DINO-LG：利用标签引导增强视觉 Transformer 用于冠状动脉钙化检测

冠状动脉疾病（CAD）是全球范围内导致死亡的主要原因之一，需要有效的风险评估策略，其中通过计算机断层扫描（CT）进行冠状动脉钙化（CAC）评分是一种关键的预防方法。传统方法主要基于在预构建模型上实现的 UNET 架构，面临着包含 CAC 的标注 CT 扫描稀缺以及数据集不平衡等挑战，导致分割和评分任务性能下降。在本研究中，我们通过引入 DINO-LG 来解决这些局限性，DINO-LG 是 DINO（无标签自蒸馏）的一种新型标签引导扩展，它在自监督预训练期间对标注的钙化区域进行有针对性的增强。我们的三阶段流程集成了通过 DINO-LG 训练的 Vision Transformer（ViT-Base/8）特征提取（训练数据包含 914 次 CT 扫描，包括 700 次门控和 214 次非门控采集）、用于识别钙化切片的线性分类，以及用于 CAC 量化和 Agatston 评分的 U-NET 分割。与标准 DINO 的 79% 灵敏度和 77% 特异性相比，DINO-LG 在检测包含 CAC 的 CT 切片方面达到了 89% 的灵敏度和 90% 的特异性，将假阴性和假阳性率分别降低了 49% 和 57%。该集成系统在 45 名测试患者的 CAC 风险分类中达到了 90% 的准确率，优于独立的 U-NET 分割（76% 准确率），同时仅处理相关的 CT 切片子集。这种有针对性的方法通过向 UNET 模型提供相关切片来提高 CAC 评分准确性，在提高诊断精度的同时，通过减少不必要的测试和治疗来降低医疗成本。