基于合成胸片 X 光的冠状动脉钙化检测——机器学习方法
计算机视觉与模式识别
2026-01-07 v2
摘要
冠状动脉钙化 (CAC) 是心血管事件的强预测因子，CT 基准的 Agatston 评分被广泛视为临床金标准。然而 CT 成本高昂，不适用于大规模筛查，而胸片 X 光 (CXR) 经济实用，但缺乏可靠的真实标签，限制了深度学习的开发。数字重建 X 光 (DRR) 通过将 CT 体积投影到 CXR 风格图像，同时继承精确标签，提供了可扩展的替代方案。本文首次系统评估 DRR 作为 CAC 检测的代理训练域。使用 667 例 CT 扫描数据生成合成 DRR，评估模型容量、超分辨率保真度增强、预处理和训练策略。从零训练的轻量级 CNN 优于大型预训练网络；超分辨率与对比度增强组合取得显著提升；课程学习在弱监督下稳定训练。最佳配置实现平均 AUC 为 0.754，相当于或优于先前基于 CXR 的研究。这些结果确立了 DRR 作为 CAC 检测可扩展、标签丰富的基础，为未来迁移学习和域适应至真实 CXR 奠定了基础。
引用
@article{arxiv.2511.11093,
title = {Machine-Learning Based Detection of Coronary Artery Calcification Using Synthetic Chest X-Rays},
author = {Dylan Saeed and Ramtin Gharleghi and Susann Beier and Sonit Singh},
journal= {arXiv preprint arXiv:2511.11093},
year = {2026}
}
备注
10 pages, 5 figures. Under review for MIDL 2026