基于3D CT的冠状动脉钙化评估：一种特征驱动的机器学习框架
计算机视觉与模式识别
2025-10-30 v1 机器学习
摘要
冠状动脉钙化（CAC）评分在早期检测和冠状动脉疾病（CAD）的风险分层中起关键作用。本研究聚焦于非对比冠状动脉CT血管造影（CCTA）扫描，这些扫描在临床设置中常用于早期钙化检测。为应对标注数据有限的挑战，我们提出了基于放射组学的管道，利用伪标签生成训练标签，从而消除对专家定义分割的需求。此外，我们探索了使用预训练基础模型（具体为CT-FM和RadImageNet）提取图像特征，这些特征随后与传统分类器一起使用。我们比较了这些深度学习特征与放射组学特征的性能。评估在包括182名患者的临床CCTA数据集上进行，患者被分为两组：零钙化得分组和非零钙化得分组。我们进一步研究了在非对比数据集上训练与在组合对比和非对比数据集上训练的影响，测试仅在非对比扫描上进行。结果表明，基于放射组学的模型在准确率上显著优于来自基础模型的CNN嵌入（达到84%准确率，p<0.05），尽管缺乏专家注释。
引用
@article{arxiv.2510.25347,
title = {3D CT-Based Coronary Calcium Assessment: A Feature-Driven Machine Learning Framework},
author = {Ayman Abaid and Gianpiero Guidone and Sara Alsubai and Foziyah Alquahtani and Talha Iqbal and Ruth Sharif and Hesham Elzomor and Emiliano Bianchini and Naeif Almagal and Michael G. Madden and Faisal Sharif and Ihsan Ullah},
journal= {arXiv preprint arXiv:2510.25347},
year = {2025}
}
备注
11 pages, 2 Figures, MICCAI AMAI 2025 workshop, to be published in Volume 16206 of the Lecture Notes in Computer Science series