机器学习模型开发中的全景成像错误:系统性审查
Eduardo Delamare1,2, Xingyue Fu3, Zimo Huang3
1Sydney Dental School, Faculty of Medicine and Health, The University of Sydney, Camperdown, NSW, 2050, Australia.
Dento maxillo facial radiology
|January 26, 2024
概括
机器学习 (ML) 模型的全景放射 (PAN) 数据集中的图像错误管理显示出不一致性. 解决这些错误对于在牙科成像中可靠的ML模型开发至关重要.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 全景射线图 (PAN) 在牙科诊断中至关重要.
- 机器学习 (ML) 模型越来越多地用于分析医疗图像,包括PAN数据集.
- 图像质量是影响机器学习模型性能的一个关键因素.
研究的目的:
- 系统地审查用于ML模型开发的PAN数据集中成像错误的管理.
- 确定处理图像质量问题的共同策略和不一致性.
主要方法:
- 按照PRISMA指南进行系统的文献审查.
- 使用从相关文献中获得的关键词搜索了三个数据库.
- 包括使用ML模型的PAN研究,报告有图像质量问题.
主要成果:
- 在400篇文章中,有41篇符合入选标准.
- 在包括的35项研究中使用了深度学习 (DL) 模型.
- 管理策略包括承认错误,数据集策划和图像增强,质量评估标准的差异很大.
结论:
- 在管理ML研究的PAN成像错误方面存在重大不一致.
- 图像质量问题会对ML模型性能产生负面影响.
- 需要进一步的研究来标准化图像质量评估,并探索DL用于自动化质量控制.
