CORA：面向冠状动脉 CT 血管造影分析和冠心病风险评估的病灶驱动基础模型
计算机视觉与模式识别
2026-03-27 v1
摘要
冠状动脉疾病是全球心血管死亡的主要原因，可通过冠状动脉计算机断层血管造影（CCTA）进行无创评估。尽管利用深度学习进行自动化CCTA分析已有所进展，但临床转化受限于稀缺的专家标注数据集。此外，广泛采用的无标签预训练策略，如掩码图像建模，内在偏向于全球解剖统计，常常无法捕捉冠状动脉斑块的局部病理特征。本文介绍了CORA，这是一个用于综合心血管风险评估的3D视觉基础模型。CORA通过病灶导向、合成驱动的自监督框架直接从体积化CCTA中学习。利用解剖引导的病灶合成引擎，该模型被明确训练用于检测模拟的血管异常，使表示学习偏向于临床相关的疾病特征而非占主导地位的背景解剖。我们在12,801个无标签CCTA体积上训练了CORA，并在来自九个独立医院的多中心数据集上全面评估了该模型。在包括斑块特征描述、狭窄检测和冠状动脉分割等诊断和解剖任务上，CORA consistently优于当前最先进的3D视觉基础模型，性能提升最高可达29%。关键的是，通过将影像编码器与大型语言模型耦合，我们将CORA扩展为一个多模态框架，显著改善了30天主要不良心血管事件（MACE）风险分层。我们的结果将CORA确立为统一解剖评估和心血管风险预测的可扩展且可扩展的基础模型。
引用
@article{arxiv.2603.24847,
title = {CORA: A Pathology Synthesis Driven Foundation Model for Coronary CT Angiography Analysis and MACE Risk Assessment},
author = {Jinkui Hao and Gorkem Durak and Halil Ertugrul Aktas and Ulas Bagci and Bradley D. Allen and Nilay S. Shah and Bo Zhou},
journal= {arXiv preprint arXiv:2603.24847},
year = {2026}
}