基于深度度度度学习的患者重新识别在干部计算机断层扫描图像中从不同供应商的设备中获得的图像
Yasuyuki Ueda1, Daiki Ogawa2, Takayuki Ishida3
1Division of Health Sciences, Graduate School of Medicine, Osaka University, 1-7 Yamadaoka, Suita, Osaka, 565-0871, Japan. ueda.yasuyuki.sahs.med@osaka-u.ac.jp.
Journal of imaging informatics in medicine
|February 17, 2024
概括
这项研究引入了一种新的患者重新识别方法,可以在计算机断层扫描中自动检测不正确的患者元数据. 这种技术通过确保正确的患者数据链接来提高诊断准确性,减少放射学中的人为错误.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 计算机视觉 计算机视觉
背景情况:
- 放射科医生依靠图像元数据来在解释过程中识别患者.
- 医疗图像中错误的患者标识符是一个重大挑战,可能导致诊断错误.
研究的目的:
- 开发和评估一种患者重新识别技术,用于验证和纠正与计算机断层扫描 (CT) 图像相关的元数据.
- 为了提高在放射学工作流程中患者识别的准确性.
主要方法:
- 使用深度特征提取器的特征向量匹配技术被用来将正确的元数据与CT图像集联系起来.
- 该方法计算了基线和随访图像之间的相似性得分,以确定正确的患者元数据.
- 开发了一种增强技术,以提高跨不同供应商和成像变体的重新识别性能.
主要成果:
- 提出的方法成功地将正确的元数据与丢失或错误分配的标识符的CT图像联系起来.
- 正确匹配的患者图像的相似度得分明显高于不正确匹配的患者图像.
- 深度特征提取器在无需额外培训的情况下,在区分不同供应商的患者方面表现出强大.
结论:
- 开发的患者重新识别方法有效地检测了医学成像元数据中的不正确的患者标识符.
- 这种方法可以帮助减轻由人为错误或数据分配中的技术问题引起的诊断错误.
- 该技术提供了一种可靠的解决方案,以确保放射学解释中的数据完整性.
更多相关视频
09:21Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
Published on: February 18, 2015
12.2K
06:18Author Spotlight: Segmentation and VR for Advanced Neurovascular Interventions
Published on: April 5, 2024
1.0K
