IODeep：一种用于在大DICOM标准中引入深度学习的IOD
图像与视频处理
2024-03-14 v4 计算机视觉与模式识别
人机交互
摘要
背景与目的：近年来，人工智能（AI）特别是深度神经网络（DNN）因数据集日益增多及知名竞赛的举办，成为生物医学图像分割中的重要研究课题。尽管基于DNN的分割在研究领域广受欢迎，这些技术在日常临床实践中几乎未被使用，即便它们能在诊断过程中有效辅助医生。除神经模型预测可解释性问题外，此类系统未集成到诊断工作流中，且其使用的标准化是实现该目标所必需的。方法：本文提出IODeep，一种新型DICOM信息对象定义（IOD），旨在存储已在特定图像数据集上训练好的DNN的权重与架构，该数据集标注了采集模态、解剖区域及所研究疾病。结果：展示了IOD架构，以及基于上述标签从PACS服务器选择DNN的算法，和专为验证DICOM集成有效性而设计的简易PACS浏览器，且PACS服务器端无需修改。同时实现了支持整体工作流的服务型架构。结论：IODeep确保了训练好的AI模型在DICOM基础设施中的完全集成，并支持这样一种场景：训练好的模型可使用医院数据微调，或以不同医院共享的联邦学习方案训练。由此，AI模型可适配放射科产生的真实数据，从而改善医生的决策过程。源代码可在 https://github.com/CHILab1/IODeep.git 免费获取。
引用
@article{arxiv.2311.16163,
title = {IODeep: an IOD for the introduction of deep learning in the DICOM standard},
author = {Salvatore Contino and Luca Cruciata and Orazio Gambino and Roberto Pirrone},
journal= {arXiv preprint arXiv:2311.16163},
year = {2024}
}