冠状动脉钙化评分（CAC）是一种有效的冠状动脉疾病风险分层的影像学指标。在临床上存在多种类型的钙化评分，其中Agatston钙化评分是使用最为广泛的一项。冠状动脉内的体素如果衰减超过预定的阈值130H以上，就被定义为钙化。然后通过一个预定义的方程式来计算得分。过去采用的是半自动的方法进行计算，近几年，人们尝试在平扫CT中自动计算Agatston评分，其中就包括基于深度学习的计算方法。

光谱CT利用了X射线光子衰减的能量依赖性，根据多能级下的材料分解提供更详细的组织分析。通过使用材料分解的虚拟碘减法算法，光谱CT扫描仪能够生成虚拟非强化（VNC）CT扫描。同时，在不需要额外辐射的情况下，成像后的重建可以取代真正的平扫CT。

近日，发表在Radiology杂志的一项研究提出了一种深度学习方法来自动量化CTA的钙化评分，为快速准确的获得钙化评分提供了技术支持。

图 (A-F)钙化(蓝色箭头)在两位患者CT血管造影(CTA)、VNC CT和平扫CT扫描中的显示。VNC CT扫描（B，E）和平扫CT扫描（C，F）上的钙化外观相似，使用预定义的阈值130HU可以很容易获得，因为冠状动脉的衰减（B，C，E和F中的橙色箭头）明显小于130HU。然而，通过CTA（A，D）获得冠状动脉钙化（CAC）区域并估计相应的CAC评分可能具有挑战性，因为造影剂增强的动脉衰减不一。

总之，本研究提出了一种深度学习方法来自动量化来自CT血管造影（CTA）图像的冠状动脉钙（CAC）评分。本研究结果表明，所提出的方法可以准确地量化CAC，并对CTA的风险进行分类。

原文出处：

Dan Mu,Junjie Bai,Wenping Chen,et al.Calcium Scoring at Coronary CT Angiography Using Deep Learning.DOI:10.1148/radiol.2021211483