Ajuste de la ventana automática interpretable para el análisis de CT basado en aprendizaje profundo

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Visión por computadora

Sus antecedentes:

• La configuración de la ventana de la tomografía computarizada (TC) es crucial para el análisis de imágenes.
• Los métodos existentes carecen de enfoques invariables en el dominio e interpretables para el ajuste automático de la ventana CT.

Objetivo del estudio:

• Desarrollar un módulo plug-and-play para el ajuste automático de la ventana de TC en redes neuronales.
• Para permitir el despliegue de IA de imágenes médicas sin configuración manual de la ventana de TC.

Principales métodos:

• Se propuso un nuevo módulo derivado de la función de activación de Tanh.
• El módulo se integra perfectamente con las redes neuronales de imágenes médicas existentes.
• Un diseño invariante de dominio permite la observación intuitiva de las preferencias del mecanismo adaptativo.

Principales resultados:

• El método fue validado en múltiples conjuntos de datos de código abierto, mostrando mejoras significativas en la segmentación.
• Logrado 54% 127% + Dado, 14% 32% + Recall, y 94% 200% + Precisión en las tareas de segmentación desafiantes.
• Demostrado el despliegue eficiente de tareas de imágenes médicas impulsadas por IA en un entorno NGC de NVIDIA.

Conclusiones:

• El método propuesto automatiza la configuración de ventanas de TC para tareas posteriores en IA de imágenes médicas.
• Esto reduce los costos de despliegue y facilita el desarrollo de redes neuronales de imágenes médicas convencionales.