第18章：人工智能与 CT 系统的集成（Artificial Intelligence Integration into the Computed Tomography System）

Topogram-Based Automated Scan Range Definition（基于定位像的自动扫描范围定义）

源文首先讨论扫描与重建参数的自动化选择。手动选择扫描模式、调整心脏相位等重建参数依赖操作者经验且易出错。文中介绍了一种新近提出的方法：基于临床问题、患者年龄、性别、体型与体重、可用化验值以及心率与心率变异性等生理参数的在线评估，自动给出最优扫描与重建参数（myExam Companion，西门子医疗，德国）。该方法嵌入扫描协议中的多种预配置决策树，这些决策树源自对众多临床站点扫描与重建协议的大规模分析，可按站点偏好修改，必要时也可针对特定临床指征新设计。心脏 CT 成像的质量高度依赖合适的扫描时机，传统 CT 血管造影（CTA）扫描时机的确定方式包括：固定扫描延迟、通过小剂量对比剂团注（test bolus）监测对比增强并以手动 ROI 测定对比剂到达时间、以及团注追踪（bolus tracking）。团注追踪是单次注射后顺序监测血管内对比增强，一旦达到用户设定阈值即启动固定延迟的诊断扫描。然而固定延迟无法考虑心输出量或外周阻力等血流动力学因素，对快扫 CT 更易"漏掉"对比剂峰值，作者由此论证算法辅助的团注追踪有临床价值。

Assisted Contrast-Enhanced Scanning（辅助增强扫描）

针对上述团注追踪中固定延迟的缺陷，文中提出两条互补技术线。其一是基于关键点检测的 ROI 自动放置：在非增强的预监测片上，按临床应用与用户偏好在升主动脉、降主动脉或肺动脉自动放置圆形 ROI；预监测片先按 z 位置（如主动脉弓、冠状动脉开口以上、心脏以下等）分类；针对目标血管轮廓训练 4 点（前、右、后、左）关键点检测器以估计中心与半径。130 例测试集中 ROI 自动放置准确率高于 95%，对复杂解剖仍允许交互式调整。其二是扫描延迟的个性化：在团注追踪中分析监测扫描过程中对比增强曲线的斜率，结合对比剂注射信息（碘输注率随时间变化）推导出患者专属的动脉脉冲响应函数，进而预测阈值触发之后的增强进展，并结合扫描方向与扫描时长计算个体化的理想延迟。这一调整后的扫描延迟既能改善血管内对比剂充盈，又能减小扫描范围内对比增强的方差（参考图 18.4）；其后果之一是允许在更小碘负荷或更低注射速率（例如肾功不全患者）下完成 CTA。

Initial Image Quality Assessment（初始图像质量评估）

现代 CT 在扫描完成后、患者离床或图像传 PACS 之前即采用基于学习的算法自动核查两项关键质量标准：（a）扫描范围是否完整覆盖？（b）CTA 中对比增强是否充分？（Check&Go，西门子医疗，德国）。覆盖度检查方面，将初始重建后的 3D 图像反投影为一张人工定位像（artificial topogram），并用扫描范围规划中训练的关键点检测器在实测定位像与人工定位像中识别同一组关键点，再比较两者位置；若任一关键点位置出现显著偏差，则提示放射技师实际扫描范围与计划范围可能不符，并自动渲染便于快速复核的图像；该算法对定位像与 CT 扫描之间患者移动或呼吸模式改变尤为有效。CTA 对比增强检查则用基于级联 AdaBoost 的 3D 关键点检测器 [54] 在扫描区域内识别至少三张关键切片（起始、中心、末位），对每张切片复用上节中提到的监测 ROI 检测算法自动找到最多 2 个血管 ROI 位置，并在圆形 ROI 内测量平均 CT 值（HU）及其标准差（HU），若平均 CT 值低于预设阈值则提示用户对比增强可能不足。

