摘要目的 探讨深度学习图像重建算法(DLIR)对冠状动脉钙化积分(CACS)及风险分级的影响.方法 选择疑似冠心病患者 120 例,入院后接受冠状动脉CT血管造影检查,量化评估CACS,分别采用滤波反投影(FBP)算法和低、中、高强度的深度学习图像重建(DLIR-L、DLIR-M、DLIR-H)算法进行图像重建.比较四种算法重建图像的主动脉根部CT值及其标准差(SD)、信噪比(SNR)、对比度噪声比(CNR)和冠状动脉钙化(CAC)斑块最大CT值,观察DLIR-L、DLIR-M、DLIR-H算法与FBP算法的心血管事件风险分级的一致性.结果 四种算法重建图像的主动脉根部CT值比较差异无统计学意义(P>0.05);与FBP算法相比,随着DLIR算法强度增加,冠状动脉CT图像SD值和CAC斑块最大CT值逐渐降低,SNR和CNR逐渐升高(P均<0.05);四种重建算法冠状动脉CT图像SD值、SNR、CNR、CAC斑块最大CT值,两两比较差异均有统计学意义(P均<0.05).与FBP算法相比,随着DLIR强度增加,四种重建算法Agatston积分、钙化体积、钙化质量逐渐降低(P均<0.05);除Agatston积分在DLIR-L算法与DLIR-M算法、钙化体积在FBP算法与DLIR-L算法外,四种重建算法Agatston积分、钙化体积、钙化质量,两两比较差异均有统计学意义(P均<0.05).与FBP算法相比,DLIR-L算法错误分类 5 例,DLIR-M算法错误分类 10 例,DLIR-H算法错误分类 10 例.结论 与FBP算法相比,随着DLIR算法强度增加,冠状动脉CT图像质量逐渐升高,但会低估Agatston积分、钙化体积和钙化质量,可能会导致心血管事件风险等级降低.因此,在临床上量化评估CACS时应谨慎使用DLIR算法.