床资料与影像征象,包括年龄、性别、首次发病年龄、临床症状与体征、白蛋白等,影像征象比较包括肠壁增厚、肠系膜密度增高、浆膜腔积液、异常淋巴管分布的部位范围、淋巴返流、淋巴瘘、腹腔内淋巴结和颈部异常对比剂分布。定量资料采用独立样本t检验,计数资料采用卡方检验,取P<0.05具有统计学意义。

    本研究最终入组PIL患者共34例(女/男,17/17例,年龄范围1~27岁,平均年龄(11.4±7.7)岁。主要临床表现为不同程度的腹泻,下肢和/或全身淋巴水肿及低蛋白血症,其中Ⅰ型15例,Ⅱ型19例。Ⅰ型患者的首次发病年龄高于Ⅱ型(15.3±9.4 vs. 8.3±3.8),临床症状中腹泻的发生率高于Ⅱ型,而肢体和/或颜面部肿胀的比例低于Ⅱ型,其性别比与血清白蛋白含量(g/L)则无明显差异。两组PIL临床特征的比较分析见表1

    表  1  不同类型PIL的临床特征比较分析
    Table  1.  Comparison of clinical characteristics in different types of PIL
    临床特征类型 统计检验
    Ⅰ型(n=15)Ⅱ型(n=19)t/χ2P
      首次发病年龄   15.3±9.4   8.3±3.8     2.995   <0.010
      性别比(女/男)   7/8   10/9    0.119    0.730
      腹泻   11(73.3%)   6(31.6%)    5.846    0.016
      颜面和/或肢体肿胀   8(53.3%)   19(100%)   11.165   <0.010
      血清白蛋白/(g/L)   17.1±4.4   18.6±6.3   -0.935    0.357
    下载: 导出CSV 
    | 显示表格

    Ⅰ型PIL对比剂异常分布主要位于十二指肠、空肠和回肠,8例患者病变广泛,表现为腹腔内腹膜、肠系膜、多组小肠、结肠均出现异常分布对比剂(图1)。Ⅱ型PIL主要影像学征象为肠壁增厚、肠系膜弥漫密度增高、且肠系膜和肠壁没有对比剂分布(图2)。两组PIL影像征象的比较结果见表2,结果表明:Ⅰ型出现腹膜后淋巴管扩张和淋巴瘘的比例高于Ⅱ型,而出现肠系膜密度增高和腹腔淋巴结的比例明显低于Ⅱ型。两组患者在小肠壁增厚、浆膜腔积液、返流样表现(图2)和颈部异常扩张淋巴管(图3)方面的比例差异无统计学意义(表2)。

    图  1  Ⅰ型PIL,多发对比剂异常分布
    Figure  1.  Type Ⅰ PIL with diffusive abnormal contrast media in abdomen
    图  2  Ⅱ型PIL伴返流
    Figure  2.  Type Ⅱ PIL with lymph reflux
    表  2  不同类型PIL的影像特征比较分析
    Table  2.  Comparison of CTL imaging features in different types of PIL
    影像特征类型统计检验
    Ⅰ型(n=15)Ⅱ型(n=19)χ2P
      小肠改变
        肠壁环形增厚2(13.3%)1(5.3%) 0.6790.410
        肠系膜密度增高7(46.7%)18(94.7%) 9.9520.002
      浆膜腔积液
        仅腹腔积液1(6.7%) 3(15.8%)0.6720.412
        腹腔+胸腔积液1(6.7%) 4(21.1%)1.3830.240
      返流样表现8(53.3%)7(36.8%)0.9250.336
      淋巴瘘5(33.3%)0(0.0%)7.4250.006
      腹腔内淋巴结2(13.3%)12(63.2%) 8.5910.003
      腹膜后淋巴管扩张13(86.7%) 026.660 0.000
      颈部扩张淋巴管5(33.3%)12(63.2%) 2.9820.084
    下载: 导出CSV 
    | 显示表格
    图  3  颈部异常对比剂分布
    Figure  3.  Abnormal distribution of contrast media around neck area

