DICOM LUT是医疗图像预处理中迈向AI通用性的关键一步

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 深度学习模型越来越多地用于医学图像分析,特别是胸部X射线 (CXR).
• 图像预处理显著影响这些深度学习模型的性能.
• 缺乏标准化的DICOM预处理方法,导致模型培训和评估的变化.

研究的目的:

• 调查直方图平衡 (HE) 和感兴趣值查看表 (VOI-LUT) 转换对CXR深度学习分类器性能的影响.
• 评估不同的预处理技术如何影响模型的概括性,并确定潜在的问题,如过拟合和快捷方式学习.

主要方法:

• 生成了四个不同的CXR数据集:原始像素,标准DICOM处理,两者都用HE增强.
• 在这些数据集上训练了四个独立的深度学习模型用于肺胸部诊断.
• 在两个外部验证数据集上评估模型性能,以评估可概括性.

主要成果:

• 立体图平衡显著影响了模型性能,特别是概括性.
• 仅在HE增强数据集上训练的模型在外部验证数据集上表现较差,表明过拟合和信息丢失.
• 在HE增强数据上训练的模型表现出快捷学习,依赖虚假的相关性.

结论:

• 对于机器学习从业者来说,了解预处理技术及其对模型性能的影响至关重要.
• 在共享医学成像数据集时,应包括标准化预处理信息.
• 在数据集策划过程中使用接近临床标准的像素值可以提高模型的稳定性并减少信息丢失.