Automated Postprocessing and Reading Preparation（自动后处理与读片准备）

CT 扫描完成后，AI 在数据读片准备中扮演关键角色。文中将后处理工作划分为两条主线。一是基于 AI 的增强：在 CT 主机上直接对原始 CT 数据生成紧凑、直观的重建与可视化（如后续章节所述），可缩短读片时间并提高专家读片敏感性。二是自动异常检测与量化：作为"第二读片者"，提高诊断信心、效率与精度。两条主线由"特定器官重建与可视化"与"异常识别与量化"两节展开。

Organ-Specific Reconstructions and Visualizations（特定器官重建与可视化）

现代 CT 产生的高分辨率数据量持续增长，逐张读片负担加重。临床常规沿感兴趣解剖结构（如升主动脉 [2]）生成斜面多平面重建（MPR）以做尺寸测量，曲面重建（CPR）便于血管追踪，但 CPR 不能同时呈现整棵血管树的解剖关系——不同分支被分别显示。过去这些重建由技师在专用工作站上半自动生成，费时费力且因人而异，缺少标准化。AI 技术的最新进展 [47] 已实现"以主机为中心"的全自动解剖对齐重建与高级可视化（如西门子医疗的 Recon & Go）：AI 算法在已采图像中检测解剖结构并为不同身体部位、关节或血管结构直接生成可读的标准化 MPR/CPR，自动推送到 PACS 或读片工作站。例如标准化的心脏成像平面——四腔心、三腔心、二腔心与短轴视图——是评估心脏形态与功能的常用切面，过去依赖视觉解剖标志交互式逐步定义，现可被自动、可重复地生成（参见图 18.6a）。除 2D 心脏平面外，3D 电影级渲染（3D Cinematic Rendering）[18] 也可全自动完成（图 18.6b）。血管结构在平面图像上读片尤其繁琐，Kanitsar [27] 提出过无缠绕的多路径 CPR；为减少分支间的不连续、保持解剖上下文，新近的血管树展开技术基于 AI 血管检测将血管树自动映射到"尽可能刚性"的可变形投影几何（图 18.7 显示主动脉及从颈动脉到下肢动脉的展开视图），可较最大密度投影或标准冠状重建显著减少术前规划所需切片数 [34]。CT 骨读片同样受益于高级可视化：图 18.8 的"肋骨展开"（rib unfolding）将整副肋骨投影到 2D 平面；近年的研究 [42] 表明肋骨展开对外伤患者肋骨骨折的检出敏感性更高、读片时间更短；[22] 报告该方法在骨转移检出上同样较原始胸部 CT 读片更优且耗时更少。整体而言，这类特定器官重建与可视化以紧凑、直观的形式表达图像，降低读片时间，可能提高检出，并便于与转诊医生甚至患者沟通。

Abnormality Identification and Quantification（异常识别与量化）

过去十年心脏 CT 在冠心病（CAD）无创评估上已确立地位。随临床推进，技术要求升高，病理过程的自动识别与量化成为研究热点；现代 CT 可在标准重建任务中自动提供这些评估结果。

冠状动脉钙化评估。 冠状动脉钙化积分（CACS）是预测心血管风险的成熟、指南推荐方法 [19, 28]，采用高度标准化的 CT 协议 [36]。传统上，Agatston 积分需要用户手动选择 CT 值 >130 HU 的潜在钙化灶，难度不大但繁琐耗时。由于图像性质高度标准化，CACS 又是 AI 辅助的理想场景：既可减轻读片负担，又能在扫描结束数秒后于主机端直接获得积分，从而即时调整扫描策略。自动 CACS 方法从传统基于规则或特征的分类到现代深度学习 [32] 均有发表，主要挑战在于将冠脉钙化与心区其他高密度结构（瓣膜钙化、支架、植入物等）区分开，以及把钙化归到具体冠脉分支。本文介绍的方法用 CNN 加上图像与位置特征联合判断候选灶是否为冠脉钙化：先定位心脏并限制处理范围；建立以心脏为中心的坐标系，匹配预学习的冠脉供血区域图；对每个 CT 值 >130 HU 的候选体素，提取其周围图像块输入 CNN，同时将体素在心脏坐标系下的位置与局部空间特征输入全连接网络；两者输出拼接后预测该体素是否为冠脉钙化；若某连通体素集合的预测平均概率超过阈值，即被标记为冠脉钙化。另用一个深度强化学习算法检测左主干、左前降支与左回旋支的分叉点 [17]——该标志可在非增强采集中可靠提取——再借助另一个全连接网络为钙化分配血管标签（图 18.9 概览）。该方法已成功集成进扫描主机即时处理与后处理工作站；Sandstedt 2020 [46] 与常规专家读片相比，Agatston 积分类内相关系数达 0.996，读片时间缩短 39%。

