引言：本研究开发并验证了一种基于深度学习的图像分析方法，用于检测和量化曲面多平面重建（cMPR）图像中的冠状动脉狭窄、易损斑块和钙化，以辅助冠状动脉疾病（CAD）的术前评估。
方法：研究使用了2014年至2022年间从韩国大田圣母医院（Daejeon St. Mary's Hospital, South Korea）收集的2,978份cMPR扫描数据，并获得了机构审查委员会（IRB）自2020年10月至2023年10月的批准。每份cMPR扫描通过TeraRecon Inc.的CT心脏包重建生成13张图像。其中，一个时间独立的测试数据集包含769张CT图像，用于评估。具有10年经验的专家详细标注了狭窄和易损斑块的位置，以训练和测试狭窄分割模型（SSM）和易损斑块分割模型（VPSM），均采用2D nnU-Net框架。SSM通过半高全宽（Full Width at Half Maximum, FWHM）分析评估狭窄位置和长度，并确定CAD直径轮廓，从而计算狭窄回归指数（SRI）。VPSM则用于区分正常和易损斑块。切片和患者的敏感性和特异性是主要评估指标。
结果：SRI与传统定量血管造影分析之间的相关性显著，达到了0.6874；狭窄长度量化的相关性为0.4033。三位资深心脏病专家通过视觉评分辅助钙化评分，结合钙化分割的平均得分为7.150 ± 2.354（满分10分）。对于易损斑块检测，VPSM的敏感性为0.929，特异性为0.910。
结论：本研究开发的自动化定量图像分析方法在评估SRI以及检测cMPR扫描中的钙化和易损斑块方面表现出强大的潜力，显示出在临床筛查环境中的应用前景。这种非侵入性、成本效益高、快速且用户独立的方法为cMPR筛查带来了显著进步，为临床医生提供了一种强大的工具，用于检测冠状动脉狭窄、钙化和易损斑块。
(全文结束)
