在临床放射学工作流程中测试细分算法的供应商不可分,PACS集成和DICOM兼容的软件-服务器管道
Lei Zhang1, Wayne LaBelle1, Mathias Unberath2
1School of Medicine, University of Maryland, Baltimore, MD, United States.
Frontiers in medicine
|November 13, 2023
概括
本研究介绍了一种可部署的管道,用于实时AI/ML医学图像细分测试. 该系统将PACS与本地处理集成在一起,使细分结果和临床使用的体积数据能够快速可视化.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 放射学工作流的优化 工作流的优化
背景情况:
- 可重现的人工智能/机器学习 (AI/ML) 方法对于将医学图像分析纳入临床实践至关重要.
- 在新研究中对细分算法的影子测试需要将图像存档和通信系统 (PACS) 与本地图像处理联系起来的工具.
- 放射工作站对DICOM兼容的细分结果和体积数据的实时可视化对于临床采用至关重要.
研究的目的:
- 开发和发布一个简单的,容器化的,易于部署的管道,用于在临床工作流程中对AI/ML细分算法的影子测试.
- 为了促进AI/ML工具的整合到常规放射学实践中进行实时分析.
主要方法:
- 一个端到端的自动化管道,包括路由器/收听器,匿名化器,OHIF网络查看器和DCM4CHEE DICOM档案.
- 在本地单个GPU工作站用于DICOM/NIfTI转换和图像处理.
- 使用创伤性骨盆血瘤细分模型 (nnU-net) 证明可行性,测量从PACS到档案传输的时钟时间.
主要成果:
- 从PACS发送到档案完成的平均总时钟时间为5分32秒 (±1分26秒).
- 推断时间从2分41秒到8分27秒不等,占总时间的大部分.
- 所有其他虚拟和本地主机步骤的总和在34秒至48秒之间.
结论:
- 开发的软件可以与现有的PACS无集成,以便在新患者扫描上对深度学习模型进行前性测试.
- 在初始配置后,管道可以通过单个命令脚本执行.
- 该代码在开源许可证下公开提供,包括详细的配置说明.
