用于 CCTA 扫描中冠状动脉斑块表征的深度学习算法
图像与视频处理
2019-12-16 v1 机器学习
机器学习
摘要
在非侵入性设置下分析冠状动脉斑块节段的功能意义及其对患者管理的影响，是当前研究的重要课题。本文中，我们比较并改进了用于该任务的三种深度学习算法：一种三维循环卷积神经网络（RCNN）、一种基于纹理分析的二维多视角集成方法，以及一种新提出的 2.5D 方法。当前利用基于流体动力学的分数血流储备（FFR）模拟的最先进方法，在预测异常有创 FFR 值任务上达到高达 0.93 的 AUC。对于预测血运重建决策的类似任务，我们通过所提改进将两种现有方法的 AUC 性能均提升至 0.90，具体而言，3D-RCNN 从 0.80 提升至 0.90，多视角基于纹理的集成从 0.85 提升至 0.90。新提出的 2.5D 方法取得了可比结果，AUC 为 0.90。
引用
@article{arxiv.1912.06417,
title = {Deep Learning Algorithms for Coronary Artery Plaque Characterisation from CCTA Scans},
author = {Felix Denzinger and Michael Wels and Katharina Breininger and Anika Reidelshöfer and Joachim Eckert and Michael Sühling and Axel Schmermund and Andreas Maier},
journal= {arXiv preprint arXiv:1912.06417},
year = {2019}
}
备注
Accepted at BVM 2020