Wyszukiwarka
Abstrakt
In computed tomography (CT) imaging, the Hounsfield Unit (HU) scale quantifies radiodensity, but its nonlinear nature across organs and lesions complicates machine learning analysis. This paper introduces an automated method for adaptive HU scale windowing in deep learning-based CT liver segmentation. We propose a new neural network layer that optimizes HU scale window parameters during training. Experiments on the Liver Tumor Segmentation Benchmark show that the learned window parameters often converge to a range encompassing clinically used windows but wider, suggesting that adjacent data may contain useful information for machine learning. This layer may enhance model efficiency with just 2 additional parameters.
Cytowania
-
0
CrossRef
-
0
Web of Science
-
0
Scopus
Autorzy (3)
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
- Język:
- angielski
- Rok wydania:
- 2024
- Opis bibliograficzny:
- Cychnerski J., Zakrzewski M., Kwiatkowski D.: Adaptive Hounsfield Scale Windowing in Computed Tomography Liver Segmentation// / : , 2024,
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.62036/isd.2024.8
- Źródła finansowania:
-
- Działalność statutowa/subwencja
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 42 razy
Publikacje, które mogą cię zainteresować
Comparison of image pre-processing methods in liver segmentation task
- K. Kaczor,
- P. Nadachowski,
- M. Operlejn
- + 4 autorów