冠心病的解剖学评估。 冠脉的解剖学评估通常指对其管腔直径走行的评估；计算机辅助方法尝试检出走行中的异常狭窄，多数方法需先显式提取冠脉树模型。研究者提出了多种冠脉主支与侧支检测与追踪方法：CNN [52]、结合自动主动脉与心脏分割的 CNN [43]、将冠脉视为计算流场中的最优路径并以 CNN 剔除错误检测 [20]，检出敏感度介于 92%–97%。冠脉走行描述被送入病灶检测算法，例如 Fischer [12] 用带长短期记忆（LSTM）的循环神经网络，将横截面 2D 图像样本作为时间序列输入，检测 CCTA 中的钙化斑块，整体准确率 90.3%。类似方法可叠加病灶分级步骤：多任务循环 CNN 在两阶段方法中先沿冠脉提取特征、再分类斑块类型与狭窄显著性，对显著狭窄（≥50%）与非显著（<50%）的检测准确率达 80% [56]。检测与分级不必局限于单个病灶；也有方法按冠脉节段（SCCT 18 节段模型 [33]）或按病例（CAD-RADS [7]）分类，例如用树结构 LSTM 将学习的树结构与心腔等全局上下文结合，平均节段分类准确率 96% [13]；用深度 CNN 分类 CAD-RADS 类别时，rule-out 与梗阻性 CAD 检出准确率分别为 86% 与 71% [39]；另一方法 [10] 用节段级狭窄评分与钙化积分联合分类 CAD-RADS，并预测病例中最显著病灶的严重程度，对 rule-out（CAD-RADS 0 vs >0）与梗阻性病变（CAD-RADS 0–2 vs 3–5）准确率分别为 88% 与 86%。病灶、节段、病例级评估结果可结合传统 MPR/MIP 同时显示所有冠脉的视图（如图 18.10），由 CT 主机在 CTA 扫描完成后自动提供。

功能学评估——CT 衍生的血流储备分数（CT-FFR）。 CCTA 的解剖学评估敏感性高但特异性低。CT 衍生的血流储备分数（CT-FFR）已成为冠脉病灶血流动力学评估方法之一：相较其他功能评估方法，它不需额外扫描、模态或负荷药物，且无创，最初需在超级计算机上做计算流体力学（CFD）求解，借助降阶模型可在普通桌面机运行；近年来机器学习模型直接从冠脉几何预测 CT-FFR，可在站点内秒级完成。训练数据若以真实患者的有创 FFR 为标签，采集与标注工作量巨大；近期提出的 cFFRML [25] 以 CFD 求解器（cFFRCFD）针对大量合成几何计算 CT-FFR，再让 ML 模型预测 CFD 结果——若 CFD 与有创 FFR 校准良好，模型应能间接预测有创 FFR。合成几何可生成任意冠脉拓扑与病变的代表性训练集；模型只接受几何信息（病灶位置、最小半径、长度等）而非图像，输出冠脉树各位置的 CT-FFR，可通过彩色叠加可视化（图 18.11）。多中心研究 [6] 表明 cFFRML 与 cFFRCFD 高度相关（R=0.997）；与有创 FFR 相比，每例诊断准确率从视觉狭窄分级的 71% 提升到 cFFRML 的 85%，CTA 假阳性减少 73%；其他研究 [24, 44, 53] 也得到 82%–93% 的准确率。

