Article Info

头颈CT血管成像技术（CT Angiography，CTA）常用的主要有容积CT数字减影血管造影技术（Volume Computed Tomographic Digital Subtraction Angiography，VCTDSA）[1-2]和匹配蒙片去骨技术（Matched Mask Bone Elimination，MMBE）[3-4]。姜雪等 [5-7]的前期研究通过对两种血管成像技术的对比，得出了图像质量的显示上VCTDSA法更好，且VCTDSA法在颅内动脉瘤以及动静脉畸形上的显示优于MMBE法的结论。故实际临床工作中，常用的技术是VCTDSA法。然而当今人工智能技术（Artificial Intelligence Technology，AI）已经应用于医学影像的各个方面[8-12]。众所周知AI的一大优势就是方便快捷，能够提高工作效率，但AI在头颈血管方面的显示，是否优于图像质量较好的VCTDSA法还有待研究。针对AI血管后处理的相关研究，国外少有涉及，仅Lang等[13]研究探讨了3D数字血管减影造影术（The Three-Dimensional Digital Subtraction Angiography，3D-DSA）和基于AI系统的3D血管造影术（Artificial Intelligence-Based 3D Angiography，3DA）之间的对比，并肯定了3DA的价值，认为3DA能够可靠的显示脑血管并有减少患者辐射计量的可能，而国内则仅有冠脉CTA的相关研究[14-15]。故本研究拟对VCTDSA和AI两种技术进行对比，评价正常人头颈CTA减影的效果，以明确AI能否替代VCTDSA法而提高放射科后处理的工作效率。

1 资料与方法

1.1 一般资料

回顾分析2018年1月至8月我院70名行头颈CTA检查的正常人的影像及临床资料。排除标准：① 严重颅内及头颈血管疾病：颅脑外伤、肿瘤、脑出血、血管闭塞等；② 明显的运动或金属伪影干扰。共纳入70例患者，平均年龄（61.14±12.80）岁；男性32例，平均年龄（59.72±12.69）岁；女性38例，平均年龄（62.34±12.93）岁。

1.2 仪器与方法

扫描方式：采用GE Discovery HD750 CT机，先小剂量团注测试，后按照头颈部VCTDSA的顺序扫描患者。参数：管电压平扫为100 kV、增强为120 kV；管电流为250～450 mA；层厚及层间距为5 mm；螺距为0.969；FOV为20～24 cm。原始图像重建层厚为0.625 mm。

对比剂使用情况：使用高压注射器经肘静脉先注射对比剂（优维显，370 mgI/mL），后跟注生理盐水。小剂量团注测试对比剂用量4.0 mL，生理盐水用量15.0 mL，速率为4.0 mL/s ；VCTDSA对比剂用量45.0～55.0 mL，生理盐水用量40.0 mL，速率同前[1]。

1.3 图像后处理

将VCTDSA图像分别导入AW4.6工作站（美国GE）和人工智能软件（中国数坤）[16]，同一操作者对其进行减影后处理，并对减影后的图像进行评价。减影过程中计算两者对头颈CTA的减影时间。由于无论是VCTDSA还是AI，数据的重建均为后台处理，该过程均不会占用操作者的时间，所以不纳入后台重建时间，仅计算减影的时间。并记录两个后处理方法所需图像的患者辐射计量。

1.4 图像评价及指标

由2位有经验的放射科医师对AW4.6工作站和人工智能软件减影后的图像进行质量评价，意见不一致时协商决定。

通过VR和MIP图对头颈主要血管进行分段评价，分别为：① 动脉系统：颈总动脉、颈内动脉颅外段、颈内动脉颅内段、椎动脉颅外段、椎动脉颅内段、大脑前动脉、大脑中动脉、大脑后动脉；② 静脉系统：上矢状窦、横窦、乙状窦。

根据血管完整性、光滑程度以及残留杂质的情况对血管进行评分。评价标准：Ⅰ级：血管完整、光滑且无杂质；Ⅱ级：血管完整，较为光滑，或少量杂质干扰；Ⅲ级：血管完整但粗糙，或中量杂质干扰，尚能进行影像诊断；Ⅳ级：血管未显示、中断或大量杂质干扰，无法做出影像学诊断。

