本研究提出了一种新算法，通过多脏器分割提升非增强心脏CT的冠状动脉钙化评分的准确性和可解释性，验证了其在心血管健康领域的优越性。

本研究提出DINO-LG模型，通过自监督学习提高冠状动脉钙化评分的准确性，专注于钙化区域，显著改善评分和分割性能，为冠状动脉疾病的预防提供更精确的工具。

本研究探讨了在非心脏CT扫描中量化冠状动脉钙化（CAC）的机会。开发的深度学习算法（AI-CAC）在预测长期死亡率和心血管事件方面优于传统CAC算法。

本研究探讨了深度学习在冠状动脉钙化和疾病检测中的应用，验证了自动化心脏斑块检测模型的有效性，提升了Agatston评分的准确性。研究表明，深度学习算法能够快速、可靠地进行冠状动脉CT血管造影标注和疾病筛查，从而改善临床风险分层和诊断表现。