斑块形态学与成分。 冠脉富脂、纤维、钙化斑块的量化以及易损斑块特征的分类近年关注度上升。斑块体积与总斑块负荷的量化传统上依赖半自动生成的管腔与外壁分割加阈值带（如 [50]）。放射组学被提出用于识别易损特征：识别"餐巾环征" AUC 0.91 [29, 30]、薄帽纤维粥样斑块 AUC 0.952 [5]——两类方法均优于视觉判读与 HU 阈值评估。从冠脉管腔与斑块的解剖、形态学评估中提取的大量信息被用于训练与临床结局对标的预测模型 [11, 38, 51]；其表现优于既有的临床变量与风险评分。最近的方法 [9] 将深度学习与放射组学融合预测是否需要血运重建，AUC 0.88，与 CT-FFR 方法相当但计算量显著更小。

Conclusion（结论）

作者回顾了以 CT 主机为中心的 AI 算法谱系，其作用在于简化、规范化 CT 扫描与图像重建工作流，并对临床信息进行增强与压缩。展望未来，AI 辅助的自动化与标准化将与图像呈现的精细化及自动图像评估协同推进；作为期望中的目标，CT 主机将直接提供与"临床相关性"有关的信息，从而由单纯的影像设备演进为辅助放射科与心脏科医生临床决策的工具。

References

（参考文献列表略；详见原书 Chapter 18 参考文献 [1]–[56]。）

本章个人批注

本章基本是上一章 ch17（辐射剂量优化）的镜像：ch17 讲 AI 如何在采集端节省剂量/改善质量，本章讲 AI 在采集端与读片端全链条的"扫描+重建+分析"自动化。两章合在一起呈现了 Siemens（与 GE、Canon 略提）等设备厂商"扫描即服务"的商业逻辑——myExam Companion / Recon & Go / Check&Go 都是把过去放射技师在工作站上做的事压进主机。

几处引起我兴趣的细节：（1）CACS 自动化的最高准确度数据来自一个看似很弱的任务（CT 值 >130 HU + 心脏区域），但 0.996 的 ICC 仍能换来 39% 读片时间下降，且"扫描完数秒内得到积分"使其能够直接反馈到下一阶段扫描策略——这是一个典型的"低成本高收益"AI 切入点。（2）CT-FFR 的合成数据训练范式（cFFRML = cFFRCFD-trained ML）很有借鉴意义：用物理模拟器生成大规模合成数据 → 训练 ML → 推断时秒级输出。它把"训练数据不够"这一普遍瓶颈转化为"仿真器保真度"问题。（3）放射组学在易损斑块识别上 AUC 0.91+ 看起来漂亮，但样本量与外部验证的局限在本章未展开，仍需保持怀疑。

写作上的小提醒：原书 18.4 图（CTA 固定 vs 个体化延迟对比）的临床价值正是"减少碘负荷"——对肾损伤患者友好，这是 CT 灌注优化在"剂量"之外、"对比剂"维度的延展，可与 ch16 形成回响。

与上下章的衔接（一段话）

ch17 关注"AI 在 CT 采集端如何降低辐射剂量"，ch18 自然延伸到"AI 如何把 CT 主机整体改造为智能采集与读片入口"——从参数选择、对比剂时序、范围规划到后处理、量化、读片准备全流程。本章以 Siemens 商用产品族（myExam Companion、Recon & Go、Check&Go）为案例，把 ch17 末尾关于"DL 重建协议在欧美指南与医保报销推动下应用将进一步增加"的展望具体化为可部署的工作流方案；同时为下一章 ch19（AI 在 MR 系统的集成）提供对照框架：MR 段将讨论自动切片定位、参数优化、深度学习重建（Deep Resolve、AiCE、AIR Recon DL）等近似主题，方法学的相似性（基于 U-Net 的关键点检测、基于 GAN/DCNN 的去噪）使两章形成"CT vs MR"的对照阅读。