WindowNet: Learnable Windows for Chest X-ray Classification

要約

胸部 X 線 (CXR) 画像は通常、サイズを小さくするために解像度とビット深度が低く圧縮されるため、微妙な診断機能が変更される可能性があります。
放射線科医は画像のコントラストを高めるためにウィンドウ操作を使用しますが、そのような操作が CXR 分類パフォーマンスに与える影響は不明です。
この研究では、ウィンドウ処理により CXR 分類パフォーマンスが向上することを示し、最適なウィンドウ設定を学習するモデルである WindowNet を提案します。
まず、分類パフォーマンスに対するビット深度の影響を調査し、ビット深度が高い (12 ビット) とパフォーマンスが向上することがわかりました。
次に、さまざまなウィンドウ設定を評価し、個別のウィンドウを使用したトレーニングにより一般的に病理学的な分類パフォーマンスが向上することを示します。
最後に、最適なウィンドウ設定を学習するモデルである WindowNet を提案および評価し、ウィンドウ処理を行わないベースライン モデルと比較してパフォーマンスが大幅に向上することを示します。

要約(オリジナル)

Chest X-ray (CXR) images are commonly compressed to a lower resolution and bit depth to reduce their size, potentially altering subtle diagnostic features. Radiologists use windowing operations to enhance image contrast, but the impact of such operations on CXR classification performance is unclear. In this study, we show that windowing can improve CXR classification performance, and propose WindowNet, a model that learns optimal window settings. We first investigate the impact of bit-depth on classification performance and find that a higher bit-depth (12-bit) leads to improved performance. We then evaluate different windowing settings and show that training with a distinct window generally improves pathology-wise classification performance. Finally, we propose and evaluate WindowNet, a model that learns optimal window settings, and show that it significantly improves performance compared to the baseline model without windowing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google