ClinReadNet: Una red inspirada en la lectura clínica para la evaluación de la calidad de imagen de TC abdominal de...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Radiología

Sus antecedentes:

• La evaluación precisa de la calidad de imagen de TC abdominal es vital para equilibrar la dosis de radiación y la calidad de la imagen.
• Las evaluaciones subjetivas actuales realizadas por médicos consumen mucho tiempo y son costosas.
• El desarrollo de modelos automatizados de evaluación de calidad de imagen sin referencia (No-reference IQA) es crucial para la práctica clínica.

Objetivo del estudio:

• Proponer un marco novedoso de aprendizaje profundo, ClinReadNet, para la evaluación de calidad de imagen sin referencia de TC abdominales.
• Desarrollar un modelo que imite la lógica de lectura clínica de los radiólogos para evaluar la calidad de la imagen.
• Lograr un rendimiento de vanguardia en la evaluación de calidad de imagen de TC de dosis baja.

Principales métodos:

• Se introdujo el módulo de red de calidad ordinal de Sobel (SOQN) para el análisis de detalles de bordes y distribución de calidad.
• Se integró el módulo (shifted) window multi-scale temperature multi-head self-attention ((S)W-MTMSA) para el enfoque de región basado en atención.
• Se diseñó la función de pérdida de puntuación de probabilidad clasificada jerárquica (HRPS) para mejorar la precisión de la clasificación.

Principales resultados:

• ClinReadNet logró un rendimiento de vanguardia (SOTA) en el conjunto de datos LDCTIQAG2023.
• Se obtuvieron altos coeficientes de correlación: Pearson (PLCC) 0.9507, Spearman (SROCC) 0.9554 y Kendall (KROCC) 0.8629.
• Superó a los métodos existentes en precisión de evaluación de calidad de imagen.

Conclusiones:

• ClinReadNet imita eficazmente los hábitos de lectura de los radiólogos para una evaluación precisa de la calidad de imagen de TC.
• El marco propuesto ofrece una solución práctica para la evaluación eficiente y confiable de imágenes de TC de dosis baja.
• Este enfoque de aprendizaje profundo tiene un potencial significativo para mejorar los flujos de trabajo de diagnóstico en imágenes de TC abdominales.