WindowNet: Learnable Windows for Chest X-ray Classification

要約

胸部X線（CXR）画像は一般に、サイズを縮小するために低解像度とビット深度に圧縮され、微妙な診断特徴を変化させる可能性がある。 放射線技師は画像のコントラストを強調するために窓掛け操作を行うが、このような操作がCXR分類性能に与える影響は不明である。 本研究では、ウィンドウ操作がCXR分類性能を向上させることを示し、最適なウィンドウ設定を学習するモデルであるWindowNetを提案する。 まず、ビット深度が分類性能に与える影響を調査し、ビット深度が高い（12ビット）ほど性能が向上することを発見する。 次に、さまざまな窓設定を評価し、明瞭な窓で学習することで、一般的に病理学的な分類性能が向上することを示す。 最後に、最適な窓設定を学習するモデルであるWindowNetを提案・評価し、窓設定を行わないベースラインモデルと比較して性能が大幅に向上することを示す。

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, DeepL