IODeep: an IOD for the introduction of deep learning in the DICOM standard

要約

背景と目的: 近年、人工知能 (AI)、特にディープ ニューラル ネットワーク (DNN) は、よく知られたコンテストの設立に加え、ますます多くのデータ セットが利用可能になったことにより、生物医学画像セグメンテーションに関連する研究テーマとなっています。
研究面では DNN ベースのセグメンテーションが人気があるにもかかわらず、これらの技術は、診断プロセス中に医師を効果的にサポートできたとしても、日常の臨床現場ではほとんど使用されていません。
ニューラル モデルの予測の説明可能性に関連する問題は別として、このようなシステムは診断ワークフローに統合されていないため、この目標を達成するにはその使用方法の標準化が必要です。
方法: この論文は、取得モダリティ、解剖学的領域、疾患に関してラベル付けされた特定の画像データセットで既にトレーニングされた DNN の重みとアーキテクチャの両方を保存することを目的とした新しい DICOM 情報オブジェクト定義 (IOD) である IODeep を紹介します。
調査中で。
結果: IOD アーキテクチャは、上で概説したラベルに基づく PACS サーバーからの DNN 選択アルゴリズム、および DICOM 統合の有効性を実証するために意図的に設計されたシンプルな PACS ビューアとともに表示されますが、PACS サーバー側では変更は必要ありません。
。
また、ワークフロー全体をサポートするサービスベースのアーキテクチャも実装されています。
結論: IODeep は、トレーニングされた AI モデルを DICOM インフラストラクチャに完全に統合します。また、トレーニングされたモデルを病院データで微調整したり、異なる病院が共有する連合学習スキームでトレーニングしたりできるシナリオも可能にします。
このようにして、放射線科病棟によって生成された実際のデータに合わせて AI モデルを調整できるため、医師の意思決定プロセスが改善されます。
ソースコードはhttps://github.com/CHILab1/IODeep.gitから無料で入手できます。

要約(オリジナル)

Background and Objective: In recent years, Artificial Intelligence (AI) and in particular Deep Neural Networks (DNN) became a relevant research topic in biomedical image segmentation due to the availability of more and more data sets along with the establishment of well known competitions. Despite the popularity of DNN based segmentation on the research side, these techniques are almost unused in the daily clinical practice even if they could support effectively the physician during the diagnostic process. Apart from the issues related to the explainability of the predictions of a neural model, such systems are not integrated in the diagnostic workflow, and a standardization of their use is needed to achieve this goal. Methods: This paper presents IODeep a new DICOM Information Object Definition (IOD) aimed at storing both the weights and the architecture of a DNN already trained on a particular image dataset that is labeled as regards the acquisition modality, the anatomical region, and the disease under investigation. Results: The IOD architecture is presented along with a DNN selection algorithm from the PACS server based on the labels outlined above, and a simple PACS viewer purposely designed for demonstrating the effectiveness of the DICOM integration, while no modifications are required on the PACS server side. Also a service based architecture in support of the entire workflow has been implemented. Conclusion: IODeep ensures full integration of a trained AI model in a DICOM infrastructure, and it is also enables a scenario where a trained model can be either fine-tuned with hospital data or trained in a federated learning scheme shared by different hospitals. In this way AI models can be tailored to the real data produced by a Radiology ward thus improving the physician decision making process. Source code is freely available at https://github.com/CHILab1/IODeep.git

arxiv情報

提供元, 利用サービス

arxiv.jp, Google