    PIL的典型临床症状与表现为腹泻、肢体肿胀与反复发作的低蛋白血症[5-6]。本研究结果表明,不同分型的PIL在临床症状、体征与典型实验室检查结果之间存在一定的差异。Ⅰ型患者首次就诊时通常为青少年,部分甚至成年后入院就诊方能诊断。Ⅱ型PIL患者的首次发病年龄更小,部分患者甚至在不满1岁即确诊。追溯原因可能为Ⅰ型患者常表现为不典型的腹泻,部分出现低蛋白血症,肢体肿胀常被低蛋白血症掩盖,临床症状缺乏特异性,容易与其他代谢类疾病及营养不良类疾病混淆,导致出现漏诊或误诊。Ⅱ型患者通常婴幼儿起病,且伴有肢体淋巴肿,可单侧,也可双侧,且常并发上肢、颜面部肿胀,部分甚至出现生长发育迟缓,容易被发现引起重视而及时就诊。

    两组患者的性别比和白蛋白水平比较则无差异,提示两种不同类型的PIL并未表现出性别差异,该类患者需耐心追溯病史与症状,推断发病时间,从而得到明确诊断,进而采用合理化治疗方案早期干预。

    CTL评价PIL中异常淋巴管部位、范围和程度的主要方式,是基于CT图像中对比剂分布的部位和范围[16-19]。主要依据是,本研究中采用显微镜下穿刺远端淋巴管,进而注射入大分子对比剂碘化油作为对比剂,该对比剂分子量很大,不能穿透淋巴管进入周围组织和血管。从而,对比剂所分布的区域,就是淋巴管和淋巴结所在的位置,因此可通过CTL成像,评价异常淋巴管的分布、走行和范围

    本研究中,Ⅰ型患者对比剂异常分布,主要位于十二指肠、空肠和回肠,部分患者病变广泛,表现为腹腔内腹膜、肠系膜、多组小肠、结肠均出现异常扩张的淋巴管。主要CTL影像表现为腹腔多组小肠、结肠的肠壁和/或肠系膜,以及腹腔内的腹膜、肠系膜等相应部位出现散在多发点、片状对比剂,提示局部有扩张淋巴管(图1)。因此CTL可以对异常淋巴管扩张的部位和累及范围的进行评价,有利于患者有针对性的合理治疗方案的选择。

    Ⅱ型PIL是本研究中的另一种分型,主要影像学征象为肠壁增厚、肠系膜弥漫密度增高、且肠系膜和肠壁没有对比剂分布(图2)。这表明该类患者淋巴循环中的对比剂到达腰干和乳糜池后,并没有沿肠干向肠系膜和小肠肠壁返流,而是继续上行经胸导管回流入血,提示肠干、肠系膜和小肠肠壁的淋巴液还可以继续向乳糜池回流,而内镜下该类患者同样表现为小肠粘膜和粘膜下的淋巴管扩张,提示该类患者可能主要病变位于小肠粘膜,而不是整体的淋巴循环。

    因此,基于CTL对比剂是否出现于小肠肠壁和/或肠系膜的这一典型影像学征象,将PIL分为这两种类型,有利于PIL的精准评价,对探讨PIL的发病机制具有重要意义。此外,Ⅰ型与Ⅱ型出现该种差异的原因也可能与Ⅱ型患者年龄幼小,病程短,其它部位淋巴系统异常还未表现出来有关,进一步研究则需长时间随访予以证实。

    CTL检查显示淋巴返流是淋巴循环动力学异常的主要征象,这是CTL成像机制决定的[16-19]。本研究中,CTL采用的是直接淋巴管造影,对比剂采用的是特殊对比剂碘化油,这种对比剂不能通过淋巴管的内膜,因此只能分布于淋巴循环系统内,将对比剂由足远端淋巴管缓慢推注,对比剂会沿着淋巴回流途径经下肢、盆腔、腰干、乳糜池、胸导管回流入静脉,DSA下动态观察可完成淋巴循环系统回流情况的整体评价。本研究中,共15例(44.1%)的患者出现返流征象,且Ⅰ型与Ⅱ型均可出现,差异无统计学意义,提示PIL患者较易出现淋巴循环动力学的异常,其具体发病机制尚需进一步研究。

