Deep learning versus iterative image reconstruction algorithm affects depiction of coronary vessels and calcified plaques in CCTA

Abstract

Bakgrunn Koronar hjertesykdom fremstilles ikke-invasivt ved bruk av koronar CT angiografi. Gullstandard for å lage CT-bilder er iterative rekonstruksjons-metoder (IR-metoder). Ny teknologi gjør det nå mulig å lage CT-bilder ved hjelp av kunstig intelligens. Metoden kalles «Deep Learning Image Reconstruction» (DLIR). DLIR er en lovende teknologi da man kan lage CT-bilder med bedre bildekvalitet uten økt stråledose. Denne studien har som formål å undersøke om bruk av DLIR versus IR fører til objektive forskjeller i generell bildekvalitet og fremstilling av friske og syke koronarkar. Metoder Ett hundre pasienter ble inkludert i studien. Følgende fem variabler ble sammenlignet mellom DLIR og IR: (1) karbredde i friskt kar, (2) størrelse av kalkplakk i karvegg, (3) diameter av innsnevret karlumen ved siden av kalkplakk i sykt kar, (4) kontrastmarkering mellom kalkplakk og karlumen i sykt kar, (5) kontrastmarkering mellom karlumen og dets omgivelser (karvegg og perivaskulært fett). Resultater (1) Median karbredde av koronarkar ved bruk av DLIR var mindre enn ved bruk av IR. (2) DLIR overestimerte størrelsen av kalkplakk sammenlignet med IR. (3) Sammenholdt med IR, førte DLIR til mindre diameter av karlumen ved siden av kalkplakk, samt (4) dårligere kontrastmarkering mellom kalkplakk og karlumen, og (5) dårligere kontrastmarkering mellom karlumen og dets omgivelser. Alle resultater var høysignifikante (p < 0.001). Konklusjon Dannelse av koronare CT-bilder ved bruk av DLIR, fører til redusert kontrastmarkering av koronarkar. I tillegg fører DLIR til smalere karbredde i både friske kar og i innsnevrede områder ved siden av kalkplakk i syke kar. Derfor bør DLIR brukes med varsomhet når man vurderer koronar hjertesykdom.

Background Cardiovascular disease (CAD) is non-invasively assessed by use of coronary CT angiography (CCTA). The gold standard for generating CT images is iterative reconstruction (IR) methods. Recent technological advancements makes it possible to generate CT images by use of artificial intelligence (AI). This method is referred to as «Deep Learning Image Reconstruction» (DLIR). DLIR is a promising technology that facilitates CT image generation with enhanced image quality without increased radiation doses. This study aims to investigate if use of DLIR versus IR results in objective differences in image quality and the depiction of healthy and stenotic coronary vessels. Methods One hundred patients were included in the study. Using a novel objective method, the following five parameters were comparatively assessed between DLIR and IR: (1) vessel width of healthy coronary vessels, (2) calcified plaque size in vessel wall, (3) vessel lumen diameter (stenosis) adjacent to calcified plaque, (4) demarcation between calcified plaque and vessel lumen in stenotic vessels, (5) demarcation between vessel lumen and its outer surroundings (vessel wall and perivascular fat). Results (1) Median diameter of coronary vessels using DLIR was smaller than IR. (2) DLIR overestimated the size of calcified plaques compared to IR. (3) Relative to IR, DLIR depicted a diameter reduction of the vessel lumen adjacent to calcified plaques, and (4) worse demarcation between calcified plaques and vessel lumens. (5) DLIR had worse demarcation between coronary vessels and their surroundings compared to IR. All results were highly significant (p < 0.001). Conclusion Generating CT images by use of DLIR results in reduced coronary vessel demarcation. Additionally, DLIR results in a reduction of healthy vessel diameter, as well as stenotic lumen diameter adjacent to calcified plaques in stenotic vessels. Consequently, DLIR should be used with caution when assessing coronary artery disease.