使用心脏 CT 的放射组学和几何特征进行心血管疾病分类-计算机科学-机器学习-神经网络.pdf

使用心脏CT的放射组学和几何特征进行心血管疾

病分类

AjayMittal,RaghavMehta,OmarTodd,

PhilippSeeböck,GeorgLangs,BenGlocker

ImperialCollegeLondon,UK.

MedicalUniversityofVienna,Austria.

raghav.mehta@imperial.ac.uk

本

译摘要心血管疾病（CVD）的自动检测和分类在计算机断层扫描（CT）图

中像中对于促进更好的临床决策具有重要作用。然而，最近大多数基于深度

学习的方法要么直接处理原始CT数据，要么将其与解剖心脏结构分割结

1合使用训练一个端到端分类器。因此，这些方法从临床角度来看变得难以

v

6解释。为了解决这一挑战，在本研究中，我们将CVD分类流程分解为三个

2组成部分：（i）图像分割，（ii）图像配准，以及（iii）下游的CVD分类。具

2体来说，我们利用了Atlas-ISTN框架和最近的分割基础模型生成解剖结

2

2构分割图和一个规范的健康模板。这些进一步用于提取临床可解释的放射

.

6组学特征以及通过模板配准获取的基于变形场的几何特征来进行CVD分

0类。我们在公开可用的ASOCA数据集上的实验表明，利用这些特征在进

5

2行CVD分类时比直接对原始CT图像训练的分类模型（67.50%）具有更

:高的准确性（87.50%）。我们的代码是公开可用的：/

v

ibiomedia-mira/grc-net

x

r

a

Keywords:心血管疾病·CT图像·基础模型。

1介绍

心血管疾病（CVD）仍然是全球发病率和死亡率的主要原因，每年导致

数百万人死亡。在欧洲，每年有超过1100万新发心血管疾病病例发生[20]。

因此，早期准确的诊断对于改善患者结果和减轻医疗保健提供者的负担至

关重要。计算机断层扫描（CT）已成为一种强大的非侵入性工具，用于可

视化心血管系统，提供详细的解剖结构和功能信息。然而，对CT图像的手

动解读耗时费力，容易出现观察者之间的差异，并且通常需要专门的专业知

2A.Mittal,R.Mehta,O.Todd,P.Seeböck,G.Langs,B.Glocker

识。这突显了迫切需要能够帮助临床医生高精度检测CVD的自动化系统的

必要性。

近期机器学习模型，特别是深度学习模型的进展，使得心脏图像分析自

动化得以改进[13]。这些方法已经成为从CT影像进