扫描器域迁移对医学影像深度学习性能的影响：实验研究
图像与视频处理
2024-10-03 v2 人工智能
计算机视觉与模式识别
摘要
目的：不同扫描器和协议获取的医学图像在外观上可能有显著差异。这种现象称为扫描器域迁移，可能导致在一个扫描器上训练的深度神经网络在另一个扫描器上测试时性能下降。尽管这一实际问题被广泛认识，但目前没有跨不同模态和诊断任务的系统性研究。材料与方法：本文提出了一项广泛的实验研究，评估了扫描器域迁移对不同自动诊断任务下卷积神经网络性能的影响。我们在常见的放射学模态中进行了评估，包括 X 光、CT 和 MRI。结果：我们发现，来自不同扫描器的数据上的网络性能几乎总是低于同扫描器数据上的性能，我们量化了不同数据集中性能下降的程度。值得注意的是，我们发现该下降在 MRI 中最严重，在 X 光中适中，在 CT 中则相当小，我们将其归因于 CT 获取系统的标准化程度，这在 MRI 或 X 光中并不存在。我们还研究了将不同amounts的目标域数据注入训练集，以及添加噪声到训练数据，对泛化性的帮助。结论：我们的结果为跨不同模态的深度学习中由扫描器域迁移导致的性能下降提供了大量实证数据和量化程度，旨在为医学图像分析开发健壮的深度学习模型指导未来工作。
引用
@article{arxiv.2409.04368,
title = {The Impact of Scanner Domain Shift on Deep Learning Performance in Medical Imaging: an Experimental Study},
author = {Brian Guo and Darui Lu and Gregory Szumel and Rongze Gui and Tingyu Wang and Nicholas Konz and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2409.04368},
year = {2024}
}