基于 U-Net 模型在非门控 CT 扫描上半监督学习的自动化冠状动脉钙化评分
图像与视频处理
2022-09-23 v2 计算机视觉与模式识别
机器学习
摘要
每年都有数千无辜者死于心脏病发作。未被诊断的心脏病发作常令人猝不及防，因为许多现行医疗方案不涵盖在这些扫描中搜寻钙化的费用。仅当怀疑某人患有心脏问题时才会进行门控 CT 扫描，否则患者无从知晓可能的心脏病发作/疾病。虽然非门控 CT 扫描更常定期执行，但更难检测钙化，且通常出于定位动脉钙化的其他目的而进行。事实上，实时冠状动脉钙化评分仅在门控 CT 扫描上计算，而非非门控 CT 扫描。在冠状动脉钙化和胸部 CT 的门控扫描上训练 unet 模型后，其在未触及测试集上获得了 0.95 的 DICE 系数。该模型用于预测非门控 CT 扫描，平均绝对误差（MAE）为 674.19，分桶分类准确率为 41%（5 类）。通过对图像及图像中存储信息的分析，推导出数学方程并用于自动裁剪心脏位置周围的图像。通过执行半监督学习，新的裁剪后非门控扫描能够密切近似门控 CT 扫描，将 MAE 性能提升 91%（62.38），准确率提升 23%。
引用
@article{arxiv.2206.10455,
title = {Automated Coronary Calcium Scoring using U-Net Models through Semi-supervised Learning on Non-Gated CT Scans},
author = {Sanskriti Singh},
journal= {arXiv preprint arXiv:2206.10455},
year = {2022}
}
备注
There is no correlation between gated and non-gated CT scans causing the points used in the training and results to be flawed. It was inaccurately assumed that there was a correlation between the scans