    颈部出现异常扩张淋巴管是PIL患者的另一影像表现[20-21]。颈部出现异常扩张淋巴管主要受两种因素影响:首先是胸导管出口是淋巴循环的终点,此处存在淋巴回流异常,如各种原因导致的胸导管出口梗阻,则淋巴循环内的对比剂回流入血的途径受阻,导致淋巴液逆流甚至返流入周围颈部淋巴管,随着病程的延长,胸导管出口旁的颈部淋巴管则多发扩张,形成颈部对比剂的异常分布;其次,患者可能存在广泛的淋巴循环发育异常,因而颈部也存在有多发扩张的淋巴管,导致局部出现对比剂的聚集。本研究结果表明,CTL I型与Ⅱ型出现颈部异常对比剂分布的差异虽无统计学意义,但Ⅱ型的比例明显较高,依靠目前的影像和临床分型,尚无法确定PIL出现该现象的病理生理机制,需进一步通过病理组织学检查予以确定。

    两种类型PIL的其它影像学征象对比中,Ⅰ型出现腹膜后淋巴管扩张和淋巴瘘的比例高于Ⅱ型,推测原因为I型在肠系膜和肠壁内有多发扩张的淋巴管,该部分淋巴管内有大量淋巴液经下肢和淋巴循环返流入局部小肠和肠系膜,当患者局部淋巴管压力过大,或病变累及到小肠粘膜破坏淋巴管的完整性时,则易于出现淋巴液瘘出至肠腔和/或浆膜腔这种征象。Ⅱ型患者由于没有对比剂返流至肠干和小肠壁,因此不易出现淋巴肠腔瘘和淋巴浆膜腔瘘。此外,两组患者小肠壁增厚、浆膜腔积液出现的比例无统计学差异,推测是由于该两种征象缺乏特异性。

    本研究存在一定的局限性。①本研究采用的影像诊断方法是 CTL,反映的是DSA下直接淋巴管造影术后对比剂分布的最终结果,属于静态评价,并不能反映整体淋巴循环的动态回流过程,要得到淋巴循环的完整评估,进一步研究需将DSA和CTL结合方能实现;②CTL属于有创性检查,对于年龄小的患者,尤其是幼儿,需进行全麻下操作,这需要儿科、麻醉科、显微外科、淋巴外科等多学科合作完成,这限制了其广泛应用和开展;③本研究为单中心回顾性研究,受样本量的影响,部分征象评价不全面,需进一步扩大样本研究。

    总之,CTL可以评价PIL患者异常淋巴管分布的部位、范围和程度,本研究基于CTL特征首次提出的PIL影像分型,不同类型的PIL显示出不同的临床和影像特征,对进一步探讨此类淋巴循环异常类疾病的机制具有重要价值。

  • 图  1   (a) 大螺距肺CT示例图;(b) 冠状动脉钙化积分CT示例图

    注:此患者性别女,BMI:23.8,大螺距肺CT与门控冠状动脉钙化积分检查结果均为“低风险”。

    Figure  1.   (a) large-pitch lung computed tomography (CT) sample; (b) Sample CT scan of coronary artery calcification

    表  1   两种扫描方法扫描参数和辐射剂量

    Table  1   Scanning parameters and radiation doses in the two scanning methods

    扫描方法 实际管电压(kV) 实际管电流(mAs) 容积剂量指数(mGy) 剂量长度乘积(mGy·cm) 有效剂量(mSv)
    非门控大螺距肺CT 120(4)* 84-102(4)* 4.0±0.7 149.2±31.2 2.1±0.4
    110(13)* 72-104(13)*
    100(7)* 102-158(7)*
    心电门控冠状动脉
    钙化积分CT
    120(24)* 22-64(24)* 9.0±2.8 152.2±49.2 2.1±0.7
    注:*括号内数值代表病例数。
    下载: 导出CSV

    表  2   两种扫描方式图像使用3种测量方法所得钙化积分统计分析

    Table  2   Calcification scores of the two scanning images using three measurement methods

