=====
背景
冠状动脉疾病（CAD）是全球主要死亡原因之一。冠状动脉计算机断层扫描血管造影（CCTA）是一种广泛使用的非侵入性成像方法，用于诊断CAD和评估动脉粥样硬化斑块。深度学习图像重建（DLR）作为一种先进技术，相较于传统重建方法，在提高图像质量和降低辐射剂量方面展现了巨大潜力。
主要内容
本系统评价旨在评估DLR对CCTA图像质量和辐射剂量的影响，并将其与迭代重建（IR）和滤波反投影（FBP）进行比较。我们对PubMed、Web of Science、ScienceDirect和Embase数据库进行了系统文献检索，涵盖了截至2024年2月的所有相关文章。在初步筛选出的281项研究中，有11项符合预先设定的纳入标准，并使用JBI诊断准确性研究关键评估清单进行了严格评估。我们提取并分析了图像噪声、信噪比（SNR）和对比噪声比（CNR）等数据。研究结果表明，与IR和FBP相比，DLR通过减少噪声并提高SNR和CNR显著提升了图像质量。此外，DLR能够在保持诊断图像质量的同时降低辐射剂量。
结论
基于深度学习的图像重建技术在改善CCTA图像质量和降低辐射剂量方面展现出巨大潜力。然而，进一步的比较研究对于全面评估其对诊断准确性的影响以及优化临床实施至关重要。
引言
冠状动脉疾病（CAD）是全球死亡的主要原因。该病涉及动脉粥样硬化斑块的形成，导致冠状动脉狭窄和闭塞，从而中断心肌的血液供应，引发胸痛（心绞痛），严重时甚至导致心肌梗死（MI）。除了直接的心脏影响外，CAD还与更广泛的血管事件相关，包括短暂性脑缺血发作和中风1 Coronary artery disease: from mechanism to clinical practice. Adv Exp Med Biol 1177:1–36")。
冠状动脉CT血管造影（CCTA）是一种广泛使用的非侵入性成像技术，用于诊断CAD、检测动脉粥样硬化斑块并评估其相关风险[3 Clinical utility of coronary artery computed tomography angiography- What we know and What’s new? Prog Cardiovasc Dis 75:12–20")]。然而，在CCTA中尽量减少辐射剂量以保护患者免受潜在辐射风险（如癌症）的同时保持诊断图像质量至关重要[4 Improved image quality with simultaneously reduced radiation exposure: knowledge-based iterative model reconstruction algorithms for coronary CT angiography in a clinical setting. J Cardiovasc Comput Tomogr 11(3):213–220")]。为了应对这一挑战，已开发出多种剂量减少技术，包括低管电压成像、管电流调制、前瞻性心电图（ECG）触发、针对患者的辐射参数调整以及更高的螺距因子[5 Impact of a reduced tube voltage on CT angiography and radiation dose: results of the PROTECTION I study. JACC Cardiovasc Imag 2(8):940–946"), 6 Reduction of radiation exposure and improvement of image quality with BMI-adapted prospective cardiac computed tomography and iterative reconstruction. Eur J Radiol 81(11):3568–3576")]。此外，双源CT扫描仪和BMI适应性对比剂注射方案等进展可以增强图像质量，从而可能减少对比剂用量，降低对比剂相关不良反应的风险[7 Low dose contrast media in step-and-shoot coronary angiography with third-generation dual-source computed tomography feasibility of using 30 mL of contrast media in patients with body surface area <17 m2. Quant Imag Med Surg 11(6):2598")]。
图像重建方法对患者辐射剂量和CCTA图像质量具有重要影响。迭代重建（IR）作为一种技术，相较于传统的滤波反投影（FBP）方法，可以在保持图像质量的同时减少辐射剂量[8 Reduced radiation dose with model based iterative reconstruction coronary artery calcium scoring. Eur J Radiol 111:1–5")]。早期的IR方法主要应用降噪滤波器，随后更先进的IR技术通过迭代处理原始数据或FBP重建图像，基于强度和频率识别并抑制噪声信号。最复杂的IR模型进一步结合了物理因素和扫描仪组件的模拟，以逐步改进图像数据，每次迭代都能显著减少噪声9,10,[11 Iterative reconstruction in cardiac CT. J Cardiovasc Comput Tomogr 9(4):255–263")]。
深度学习（DL）在医学影像中有多种应用，包括图像重建领域。基于深度学习的图像重建方法通常采用多层处理结构，通常是卷积神经网络（CNN），将输入数据转换为高质量输出。有效的CNN训练需要大量数据集，使系统能在每一层学习最佳的数据处理方式以生成优质图像12,13,14,[15 Deep learning segmentation and reconstruction for CT of chronic total coronary occlusion. Radiology 306(3):e221393")]。
