WindowNet：用于胸部X光分类的可学习窗宽窗位网络
图像与视频处理
2023-08-04 v2 计算机视觉与模式识别
摘要
胸部X光（CXR）图像通常被压缩至较低分辨率和位深以减小尺寸，这可能改变细微的诊断特征。放射科医生使用窗宽窗位操作来增强图像对比度，但此类操作对CXR分类性能的影响尚不清楚。在本研究中，我们表明窗宽窗位操作可改善CXR分类性能，并提出WindowNet，一种学习最优窗宽窗位设置的模型。我们首先考察了位深对分类性能的影响，发现更高位深（12-bit）可带来性能提升。随后我们评估了不同的窗宽窗位设置，表明以特定窗宽窗位训练通常可改善按病变分类的性能。最后，我们提出并评估了WindowNet，一种学习最优窗宽窗位设置的模型，并显示其相比无窗宽窗位操作的基线模型显著提升了性能。
引用
@article{arxiv.2306.06038,
title = {WindowNet: Learnable Windows for Chest X-ray Classification},
author = {Alessandro Wollek and Sardi Hyska and Bastian Sabel and Michael Ingrisch and Tobias Lasser},
journal= {arXiv preprint arXiv:2306.06038},
year = {2023}
}