世界卫生组织报告称，在过去20年中，心脏病是全球主要的死亡原因，2019年影响了近900万人[1]。冠状动脉疾病（CAD）是最常见的慢性心脏病之一，其特征是心脏肌肉的血液供应部分或完全受阻[2]、[3]、[4]。最近的研究指出，由于不健康风险因素（如肥胖和缺乏运动）的发展，45岁以下年轻人的CAD发病率正在上升[5]。特别是，许多CAD患者在发病前没有症状[6]。因此，早期识别无症状CAD患者的高风险因素非常重要。
冠状动脉粥样硬化是导致CAD的一个因素，其原因是胆固醇和其他脂肪物质在血管壁中逐渐积聚。冠状动脉粥样硬化的原因之一是钙化，这与钙水平密切相关。Framingham风险评分（FRS）或多民族动脉粥样硬化研究（MESA）已被用作现有的冠状动脉钙化（CAC）筛查的算法或指南[7]、[8]。FRS是根据性别评估个体10年内患心血管疾病风险的指数；MESA评分关注多个种族群体，这两种方法在测量CAC方面的准确性已在多项研究中得到证实[7]、[8]、[9]、[10]。
然而，FRS和MESA在评估CAD风险时可能会遗漏大量高风险群体；因此，可以并行使用非侵入性测试来提高风险预测。计算机断层扫描（CT）诊断成像系统被广泛用于准确测量冠状动脉中的钙水平[10]、[11]、[12]。使用CT图像的CAC评分方法无需使用造影剂，并已在先前的研究中被验证为CAD的无症状指标[10]、[13]。目前，CAC评分通常使用多探测器CT（MDCT）成像系统进行[11]。传统上使用120 kVp标准X射线管电压进行CAC评分检查的电子束CT（剂量为1.1–3.6 mSv）以及基于顺序扫描的MDCT也被证明是有效的[14]、[15]。
基于MDCT图像的代表性CAC评分方法遵循Agatston方法的原则，该方法在面积大于130 Hounsfield单位（HU）且大于1 mm²时计算钙评分[11]。噪声对基于CT图像的CAC评分的准确性有显著影响，这种影响是基于这些精确的HU值进行评估的。一般来说，由于辐射衰减的增加，超重和肥胖患者的CT图像中的噪声水平会升高[16]。在这些患者进行CAC评分检查时，噪声的增加会导致数据测量的不准确性，因为非钙化区域会被误认为是钙化区域。
非局部均值方法是一种众所周知且高效的基于软件的图像处理技术，可以降低CT图像中的噪声水平[17]、[18]。为了弥补NLM降噪算法处理时间较长的主要缺点，提出了快速非局部均值（FNLM）方法[19]。Kim等人分析了FNLM降噪算法在CT图像中的图像质量改进程度，并证明其时间分辨率比基本NLM方法提高了大约17倍[20]。因此，我们旨在通过将FNLM降噪算法应用于CT图像来提高CAC评分的测量准确性。为了准确模拟超重和肥胖患者的CT图像，我们使用了基于补丁的噪声参数预测方法进行噪声估计，并通过改变FNLM算法的平滑强度来确定最佳值。
