用于可复现冠状动脉钙化评分的生成模型
图像与视频处理
2022-06-13 v1 计算机视觉与模式识别
摘要
目的：冠状动脉钙化（CAC）评分，即在CT中量化的CAC量，是冠心病（CHD）事件的强且独立的预测因子。然而，CAC评分的扫描间可复现性有限，这主要是由于临床定义要求应用固定强度水平阈值来分割钙化。这一限制在非心电同步CT中尤为明显，其中病灶受心脏运动和部分容积效应的影响更大。因此，我们提出了一种不需要阈值来分割CAC的CAC量化方法。方法：我们的方法利用生成对抗网络，将带有CAC的CT分解为无CAC的图像和仅显示CAC的图像。该方法使用CycleGAN，采用626例低剂量胸部CT和514例放疗计划CT进行训练。在1,662例患者（每人有两次扫描）的放疗计划CT中，将扫描间可复现性与临床钙化评分进行比较。结果：所提方法实现了更低的CAC质量相对扫描间差异：47%，而手动临床钙化评分为89%。所提方法的Agatston评分组内相关系数（intraclass correlation coefficient）为0.96，而自动临床钙化评分为0.91。结论：我们的方法所实现的扫描间可复现性提升，可能带来CHD风险分层的可靠性增强以及CHD事件预测准确性的提高。
引用
@article{arxiv.2205.11967,
title = {Generative Models for Reproducible Coronary Calcium Scoring},
author = {Sanne G. M. van Velzen and Bob D. de Vos and Julia M. H. Noothout and Helena M. Verkooijen and Max A. Viergever and Ivana Išgum},
journal= {arXiv preprint arXiv:2205.11967},
year = {2022}
}
备注
In press