技术报告：面向临床CT机器学习的质控评估工具
计算机视觉与模式识别
2021-07-28 v1
摘要
图像质量评估（IQA）对科学研究十分重要，尤其在医学成像与机器学习中。当基于人工的工作流使用有限的数据视图可能掩盖数字伪影时，潜在的数据质量问题会被加剧。实践中，网络问题、加速采集、运动伪影和成像协议设计等多种因素会妨碍图像集合的解读。医学图像处理界已开发了大量用于影像数据检查与验证的工具。然而，计算机断层扫描（CT）的IQA仍是一个未被充分认识的挑战，且尚无通用用户友好工具来解决这些潜在问题。在此，我们创建并展示了一个专门设计用于识别与解决临床采集CT数据大规模数据挖掘中所遇问题的流水线。使用广泛研究的全国肺部筛查试验（NLST），我们在17,392次扫描中识别出约4%存在质量问题的图像体积。为评估鲁棒性，我们将所提流水线应用于内部数据集，发现该工具可泛化至临床采集的医学图像。总之，该工具对临床数据研究有用且省时，代码与教程公开于 https://github.com/MASILab/QA_tool。
引用
@article{arxiv.2107.12842,
title = {Technical Report: Quality Assessment Tool for Machine Learning with Clinical CT},
author = {Riqiang Gao and Mirza S. Khan and Yucheng Tang and Kaiwen Xu and Steve Deppen and Yuankai Huo and Kim L. Sandler and Pierre P. Massion and Bennett A. Landman},
journal= {arXiv preprint arXiv:2107.12842},
year = {2021}
}
备注
18 pages, 13 figures, technical report