基于深度学习的CT分析可解释的自动窗口设置

科学领域:

• 医学成像
• 人工智能
• 计算机视觉

背景情况:

• 计算机断层扫描 (CT) 窗口设置对于图像分析至关重要.
• 现有的方法缺乏自动化CT窗口设置的域不变和可解释的方法.

研究的目的:

• 开发用于神经网络中自动CT窗口设置的插电模块.
• 在没有手动CT窗口配置的情况下部署医学成像AI.

主要方法:

• 由Tanh激活函数衍生的新型模块被提出.
• 该模块与现有的医疗成像神经网络骨干无集成.
• 一个域不变的设计允许直观地观察适应机制的偏好.

主要成果:

• 该方法在多个开源数据集上得到验证,显示了细分的显著改进.
• 在具有挑战性的细分任务中实现了54%127%+子,14%32%+回忆和94%200%+精度.
• 在NVIDIA NGC环境中展示了人工智能医疗成像任务的有效部署.

结论:

• 拟议的方法自动化CT窗口设置用于医学成像AI的下游任务.
• 这降低了部署成本,并促进了主流医学成像神经网络的发展.