深度学习重建（DLR）旨在解决IR的一些局限性，例如计算时间长和低对比区域检测能力下降[16 Low-tube-voltage whole-body CT angiography with extremely low iodine dose: a comparison between hybrid-iterative reconstruction and deep-learning image-reconstruction algorithms. Clin Radiol 79(6):e791–e798"), 17 Deep learning-based reconstruction for lower-dose Pediatric CT: technical principles, image characteristics, and clinical implementations. Radiographics 41(7):1936–1953")]。一些DLR方法直接从正弦图数据重建图像，绕过FBP或IR以实现低噪声图像。其他DLR算法则在正弦图和图像域中应用降噪。一个关键区别在于，这些算法作为神经网络运行，基于特定扫描数据进行噪声建模，而不是依赖预定义信息[18 Artificial intelligence iterative reconstruction in computed tomography angiography: an evaluation on pulmonary arteries and aorta with routine dose settings. J Comput Assist Tomogr 48(2):244–250"), 19 Deep learning image reconstruction for ct: technical principles and clinical prospects. Radiology 306(3):e221257")]。
TrueFidelity是一种FDA批准的DLR软件，利用CNN直接将正弦图数据转换为最终图像。在训练过程中，低剂量扫描的正弦图用作输入，而高剂量扫描的FBP重建图像作为参考标准[20 Protocol optimization considerations for implementing deep learning CT reconstruction. AJR Am J Roentgenol 216(6):1668–1677"), 21 Deep-learning image-reconstruction algorithm for dual-energy CT angiography with reduced iodine dose: preliminary results. Clin Radiol 77(2):e138–e146")]。同样，佳能医疗系统开发的AiCE通过CNN将图像转换为最终输出。然而，与TrueFidelity不同，AiCE处理的是图像域数据而非正弦图。它通过混合迭代重建（HIR）——一种统计和基于模型的迭代重建的结合——从低剂量图像中训练模型，并以高剂量、基于模型的迭代重建（MBIR）图像作为参考[22 Image quality improvement with deep learning-based reconstruction on abdominal ultrahigh-resolution CT: a phantom study. J Appl Clin Med Phys 22(7):286–296"), 23 Evaluation of moyamoya disease in CT angiography using ultra-high-resolution computed tomography: application of deep learning reconstruction. Eur J Radiol 151:110294")]。
最近的研究一致表明，在CCTA中应用DLR能够改善信噪比（SNR）和对比噪声比（CNR）等图像质量参数，同时在相同扫描条件下有效降低图像噪声，与IR和FBP相比表现优异。此外，DLR改善的血管可视化有助于减少对比剂用量24,25,[26 Influence of deep learning based image reconstruction on quantitative results of coronary artery calcium scoring. Acad Radiol 31(6):2259–2267")]。虽然Mostafa A. Shehata等人先前的一项系统评价表明，基于深度学习的CT重建在腹部成像中显著降低了噪声和剂量[27 Deep-learning CT reconstruction in clinical scans of the abdomen: a systematic review and meta-analysis. Abdom Radiol (NY) 48(8):2724–2756")]，但鉴于CCTA的独特诊断要求，仍需专门的综述。
CCTA在诊断CAD、评估动脉粥样硬化斑块风险和确定狭窄严重程度中的关键作用突显了最小化患者辐射剂量和获取高分辨率、低噪声图像的重要性。不同研究在各种扫描条件和DLR方法下取得的不同结果强调了集中分析的必要性28,29,30,31,[32 Is there any improvement in image quality in obese patients when using a new X-ray tube and deep learning image reconstruction in coronary computed tomography angiography? Life 12(9):1428")]。此外，目前已有三种FDA批准的基于深度学习的CT重建方法来自主要CT扫描仪制造商，因此进行全面的系统评价对于评估它们对CCTA成像中图像质量和辐射剂量的具体影响至关重要。因此，本研究旨在系统评估基于深度学习的图像重建对冠状CT血管造影图像质量和辐射剂量的影响。
(全文结束)
