使用带扩张卷积的深度神经网络在低剂量胸部CT中自动钙化评分
计算机视觉与模式识别
2018-02-06 v2
摘要
接受低剂量胸部CT筛查的重度吸烟者受心血管疾病和肺癌的影响同样严重。筛查中获得的低剂量胸部CT扫描能够对动脉粥样硬化钙化进行量化，从而识别心血管风险增加的受试者。本文提出一种使用两个连续卷积神经网络在低剂量胸部CT中自动检测冠状动脉、胸主动脉和心脏瓣膜钙化的方法。第一个网络根据解剖位置识别并标记潜在钙化，第二个网络在检测到的候选中识别真实钙化。该方法在来自National Lung Screening Trial的1744个CT扫描集上训练和评估。为确定是否可使用任何重建或仅使用软组织滤波器重建的图像进行钙化检测，我们分别对软组织和中等/锐利滤波器重建评估了该方法。在软组织滤波器重建上，该方法对冠状动脉、胸主动脉、主动脉瓣和二尖瓣钙化的F1分数分别为0.89、0.89、0.67和0.55。在锐利滤波器重建上，F1分数分别为0.84、0.81、0.64和0.66。基于每受试者冠状动脉钙的风险类别分配的线性加权kappa系数在软组织和锐利滤波器重建上分别为0.91和0.90。这些结果表明所提出的方法能够在所有为肺癌筛查获取的低剂量胸部CT扫描中实现可靠的自动心血管风险评估。
引用
@article{arxiv.1711.00349,
title = {Automatic calcium scoring in low-dose chest CT using deep neural networks with dilated convolutions},
author = {Nikolas Lessmann and Bram van Ginneken and Majd Zreik and Pim A. de Jong and Bob D. de Vos and Max A. Viergever and Ivana Išgum},
journal= {arXiv preprint arXiv:1711.00349},
year = {2018}
}