    扫描方式 测量方法
    Syngo.via
    工作站测量
    AI测量 AI+手动
    校正测量
    X2 P ICC 工作站与AI
    测量Kappa
    工作站与AI+
    手动校正
    测量Kappa
    非门控大螺
    距肺CT
    99.70(32.20,374.80) 97.00(31.00,337.00)1 97.50(31.00,351.25)1 27.163 <0.001 0.988
    (0.977,0.995)*
    0.818 0.818
    心电门控冠
    脉钙化积分CT
    96.75(30.90,363.40) 90.97(38.59,329.48)2 95.29(30.52,356.43)2 10.900 0.004 0.980
    (0.960,0.990)*
    1.000 1.000
    注:1使用AI非门控钙化积分模块测量;2使用AI门控钙化积分模块测量;ICC,组内相关系数;*括号内数值为95%置信空间;Kappa,加权Kappa系数。
    下载: 导出CSV
  • [1] 周俊林, 萧毅, 张雪君, 等. 中国医学影像人工智能应用现状调研报告[J]. 中华放射学杂志, 2022, 56(11): 1248−1253. DOI: 10.3760/cma.j.cn112149-20220802-00650.

    ZHOU J L, XIAO Y, ZHANG X J, et al. A survey report on the application status of artificial intelligence in medical imaging in China. Chinese Journal of Radiology, 2022, 56(11): 1248−1253. DOI: 10.3760/cma.j.cn112149-20220802-00650. (in Chinese).

    [2]

    YU J, QIAN L, SUN W, et al. Automated total and vessel-specific coronary artery calcium (CAC) quantification on chest CT: direct comparison with CAC scoring on non-contrast cardiac CT. BMC Med Imaging. 2022 Oct 14;22(1): 177. DOI: 10.1186/s12880-022-00907-1.

    [3]

    CHANG S, REN L, TANG S, et al. Technical note: Exploring the detectability of coronary calcification using ultra-high-resolution photon-counting-detector CT. Med Phys. 2023 Nov;50(11): 6836−6843. DOI: 10.1002/mp.16712.

    [4]

    LLEWELLYN O, WILLIAMS M C. What should we do about Coronary Calcification on Thoracic CT? Rofo. 2022 Aug;194(8): 833−840. English. DOI: 10.1055/a-1752-0577.

    [5]

    JACOBS P C, ISGUM I, GONDRIE M J, et al. Coronary artery calcification scoring in low-dose ungated CT screening for lung cancer: interscan agreement. AJR Am J Roentgenol. 2010 May;194(5): 1244−9. DOI: 10.2214/AJR.09.3047.

    [6]

    PARK S H, HAN K. Methodologic Guide for Evaluating Clinical Performance and Effect of Artificial Intelligence Technology for Medical Diagnosis and Prediction. Radiology. 2018 Mar;286(3): 800−809. DOI: 10.1148/radiol.2017171920.

    [7]

    The 2007 Recommendations of the International Commission on Radiological Protection. ICRP publication 103. Ann ICRP. 2007;37(2−4): 1−332. DOI: 10.1016/j.icrp.2007.10.003.

    [8] 孙会利, 陈杰, 张焕, 等. 基于人工智能技术的非门控胸部CT平扫对冠状动脉钙化积分的准确性评价[J]. CT理论与应用研究, 2021, 30(1): 106−113. DOI: 10.15953/j.1004-4140.2021.30.01.11.

    SUN H L, CHEN J, ZHANG H, et al. Accuracy evaluation of coronary artery calcification score by non gated chest CT scan based on artificial intelligence technology[J]. CT Theory and Applications, 2021, 30(1): 106−113. DOI: 10.15953/j.1004-4140.2021.30.01.11.

    [9]

    LESSMANN N, VAN GINNEKEN B, ZREIK M, et al. Automatic Calcium Scoring in Low-Dose Chest CT Using Deep Neural Networks With Dilated Convolutions. IEEE Trans Med Imaging. 2018 Feb;37(2): 615−625. DOI: 10.1109/TMI.2017.2769839.

