端到端深度学习 恢复GLCM特征从模糊和杂的图像
Yijie Yuan1, J Webster Stayman1, Grace J Gang1,2
1Biomedical Engineering, Johns Hopkins University, Baltimore, MD, USA.
Proceedings of SPIE--the International Society for Optical Engineering
|September 6, 2024
概括
这项研究引入了一个深度学习算法,通过减少图像变化来标准化放射学特征. 这种新方法提高了用于临床应用的放射学模型的准确性和可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 定量分析 定量分析
背景情况:
- 放射学提供了有价值的临床见解,但由于扫描仪和成像差异,它遭受了特征变化.
- 这种变化阻碍了放射学模型在不同临床环境中的通用性和可靠性.
研究的目的:
- 开发和评估一种新的双域深度学习算法,用于恢复地面真相放射学特征.
- 通过恢复特征值来解决放射学中图像变异性的挑战.
- 为了提高放射学模型的标准化和可重复性.
主要方法:
- 开发了一个双域深度学习网络,包括两个U-Nets和一个可微分的灰级共发生矩阵 (GLCM) 估计器.
- 第一个U-Net恢复了图像,而第二个恢复了GLCM功能.
- 在肺CT图像补丁上评估了性能,将恢复的特征精度和分类性能与现有方法进行了比较.
主要成果:
- 拟议的深度学习网络在恢复GLCM功能方面显著优于仅图像恢复和分析方法.
- 实现了GLCM特征的基准真相最低平均绝对误差,平均误差为2.19%.
- 使用恢复特征的分类性能与使用地面真实特征实现的性能密切匹配.
结论:
- 开发的深度学习方法显示了放射学标准化的重大前景.
- 这种方法可以导致更可靠和可重复的放射学模型,改善临床应用.
- 双域网络有效地减轻了图像的变化,提高了放射学分析的通用性.
