【论文阅读笔记】Direct Automatic Coronary Calcium Scoring in Cardiac and Chest CT

本文是IEEE Transactions on Medical Imaging 2018的文章。心血管疾病(CVD)是全球主要的死亡原因。心血管疾病发生的一个重要危险因素是冠状动脉钙(CAC)的含量。为了满足对CAC含量进行量化评分，之前的研究中采用机器学习的方式绕不开繁杂的特征工程，使用深度学习的方式计算成本较高，本文做出的贡献主要有：提出一种高效的计算模型，使用两个卷积神经网络，第一个网络执行不同的输入CT图像的视野对齐，第二个网络完成直接回归评分，从得分可以进行患者风险分级；为了知道影响频分决策的图像区域，文章使用了常用的解卷积方法。

1. 训练registration ConvNet

文中使用修改的Deep Learning Image Registration (DLIR)（参见论文：End–to–end unsupervised deformable image registration with a convolutional neural network，2017），输入数据为给定的CT图像和固定的Atlas Image（完备的人工标注图集），该registration ConvNet输出的结果是给定图像转换为标准Atlas图像所需要的六个自由度的转换参数：平移、旋转和缩放：

得出参数后，图像就可进行视野对准 

 

训练结束后，任意给定CT图像，通过registration ConvNet即可输出视野标准化后的图像，可以极大的提升评分CNN的预测精度。文章给出了配准前后的图像对比：

2. Calcium scoring ConvNet

该卷积神经网络用于钙化评分，输出的就是回归的分数值，网络结构不复杂，值得注意的是采用的损失函数是：

 

文中对真值使用对数变换可以使给予错误的低钙分数预测更大的惩罚，对错误的高钙分数预测给予相对小的惩罚，本人不是学医的，对钙化分数大小用于风险评级不了解，因此不做评价，只是对这种损失函数觉得可以在其他领域进行拓展。

 

3.整体网络参数

 

4.预测效果

个人觉得本文的亮点：registration ConvNet方式值得学习，通过将随意的输入图像与标准数据集图像进行视野对齐，有利于后续任务的性能提升。