Automating CT Diagnostic Image Quality Control Using Transfer Learning
Rattachement africain : ca. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Healthcare outcomes are intrinsically tied to the quality of medical imaging, which, in turn, relies on the precision of devices such as Computed Tomography (CT) scanners. Ensuring the high quality of medical images necessitates routine manual quality control testing, a process known for its time-consuming, error-prone, and costly nature. This paper presents a study that evaluates state-of-the-art deep convolutional neural network models to automate the quality control process for medical images. We evaluate the performance of 5 different models wherein InceptionResNetV2 achieves the best accuracy of 99%. We further examine out-of-domain datasets, highlighting a crucial need for more resilient models capable of automating quality control within healthcare facilities.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Automating CT Diagnostic Image Quality Control Using Transfer Learning
- Date Crossref
- 07/12/2023
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
University of British Columbia Department of Computer Science pays non établi dans la noticeUniversité ou école supérieure
-
Kelowna General Hospital pays non établi dans la noticeÉtablissement de santé
Department of Computer Science — University of British Columbia et Kelowna General Hospital.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.