冠状动脉CT基本原理及诊断效能、工作流程、临床证据、应用临床路径及局限性.docVIP

冠状动脉CT基本原理及诊断效能、工作流程、临床证据、应用临床路径及局限性 目前血流储备分数被认为是心外膜冠状动脉狭窄功能性评价的“金标准”，但由于各种原因在实际临床中FFR的应用受到一定限制。基于CCTA影像数据应用高级计算流体力学及深度学习等方法获得的冠状动脉CT血流储备分数（CT-FFR）能同时提供冠状动脉的解剖和生理学信息，成为临床研究和应用的新热点。 CT-FFR基本原理及诊断效能 CT-FFR基本原理 CT-FFR是一项无创的图像后处理技术，基于常规CCTA所获得的冠状动脉三维图像，辅以计算机专用软件，即可根据冠状动脉解剖模型，联合冠状动脉生理学的数学模型、流体动力学的物理定律，模拟冠状动脉血流情况，计算冠状动脉流速和压力，提供模拟FFR结果。 经典的CT-FFR计算大致可分为3个要素：①从CCTA图像提取出解剖模型，设定计算模拟的区域；②选择合适的数学模型和数值方法；③确定边界条件。 根据FFR计算所采用的方法，目前可用的CT-FFR软件主要有以下3类：基于三维计算流体力学（3D-CFD）的CT-FFR、基于降阶CFD的CT-FFR、基于深度学习的CT-FFR。 （1）基于3D-CFD的CT-FFR 方法以血管的三维模型为基础，采用了计算流体力学的数值方法，辅以心血管力学模型计算出三维模型中压力速度场，进而估计出CT-FFR。 其还原程度较高、具有较高的精准度，但计算量较大，早期每例的处理时间较长（一般为1-4 h），需要专业人员在核心实验室的超级计算机上进行离线并行计算和处理，限制了其在临床的广泛应用。 随着技术和算法的进步，其精准度和计算时间都有明显提高，使基于3D-CFD的CT-FFR实现了现场实时分析。 基于3D-CFD的计算方法在原理上适用于各种冠状动脉解剖结构和复杂病变，但对于血管边界的重建要求较高，跟其他CT-FFR方法一样受图像质量影响。 （2）基于降阶CFD的CT-FFR 方法便于现场部署及计算，通过一维降阶模型进行流体模拟，沿着冠状动脉树进行压力、流量的测定，最后，将CT-FFR值的空间分布以彩色编码地图的方式投影至三维冠状动脉树模型上。 基于降阶CFD的计算时间显著低于3D-CFD，计算时间2-5 min，图像分割及人工修改时间另计，目前已经能实现一站式自动化CT-FFR分析。基于降阶CFD的计算方法，丢失了部分三维信息，因此在某些复杂解剖结构上精准度可能会受到限制。 （3）基于深度学习的CT-FFR 使用深度学习框架，采用多层神经网络结构和一维降阶模型，对大数据集的冠状动脉树解剖结构与其相应计算血流动力学之间的复杂关系进行离线训练、学习，模拟一个符合CFD计算结果的模型。 完成训练后基于深度学习相比基于3D-CFD可以更快地计算CT-FFR，更加适合现场部署计算。 基于深度学习的计算方法，需要训练大量压力导丝测量的真实CCTA数据，因此对于尚未充分训练的冠状动脉解剖结构和复杂病变，计算结果可能存在一定的不确定性。 CT-FFR的诊断效能 CT-FFR能明显提高对心肌缺血的诊断特异度，可减少不必要的ICA检查。 CT-FFR图像质控、工作流程及测量位置选择 图像质控 CT-FFR对于直径2.5mm以上冠状动脉的计算是可靠的，然而冠状动脉钙化和图像伪影也是制约CT-FFR计算的重要因素。 推荐意见：用于CT-FFR测量的CCTA图像要用至少64排探测器的CT采集，遵守心血管CT指南扫描规范。不建议对有严重伪影和严重钙化（总钙化积分＞1000）的图像进行CT-FFR测量。 CT-FFR工作流程 图1 CT-FFR 工作流程 测量位置选择 应该根据临床医师关注的靶血管和靶病变确定测量位置。临床医师和影像科医师应当共同合作，在CT-FFR计算前对CT图像及测量位置进行必要的确认。 图2 CT-FFR测量位置示意 注：A. 1 支血管1处病变，建议报告靶血管CT-FFR值、靶病变CT-FFR 值（病变远端2cm处）及病变前后CT-FFR值；B. 1支血管多处病变，建议报告靶血管CT-FFR值及每处病变前后CT-FFR值。 推荐意见：建议同时提供靶血管、靶病变及跨病变△CT-FFR值（病变近端与远端CT-FFR的差值）。 CT-FFR临床证据 CT-FFR减少ICA的使用，提高血运重建占比 CT-FFR对冠心病患者的预后价值 CT-FFR对冠心病患者的预后有一定的预测价值。 CT-FFR应用临床路径 共识设定的临床情境是患者已经进行了CCTA检查，且CCTA图像也适合进行CT-FFR测量。 CT-FFR应用的一般临床 （1）无症状人群 参照稳定冠心病的相关研究，建议狭窄程度＞90%的患者由临床医师根据病变部位和其他检查进行个体化评估，判断是否进行ICA检查，狭窄程度30%-90%的患者进行CT-FF