评估冠心病时的 3D 深度学习分类器及其可解释性
图像与视频处理
2024-11-28 v2 机器学习
摘要
冠心病（CAD）的早期检测与诊断可挽救生命并降低医疗成本。当前临床实践是通过分析计算机断层扫描冠脉造影（CTCA）的医学图像进行 CAD 诊断。多数现有方法利用深度学习但需中心线提取与多平面重建。这些间接方法并非以临床医生友好方式设计，且使介入流程复杂化。此外，当前深度学习方法未提供确切可解释性，限制了这些方法在临床环境部署的效用。本研究中，我们首先提出一种 3D Resnet-50 深度学习模型，直接在 CTCA 图像上分类正常受试者与 CAD 患者，随后我们展示一个 2D 改进 U-Net 模型可继而用于分割冠状动脉。我们提出的方法在分类准确率上优于 SOTA 模型 21.43%。带 focal loss 的分类模型提供了更好且更聚焦的热图，而分割模型比仅分类模型提供了更好的可解释性。所提整体方法不仅提供了更简单且临床医生友好的方案，也为 CAD 诊断提供了良好分类准确率与确切可解释性。
引用
@article{arxiv.2308.00009,
title = {A 3D deep learning classifier and its explainability when assessing coronary artery disease},
author = {Wing Keung Cheung and Jeremy Kalindjian and Robert Bell and Arjun Nair and Leon J. Menezes and Riyaz Patel and Simon Wan and Kacy Chou and Jiahang Chen and Ryo Torii and Rhodri H. Davies and James C. Moon and Daniel C. Alexander and Joseph Jacob},
journal= {arXiv preprint arXiv:2308.00009},
year = {2024}
}