使用深度学习技术进行医疗显示器质量控制测试的新方法
Sho Maruyama1, Fumiya Mizutani2, Haruyuki Watanabe1
1Department of Radiological Technology, Gunma Prefectural College of Health Sciences, Maebashi, Gunma, Japan.
Biomedical physics & engineering express
|January 8, 2025
概括
这项研究开发了一种高效的医疗显示器质量控制 (QC) 模型,使用智能手机和多任务人工智能策略. 该模型在评估对比反应和最大亮度方面表现出高准确性,减少了医疗器械管理的工作量.
科学领域:
- 医学成像和显示技术 医学成像和显示技术
- 医疗保健中的人工智能
- 质量控制系统 质量控制系统
背景情况:
- 医疗显示设备的严格管理对于确保数字图像诊断中的图像质量和诊断安全至关重要.
- 目前用于医疗显示器的质量控制 (QC) 方法可能是劳动密集型和耗时的.
研究的目的:
- 开发和评估一个有效的医疗显示器质量控制 (QC) 模型,重点关注对比反应和最大亮度常数测试.
- 调查一项多任务策略的可行性,用于医疗显示器QC的同时分类和回归任务.
- 评估使用智能手机捕获图像作为质量控制模型输入的潜力.
主要方法:
- 一个预训练过的模型被微调并调整成一个多输出配置,用于对比响应分类和最大亮度回归.
- 医疗显示器的智能手机捕获图像被用作开发模型的输入数据.
- 绩效评估涉及分类和相关系数的AUC/回归的Bland-Altman分析,比较多任务和单任务模型.
主要成果:
- 分类任务实现了高的曲线下面积 (AUC) 约为0.9,这表明对比反应评估的表现非常出色.
- 回归任务显示,最大亮度估计的平均相关系数在0.6到0.7之间.
- 该模型始终低估了最大亮度,但在5%的可接受误差范围内.
结论:
- 开发的基于多任务的模型证明了医疗显示器高效的质量控制系统的可行性.
- 这种方法显示了与医疗器械管理和质量控制相关的工作量显著减少的潜力.
- 需要进行进一步的研究,以提高这种QC系统的准确性和适用性,以便更广泛地管理医疗器械.