1.5 统计学分析

采用SPSS 19.0软件，服从正态分布的计量资料，以

表示，不服从正态分布的计量资料，以中位数M（四分位间距）表示，等级资料用率表示。采用Wilcoxon秩和检验比较VCTDSA法和AI后处理所需时间、减影效果，P＜0.05表示差异有统计学意义。

2 结果

2.1 两种方法减影时间的差异

VCTDSA法和AI技术所需时间差异有统计学意义（P＜0.001）（表 1）。

2.2 两种方法患者辐射计量对比

VCTDSA需要平扫及增强扫描，患者的平均CTDI为（30.12±2.05）mGy；DLP 为（1147.04±105.75）mGy.cm ；AI仅需要动脉期扫描，患者的平均CTDI为（18.72±2.03）mGy；DLP为（713.30±91.02）mGy.cm。

2.3 两种方法减影效果的评价

AI在颈总动脉、颈内动脉颅内段以及椎动脉颅外段的显示上，优于VCTDSA法，差异均有统计学意义；而VCTDSA在上矢状窦、横窦以及乙状窦的显示上，优于AI，差异均有统计学意义（图1～2，表2）。

由于患者平扫和增强扫描未保持完全一致，故VCTDSA减影用时34 min 24 s，且多数血管显示差，而AI减影仅需3.71 s，所示血管好。

VCTDSA减影用时301 s，且静脉系统显示良好，AI减影仅需2.55 s，但静脉系统完全无法显示。

3 讨论

3.1 两种技术所需时间及辐射计量对比

尽管AI目前未大量应用于头颈CTA后处理中，但本研究结果显示，AI既省时省力又降低了患者的辐射计量，使得该技术在临床工作中具有高度的可行性。VCTDSA法需要动脉期数据减去平扫期数据，从而得到仅剩对比剂充盈的血管图像，然后后处理人员在此基础上进行手动减影，去除血管以外残留的杂质以使图像达到诊断水平[5]。这需要患者两期扫描保持完全一致，若出现了些许运动，则会出现不匹配从而导致自动减影效果差的情况[17]，这就增加了后处理人员手动减影的难度以及时间。AI算法仅需要动脉期数据，对颅内主要大血管进行分割处理，从而只获得颅内主要大血管图像，而大量的算法运算时间都在后台进行，不耽误后处理人员的工作时间，这也是在时间消耗上AI优于VCTDSA法的根本原因。同样也因为AI较VCTDSA法而言所需数据少了一个平扫期，所以该技术大大降低了患者的辐射计量。

3.2 两种技术减影效果对比

AI在头颈CTA后处理中的减影图像效果是其能否运行于临床的重要条件，故本研究将其与减影效果较好的VCTDSA法做对比，则可得到更准确的数据。在颈总动脉、颈内动脉颅内段以及椎动脉颅外段的显示上，AI优于VCTDSA法（图1）。主要的原因有：① 其他结构的遮挡，比如未完全去除的甲状腺、海绵窦则可分别导致颈总动脉、颈内动脉颅内段显示欠佳；② 当血管CT值较高且离骨组织较近时，易被误认为是骨组织而分割失败[5]，出现血管壁毛糙或骨组织残留，比如颈内动脉颅内段近床突处、椎动脉颅外段近横突处。在上矢状窦、横窦以及乙状窦的显示上，VCTDSA法明显优于AI（图2）。由于AI算法的原因，目前的版本无法分割颅内大的静脉系统，故AI不利于部分患者病变的显示，比如颅内静脉血栓、靠近脑表面的动静脉畸形等。本研究和Lang等[13]的研究主要区别是：① 对比的技术不同。本研究主要对比的是VCTDSA法和AI在头颈血管减影的效果，后者则主要对比的是3D-DSA和3DA之间的对比；② 涉及对比的主要血管不同。他们只针对wilis环作对比，而本研究扩大了对比范围（增加了颈总动脉、颈内动脉颅外段以及椎动脉和颅内主要静脉）；③ 样本量的不同。本研究70例样本远远多于后者的15例样本。但总的来讲，两个研究的结果均证实了AI在颅内动脉系统有着极好的显示作用。

