-JUNE25th
一个冠状动脉钙化评
分的联合学习框架
晟视分享
1.背景介绍
在早期冠状动脉的心脏疾病与动脉粥样硬化的诊断中，冠状动脉钙化的精确识别与量化都是重要的角色。许多冠状动脉钙化（coronaryarterycalcification(CAC)）被广泛的用于心血管疾病的指标。在临床实践中，左主干（LM）、左前降支（LAD）、左回旋支（LCX）和右冠状动脉（RCA）的钙化通常由医生手动定位。心脏冠脉钙化积分是通过软件计算钙化，从而获得钙化病灶。手动钙化识别是一个简单而又重复的工作，它在临床诊断中既耗时又无效率。由于未来冠脉CT数据的增加，手动识别钙化方式将不再被操作。在近几年来，已经提出了许多计算机辅助CAC识别方法来计算冠状动脉钙化评分。所涉及的方法包括无造影心脏CT、心脏CT血管造影（CTA）。此外，快速发展的深度学习技术用于钙化识别领域。相比较手动方法，全自动或者半自动的方法不仅减少专家们的工作量，而且在临床诊断过程提升了效率。
2.方法方案
本文提出了一个冠状动脉钙化（CAC）识别的集成框架CAC-Net（如Fig1所示）。通过输入无造影剂CT图像，CAC-Net网络应用于2DU-DenseNet模型提取切片内钙化特征。由于大多数钙化病变跨越多个相邻的图像切片，CAC-Net网络应用于3DU-Net模型提取切片间钙化特征。
图[1]
3.实验结果
实验数据为套数据集。首先，实验定性结果表明，CAC-Net在CAC检测中取得了良好的性能。患者的CAC识别的定量性是通过灵敏度、PPV和F1分数来分析。如表1所示，CAC体积的F1得分为0.，这表明所提出的CAC-Net在检测CAC和非钙化方面已达到令人信服的水平。
其次，本文评估ICC的动脉特异性CAC识别指标的性能。如表2所示，LAD、LCX、RCA的ICC的体积分数分别为0.、0.、0.。结果有效地证明了每个动脉钙化的临床指标CAC-Net方法的性能。
图[1]
最后，本文在不同网络上比较冠状动脉钙化积分的不同指标，验证CAC-Net方法的合理有性（如表4）。
参考文献
[1]ZhangW,ZhangJ,DuX,etal.Anend-to-endjointlearningframeworkofartery-specificcoronarycalciumscoringinnon-contrastcardiacCT[J].Computing,,(6):-.
更多精彩，敬请期待
杭州晟视科技有限公司