基于深度学习与任务特定中心线标注的CAD-RADS评分
图像与视频处理
2022-02-09 v1 人工智能
计算机视觉与模式识别
摘要
冠心病（CAD）仍是全球主要死因之一，因此利用算法辅助医生加快并改善诊断的兴趣浓厚。在临床实践中，CAD 严重程度常通过冠状动脉 CT 血管造影（CCTA）扫描评估，并依据冠心病报告与数据系统（CAD-RADS）评分手动分级。该评分所评估的临床问题为：患者是否患有 CAD（排除）以及是否患有严重 CAD（保除）。本工作中，我们取得了自动 CAD-RADS 评分的新最优性能。我们提出将基于严重性的标签编码、测试时增强（TTA）与模型集成用于任务特定的深度学习架构。此外，我们引入一种新颖的任务与模型特定的启发式冠状动脉分段标注，其将冠状动脉树在患者间一致地细分。该方法快速、鲁棒且易于实现。我们分别在排除任务中将先前报道的受试者工作特征曲线下面积（AUC）从 0.914 提升至 0.942，在保除任务中从 0.921 提升至 0.950。
引用
@article{arxiv.2202.03671,
title = {CAD-RADS Scoring using Deep Learning and Task-Specific Centerline Labeling},
author = {Felix Denzinger and Michael Wels and Oliver Taubmann and Mehmet A. Gülsün and Max Schöbinger and Florian André and Sebastian J. Buss and Johannes Görich and Michael Sühling and Andreas Maier and Katharina Breininger},
journal= {arXiv preprint arXiv:2202.03671},
year = {2022}
}
备注
Under review MIDL 2020