3.3 结论

本研究通过对比VCTDSA和AI两种技术在正常人头颈CTA减影中的时间、辐射计量以及图像质量等方面的研究，分析并总结得出：临床医生若对颅内动静脉均有需求，可选择动静脉均显示较好的VCTDSA法；若仅对颅内动脉有需求，AI可替代VCTDSA法。

本研究创新于探讨头颈CTA后处理常规VCTDSA技术和AI的对比，同样也发现了一些不足：① 本研究主要对比的是头颈主要动静脉的一二级分支，并未涉及到远段分支血管，如何使减影技术将远段血管显示清楚值得深入探讨研究；② 本研究并未探讨AI技术对于头颈血管性疾病（动脉瘤、动静脉畸形、肿瘤性病变的血供情况）的减影效果，而这也将是本团队下一步的研究方向。当前正是AI技术发展的黄金时代，不停学习完善的AI技术也将为临床应用的发展奠定基础。

[1]吕发金,谢鹏,罗天友,等.数字减影CT血管成像在蛛网膜下腔出血诊断中的价值[J].中国医学影像技术,2007,23(1):45-48.

[2]Philipp LR,Jay MCD,Mccracken CE,et al.Comparison between CTA and digital subtraction angiography in the diagnosis of ruptured aneurysms[J].Neurosurgery,2017(5):769-777.

[3]Gratama van Andel HA,van Boven LJ,van Walderveen MA,et al.Interobserver variability in the detection of cerebral venous thrombosis using CT venography with matched mask bone elimination[J].Clin Neurol Neurosurg,2009,111(9):717-723.

[4]Huang A,Lee CW,Yang CY,et al.Using standard nonenhanced axial scans for cerebral CT angiography bone elimination:feasibility study[J].Invest Radiol,2010,45(5):225-232.

[5]姜雪,李王佳,郭浩明,等.容积CT数字减影血管造影与匹配蒙片去骨法对正常人头颈CT血管成像减影效果的比较[J].中国医学影像学杂志,2018,26(7):499-504.

[6]郑婉琳,姜雪,李王佳,等.容积CT数字减影血管造影与匹配蒙片去骨法对颅内动静脉畸形诊断价值的比较[J].重庆医科大学学报,2019,44(10):1280-1284.

[7]姜雪,李王佳,郑婉琳,等.容积CT数字减影血管造影与匹配蒙片去骨法在颅内动脉瘤头颈CT血管成像减影效果的比较研究[J].重庆医科大学学报,2019,44(10):1263-1267.

[8]Shi YH,Wang Q.The artificial intelligence-enabled medical imaging: today and its future[J].Chin Med Sci J,2019,34(2):71-75.

[9]Savadjiev P,Chong J,Dohan A,et al.Demystification of AI-driven medical image interpretation: past, present and future[J].Eur Radiol,2019,29(3):1616-1624.

[10]魏小娜,李英豪,王振宇,等.医学影像人工智能辅助诊断的样本增广方法[J].计算机应用,2019,39(9):2558-2567.

[11]谢志勇,周翔.基于机器学习的医学影像分析在药物研发和精准医疗方面的应用[J].中国生物工程杂志,2019,39(2):90-100.

[12]朱寿华,凌泽农,周金花.人工智能技术在医疗健康领域的应用[J].电子技术与软件工程,2020,(1):18-19.

[13]Lang S,Hoelter P,Schmidt M,et al.Evaluation of an artificial intelligence-based 3D-angiography for visualization of cerebral vasculature[J].Clin Neuroradiol,2019.

[14]陶倩,汪源源,夏黎明.人工智能在心脏MRI图像分析中的应用[J].中华放射学杂志,2020,(3):177-180.

[15]胡小丽,向守洪,胡荣慧,等.人工智能在冠状动脉CT血管成像后处理和诊断报告的初步评估[J].国际放射医学核医学杂志,2020,(1):5-10.

[16]何己派.AI医疗战[J].21世纪商业评论,2019,(7):62-63.

[17]吕发金,谢鹏,房文皓,等.头部运动对容积CT数字减影血管造影图像质量的影响[J].重庆医科大学学报,2009,34(3):346-349.

容积CT数字减影血管造影与人工智能技术对头颈CTA减影效果的比较

引言