众所周知，主动脉疾患常表现为急性症状，需要快速诊断和决策以减少不良预后的发生。主动脉计算机断层扫描（ACTA）在评估主动脉形态方面具有很高的准确性和可重复性，在主动脉疾病的诊断、风险分层和管理方面发挥着核心作用。然而，使用碘化造影剂（CM）可能导致CM引起的急性肾损伤（CI-AKI）或肾衰竭，是CTA最重要的缺点之一。因此，有必要找到一种方法，使CTA检查中的CM剂量进一步减少。

现阶段，低管电压和能谱CT技术是临床实践中最常用的降低CM剂量的方法。然而，大幅降低管电压可能会因增加图像噪声和光束硬化伪影而影响诊断的准确性。能谱CT在降低CM剂量方面也由很大价值，但其耗时较长，其交叉散射辐射会产生伪影而影响诊断信心。

人工智能（AI）因其在重建CT图像方面的潜力而备受关注，已被应用于病变分类、结构分割、病变检测和风险预测等多个方面。最近，人们研究了通过使用人工智能算法对低管电压CT图像进行去噪和改善图像质量，这表明有可能进一步降低CM剂量。

近日，发表在European Radiology杂志的一项研究通过使用一种新的Au-CycleGAN算法来改善超低剂量CM（ULDCM）ACTA的图像质量，为进一步减少全主动脉CT血管造影（ACTA）成像的CM剂量方提供了可行的技术及方案。

本研究前瞻性地招募了150名疑似由主动脉疾患的连续患者。所有人都接受了超低剂量CM（ULDCM）方案和低剂量CM（LDCM）方案的ACTA扫描。这些数据被随机分配到训练数据集（n = 100）和验证数据集（n = 50）。ULDCM图像由Au-CycleGAN算法进行重建。然后，将基于人工智能的ULDCM图像与LDCM图像在图像质量和诊断准确性方面进行了比较。 

基于人工智能的ULDCM组每个位置的平均图像质量得分高于ULDCM组，但略低于LDCM组（所有P < 0.05）。所有基于人工智能的ULDCM图像都符合诊断要求（得分≥3）。除图像噪声外，基于人工智能的ULDCM图像比ULDCM和LDCM图像有更高的衰减值，以及在分析的主动脉所有位置有更高的SNR和CNR（所有P < 0.05）。类似的结果也见于肥胖患者（BMI>25，所有P<0.05）。以LDCM图像的结果为参考，基于人工智能的ULDCM图像显示出良好的诊断参数，在任何分析的主动脉疾病诊断中没有明显的差异（所有K值>0.80，p <0.05）。 

图 主动脉夹层患者的图像质量分析实例。体积渲染技术（VRT）、最大强度投影（MIP）和基于人工智能（AI）的超低剂量造影剂（ULDCM）ACTA图像和ULDCM ACTA图像（a）五个位置的中心线方向截面。低剂量造影剂（LDCM）ACTA图像五个位置的VRT、MIP和中心线方向的截面（b）

本研究表明，使用Au-CycleGAN算法进行全ACTA成像所需的CM剂量可以减少到传统LDCM方案CM剂量的三分之一，同时可保持图像质量和诊断准确性。

原文出处：

Zhen Zhou,Yifeng Gao,Weiwei Zhang,et al.Artificial intelligence-based full aortic CT angiography imaging with ultra-low-dose contrast medium: a preliminary study.DOI:10.1007/s00330-022-08975-1