    [10]

    LIU Y, CHEN X, LIU X, et al. Accuracy of non-gated low-dose non-contrast chest CT with tin filtration for coronary artery calcium scoring. Eur J Radiol Open. 2022 Jan 17;9: 100396. DOI: 10.1016/j.ejro.2022.100396.

    [11]

    BUDOFF M J, NASIR K, KINNEY G L, et al. Coronary artery and thoracic calcium on noncontrast thoracic CT scans: comparison of ungated and gated examinations in patients from the COPD Gene cohort. J Cardiovasc Comput Tomogr. 2011 Mar-Apr;5(2): 113−8. DOI: 10.1016/j.jcct.2010.11.002.

    [12] 顾耕, 陶欣慰, 邓建宏. 无门控大螺距胸部CT扫描心脏冠状动脉钙化积分的可行性研究[J]. 实用放射学杂志, 2022, 38(6): 910−914, 918. DOI: 10.3969/j.issn.1002-1671.2022.06.010.

    GU G, TAO X W, DENG J H. Coronary artery calcification score detection using thorax CT with TurboFlash mode: a feasibility study. Journal of Practical Radiology, 2022, 38(6): 910−914, 918. DOI: 10.3969/j.issn.1002-1671.2022.06.010. (in Chinese).

    [13] 樊荣荣, 刘凯, 夏晨, 等. AI对非门控胸部LDCT平扫冠状动脉钙化积分危险分层的预测价值[J]. 国际医学放射学杂志, 2022, 45(1): 21−26. DOI: 10.19300/j.2022.L18690.

    FAN R R, LIU K, XIA C, et al. Predictive value of AI in risk stratification of coronary artery calcification score using non-gated chest LDCT. International Journal of Medical Radiology, 2022, 45(1): 21−26. DOI: 10.19300/j.2022.L18690. (in Chinese).

    [14] 闫玉辰, 胡磊, 王焰, 等. 基于深度学习技术的非门控胸部CT冠脉钙化积分系统的准确性评价[J]. 放射学实践, 2023, 38(3): 273−278. DOI: 10.13609/j.cnki.1000-0313.2023.03.006.

    YAN Y C, HU L, WANG Y, et al. Accuracy evaluation of non-gated chest CT coronary calcification scoring system based on deep learning technology. Radiology Practice, 2023, 38(3): 273−278. DOI: 10.13609/j.cnki.1000-0313.2023.03.006. (in Chinese).

    [15]

    ANDRE F, SEITZ S, FORTNER P, et al. Simultaneous assessment of heart and lungs with gated high-pitch ultra-low dose chest CT using artificial intelligence-based calcium scoring. Eur J Radiol Open. 2023 Feb 15;10: 100481. DOI: 10.1016/j.ejro.2023.100481.

    [16] 陈丽虹, 郭银霞, 李雅楠, 等. 人工智能冠状动脉钙化积分自动测量方法的临床有效性评估[J]. 实用放射学杂志, 2023, 39(1): 45−48, 69. DOI: 10.3969/j.issn.1002-1671.2023.01.012.

    CHEN L H, GUO Y X, LI Y N, et al. Clinical effectiveness evaluation of artificial intelligence automatic measurement method for coronary artery calcium score. Journal of Practical Radiology, 2023, 39(1): 45−48, 69. DOI: 10.3969/j.issn.1002-1671.2023.01.012. (in Chinese).

    [17]

    COVAS P, DE GUZMAN E, BARROWS I, et al. Artificial Intelligence Advancements in the Cardiovascular Imaging of Coronary Atherosclerosis. Front Cardiovasc Med. 2022 Mar 21;9: 839400. DOI: 10.3389/fcvm.2022.839400.

图(1)  /  表(2)
计量
  • 文章访问数:  69
  • HTML全文浏览量:  12
  • PDF下载量:  13
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-06-06
  • 修回日期:  2024-09-04
  • 录用日期:  2024-09-09
  • 网络出版日期:  2024-10-22

目录

/

返回文章
返回
x 关闭 永久关闭