관상동맥 CT 조영 검사 시, 초 고해상도 딥러닝 알고리즘이 적용된 스텐트 영상의 진단적 가치 = Diagnostic Value of Stent Images using Ultra-High Resolution Deep Learning Algorithms in Coronary CT Angiography

국문 초록 (Abstract)

최근 발전하는 인공지능 영상재구성 기법의 발전으로 현존하는 가장 정밀한 0.25 mm 다중 검출기 기반 초고해상도 딥러닝 영상재구성 기법의 개발로 관상동맥 스텐트 내강의 정확도에 대해 평가하고자 한다. 이 연구는 환자 연구와 팬텀 연구로 구분하였고, 동일 환자에게서 필터 보정 역투영법, 반복적 재구성 기법, 딥러닝 재구성기법, 인공지능 초고해상도 재구성기법 총 4가지 방법으로 영상을 재구성하였다. 이미지 품질을 객관적으로 평가하기 위해 각 데이터에 대해 4가지 매개 변수인 영상잡음, CT 밀도, 신호 대 잡음비, 대조도 대 잡음비를 분석하였다. 팬텀 연구는 인체모형 흉부 팬텀 내 관상동맥을 표현할 수 있도록 라텍스 넬라톤 멸균 카테터를 설치하였고, 각각의 카테터 내에는 관상동맥 스텐트(내경 2.5 mm, 3.5 mm)를 삽입시켜 CT 제조사 별로 여러 가지 재구성 기법(FBP, IR, DLR, UHR-DLR)을 사용하여 영상을 획득하였다. 에지 상승 거리(edge rise distance, ERD), 에지 상승 기울기(Edge rise slope, ERS) 통해 스텐트 선명도 평가를 하였다. UHR-DLR으로 재구성한 관상 동맥의 평균 SNR과 CNR이 DLR로 재구성한 평균 SNR과 CNR에 비해 각각 29.2 %, 36.4 % 향상되었음을 보여주었다. UHR-DLR에서 이미지 노이즈는 약 21.4 % 감소했다. 관상동맥 스텐트 팬텀으로 CT 제조사별 측청된 ERS 평균값은 Aquilion ONE Prism(Canon)의 UHR-DLR에서 가장 높은 수치로 나왔고, ERD 값은 CT 제조사별마다 유의한 차이를 나타냈다. UHR-DLR은 FBP, HIR, DLR 비교하여 이미지 선명도가 향상되고 이미지 노이즈 및 블루밍 인공물이 감소하여 관상동맥 윗부분의의 윤곽을 더욱 명확하게 보여주었을 뿐만 아니라, 스텐트 지주 구조 및 스텐트 내강을 명확하게 나타냈다.

다국어 초록 (Multilingual Abstract)

Recently, with the advancement of artificial intelligence image reconstruction technology, we are attempting to evaluate the accuracy of coronary artery stent lumen by developing ultra-high-resolution deep learning image reconstruction technology based on the most accurate 0.25mm multi-detector available. This study was divided into patient studies and phantom studies. Images were reconstructed in the same patient using four different methods: filter correction reverse projection, repetitive reconstruction, deep learning reconstruction, and artificial intelligence ultra-high resolution reconstruction. To objectively evaluate image quality, four parameters, image noise, CT density, signal-to-noise ratio, and contrast-to-noise ratio, were analyzed for each dataset. The phantom study installed a latex Nelaton sterilized catheter to express the coronary artery in the dummy chest phantom. Subsequently, a coronary stent (2.5mm and 3.5mm in diameter) was inserted into each catheter. Images were obtained using various reconstruction techniques (FBP, IR, DLR, and UHR-DLR) for each CT manufacturer. Stent clarity was evaluated using edge rise distance (ERD) and edge rise slope (ERS). We showed that the average Signal-to-Noise Ratio (SNR) and Contrast-to-Noise Ratio (CNR) of coronary arteries reconstructed with Ultra-High Resolution Deep Learning Reconstruction (UHR-DLR) improved by 29.2% and 36.4% compared to those reconstructed with DLR, respectively. Image noise was reduced by about 21.4% in UHR-DLR. The ERS average value of the coronary stent phantom measured by the CT manufacturers was highest in the UHR-DLR of Aquilion ONE Prism (Canon), and the ERD value is statistically significant for each CT manufacturer. Compared to FBP, HIR, and DLR, UHR-DLR not only improved image clarity and reduced image noise and blooming artifacts but also clearly showed the stent support structure and stent lumen.