基于深度学习的冠状动脉疾病分类：不同病变程度范围的影响
图像与视频处理
2024-06-25 v2 计算机视觉与模式识别
摘要
有创冠状动脉造影（ICA）图像被认为是评估冠状动脉状态的金标准。深度学习分类方法在医学影像评估具有重要影响的各个领域得到了广泛应用和良好发展，因为计算机辅助诊断系统的发展可以支持医生的临床操作。本文报告了针对不同病变程度的二元ICA分类的深度学习方法的新的性能分析。为实现这一目标，我们使用了一个包含真实标注、病变位置以及七个可能严重程度（范围从0%到100%）的ICA图像注释数据集。ICA图像被划分为“病变”或“非病变”图块。我们旨在研究二元分类性能如何受到正类中考虑的不同病变程度的影响。因此，我们使用不同的输入图像训练了五种已知的卷积神经网络架构，这些输入图像逐步纳入不同的病变程度范围，直到考虑全部七个病变程度。此外，设计了四种有无数据增强的实验，并计算了F-measure和曲线下面积（AUC）。报告的结果分别达到了92.7%和98.1%的F-measure和AUC。然而，病变分类受到拟分类病变程度的很大影响，当存在<99%的病变图块时，准确率降低15%。
引用
@article{arxiv.2402.00593,
title = {Coronary Artery Disease Classification with Different Lesion Degree Ranges based on Deep Learning},
author = {Ariadna Jiménez-Partinen and Karl Thurnhofer-Hemsi and Esteban J. Palomo and Jorge Rodríguez-Capitán and Ana I. Molina-Ramos},
journal= {arXiv preprint arXiv:2402.00593},
year = {2024}
}