基于心脏CT影像放射组学与几何特征的心血管疾病分类
图像与视频处理
2026-05-07 v2 计算机视觉与模式识别
摘要
自动从计算断层扫描（CT）图像中检测和分类心血管疾病（CVD），对于促进更明智的临床决策具有重要意义。然而，大多数近期基于深度学习的方法要么直接处理原始CT数据，要么结合解剖心脏结构分割训练端到端分类器。因此，这些方法在临床层面解释起来更为困难。为此本文将CVD分类流程分为三个组件：（i）图像分割，（ii）图像配准，（iii）下游CVD分类。具体而言，我们利用Atlas-ISTN框架和最新的结构分割基础模型生成解剖结构分割图和健康规范化图谱。进一步用于提取可解释的放射组学特征以及基于配准变形场的几何特征，用于CVD分类。我们的实验在公开的ASOCA数据集上表明，使用这些特征可实现更好的CVD分类准确率（87.50%），相较于直接在原始CT图像上训练的分类模型（67.50%）显著提升。我们的代码已公开：https://github.com/biomedia-mira/grc-net
引用
@article{arxiv.2506.22226,
title = {Cardiovascular disease classification using radiomics and geometric features from cardiac CT},
author = {Ajay Mittal and Raghav Mehta and Omar Todd and Philipp Seeböck and Georg Langs and Ben Glocker},
journal= {arXiv preprint arXiv:2506.22226},
year = {2026}
}
备注
Accepted at STACOM 2025 workshop held in conjunction with MICCAI 2025 conference