基于深度学习与放射组学的CCTA扫描冠脉斑块表征
图像与视频处理
2019-12-16 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
在冠脉CT血管造影扫描中评估冠状动脉斑块节段是改善患者管理与临床转归的重要任务，因其可辅助决定是否需有创检查与治疗。本工作中，我们提出三种能执行该任务的机器学习方法。第一种基于放射组学，利用斑块分割在不同图像变换下计算多种基于形状、强度与纹理的特征。第二种基于深度学习，仅以中心线提取为唯一前提。第三种将深度学习方法与放射组学特征融合。在我们的数据上，这些方法取得了与模拟血流储备分数（FFR）测量相近的分数，而后者——与我们的方法相反——需要冠脉全树的精确分割及往往耗时的手动交互。文献中，模拟FFR预测需血运重建的异常有创FFR的AUC介于0.79-0.93。放射组学方法预测血运重建决策的AUC达0.86，深度学习方法0.84，联合方法0.88。尽管三种方法均可在数秒内完成，FFR模拟通常需数分钟。若有足量代表性训练数据，我们相信所提方法可用于构建针对多种不良心脏事件的全自动无创风险评测系统。
引用
@article{arxiv.1912.06075,
title = {Coronary Artery Plaque Characterization from CCTA Scans using Deep Learning and Radiomics},
author = {Felix Denzinger and Michael Wels and Nishant Ravikumar and Katharina Breininger and Anika Reidelshöfer and Joachim Eckert and Michael Sühling and Axel Schmermund and Andreas Maier},
journal= {arXiv preprint arXiv:1912.06075},
year = {2019}
}
备注
International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2019