基于非对比 CT 图像的深学习预测冠状动脉钙化严重程度
计算机视觉与模式识别
2025-11-12 v1
摘要
心血管疾病在全球范围内导致高死亡率。冠状动脉钙化（CAC）评分是分层动脉粥样心血管疾病风险的强大工具。当前评分实践需要 radiologist 和受训的放射技术师对心脏 CT 进行耗时的半自动分析。本研究旨在开发一种深度学习卷积神经网络（CNN）模型，用于将心脏、非对比 CT 图像中的钙化评分分类为六个临床类别中的一个。共回顾收集了 68 例患者扫描及其相应的半自动钙化评分。数据集被划分为训练、验证和测试集。使用半自动 CAC 评分作为参考标签，模型在六类 CAC 评分分类任务中表现出高性能。在分析的扫描中，模型在 32 例情况中的错分，倾向于高估 26 例。总体上，模型表现出高一致性（Kappa 为 0.962）、整体准确率为 96.5%，并在测试数据上表现出良好的通用性。结果表明，模型输出与当前的半自动实践相符且准确可靠，具有良好的通用性。该模型展示了 CNN 模型将钙化评分分为六个扩展临床类别的可行性。
引用
@article{arxiv.2511.07695,
title = {Predicting Coronary Artery Calcium Severity based on Non-Contrast Cardiac CT images using Deep Learning},
author = {Lachlan Nguyen and Aidan Cousins and Arcot Sowmya and Hugh Dixson and Sonit Singh},
journal= {arXiv preprint arXiv:2511.07695},
year = {2025}
}
备注
6 pages