[SPIE图像处理会议 - 美国休斯顿（2018年2月10日-2018年2月15日）] 医学成像2018：图像处理——基于深度学习的非心电门控CT扫描自动阿加斯顿评分计算

摘要： 引言：Agatston评分是心血管疾病与临床结局相关性的成熟评估指标。该评分通过CT扫描计算得出：a)测量动脉粥样硬化斑块的体积和密度；b)将这些信息汇总为指数。目的：开发一种卷积神经网络，无需预先分割冠状动脉钙化（CAC），即可直接输入非增强胸部CT扫描并输出对应的Agatston评分。材料与方法：我们使用包含5973例非增强非心电门控胸部CT扫描的数据库（其Agatston评分已人工计算）。采用目标检测器自动裁剪每例扫描的心脏区域，将数据库分为4973例训练集和1000例测试集。我们训练了一个三维深度卷积神经网络，直接从提取的心脏图像回归Agatston评分。结果：在1000例测试案例中，该方法与人工参考标准的相关系数达r=0.93（p≤0.0001），且正确分层72.6%病例至标准风险组。相比基于CAC预先分割的复杂前沿方法（在心电门控肺部CT中达到r=0.94），本方法表现相当。结论：卷积神经网络可直接从心脏图像回归Agatston评分，无需预先分割CAC。这是Agatston评分计算的新简化范式，其结果与现有前沿文献相当。