人工智能的引入对医学多个领域产生了重大影响。深度学习方法可在短时间内完成 CT 图像重建，且图像噪声低。此外，高分辨率深度学习重建（HR-DLR）通过深度卷积神经网络，能从常规分辨率 CT 生成高分辨率 CT 图像，其目标数据是使用层厚 0.25mm 的高分辨率 CT 扫描仪获取的实际高分辨率 CT 图像。在深度学习重建出现前，基于模型的迭代重建（MBIR）常用于心脏 CT 重建。MBIR 是一种基于原始数据的三维迭代图像重建方法，可在保留空间分辨率的同时降低噪声，其在正弦图和图像空间中联合优化图像质量。模体研究表明，HR-DLR 在低频噪声抑制和空间分辨率提升方面优于 MBIR。与传统重建方法相比，提升的空间分辨率可更好地显示冠状动脉支架和钙化斑块，改善支架内再狭窄和严重钙化的诊断性能。

评估中度狭窄的功能意义对确定是否需进行血运重建至关重要。基于 CT 数据计算的血流储备分数（CT-FFR）已被推荐用于评估功能严重程度，其通过计算流体动力学（CFD）来计算冠状动脉血压。尽管 CT-FFR 在诊断冠状动脉狭窄功能严重程度方面优于冠状动脉 CT，但当钙化评分高于 400 时，其诊断性能会下降。我们假设，HR-DLR 提升的空间分辨率可改善 CT-FFR 相较于传统重建的诊断性能。

最近，发表在European Radiology 上的一篇文章比较了基于模型的迭代重建（MBIR）和高分辨率深度学习重建（HR-DLR）图像的 CT 衍生血流储备分数（CT-FFR）诊断功能显著性狭窄的性能，并以有创 FFR 作为参考标准。

这项单中心回顾性研究纳入 2022 年 2 月至 2024 年 3 月期间连续 79 例（平均年龄 70±11 岁，57 例男性）接受冠状动脉 CT 血管造影后行有创 FFR 检查的患者。使用无网格模拟计算 CT-FFR，功能显著性狭窄的临界值定义为 FFR≤0.80。通过受试者工作特征曲线分析比较 MBIR 和 HR-DLR 的 CT-FFR 性能。

有创 FFR 平均值为 0.81±0.09，98 支血管中 46 支（47%）FFR≤0.80。HR-DLR 的平均噪声低于 MBIR（14.4±1.7 vs 23.5±3.1，p<0.001）。HR-DLR 诊断功能显著性狭窄的受试者工作特征曲线下面积为 0.88（95% CI：0.80，0.95），高于 MBIR 的 0.76（95% CI：0.67，0.86；p=0.003）。HR-DLR 的诊断准确率为 88%（98 支血管中 86 支，95% CI：80，94），高于 MBIR 的 70%（98 支血管中 69 支，95% CI：60，79；p<0.001）。 

表 检测具有功能意义的狭窄（FFR≤0.80）的诊断性能

本项研究表明， HR-DLR 可改善图像质量及 CT-FFR 诊断功能显著性狭窄的性能。

原文出处：

Nobuo Tomizawa,Ruiheng Fan,Shinichiro Fujimoto,et al.High-resolution deep learning reconstruction to improve the accuracy of CT fractional flow reserve.DOI:10.1007/s00330-025-11707-w

Tags： European Radiology：高分辨率深度学习重建提高CT分流储量的精度