研究目的
生成一个卷积神经网络,该网络以非对比剂胸部CT扫描为输入,直接输出与之相关的Agatston评分,而无需事先对冠状动脉钙化(CAC)进行分割。
研究成果
卷积神经网络可直接从心脏图像回归计算阿加斯顿评分,无需预先对冠状动脉钙化进行分割。这是阿加斯顿评分计算领域的一种全新简化范式,其结果与当前最先进的文献报道相当。
研究不足
所提出的方法已在非对比剂、非心电门控的肺部扫描中进行了训练和测试,这类扫描相较于心电门控CT扫描存在显著的噪声和运动伪影。目前尚不清楚该方法在这些图像特征下的表现如何。
1:实验设计与方法选择:
设计了一个三维深度卷积神经网络,直接从心脏图像回归Agatston评分。
2:样本选择与数据来源:
使用包含5973例手动计算Agatston评分的非增强非心电门控胸部CT扫描数据库。
3:实验设备与材料清单:
非增强非心电门控胸部CT扫描,用于训练的Maxwell TitanX GPU。
4:实验流程与操作步骤:
使用目标检测器自动裁剪每例扫描的心脏区域,归一化为标准尺寸并限制到特定范围。将数据库划分为训练集和测试集。通过最小化计算评分与参考标准之间的均方根误差来训练网络。
5:数据分析方法:
采用Pearson相关系数和Bland-Altman分析评估方法性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容