基于Tanh激活函数的可解释CT自动窗宽调节模块在深度学习医学影像分析中的应用研究

本文推荐一篇创新性研究，作者团队提出基于Tanh激活函数的即插即用模块，实现CT（Computed Tomography）窗宽自动调节。该模块在nnUNet框架中验证，显著提升硬性分割目标的Dice系数（54%~127%+）、召回率（14%~32%+）和精确度（94%~200%+），为医学影像AI部署提供免人工调窗的域自适应解决方案。

　　

Highlight

Recent advances in medical CT analysis

近年来，深度学习在医学领域的爆发式增长推动了放射影像自动化分析的发展[1][2]。当前研究热点涵盖配准（registration）、分割（segmentation）、分类（classification）、重建（reconstruction）、半监督学习（semi-supervision）及类别不平衡（class imbalance）等方向。

Definition of the proposed module

现有医学影像分析模型主要依赖四大要素：

1. 1.

   数据集$D$

2. 2.

   数据清洗与预处理$F$

3. 3.

   含可学习参数的神经网络$N$

4. 4.

   任务特异性输出$O$

   本模块$P$创新性地嵌入$F$与嵌入层$E$之间，作为连接原始数据与隐藏域的智能桥梁。

Adaptive window extractor

通过DICOM标准获取CT重建体积$S$后，我们采用基于Tanh激活的可学习窗宽提取器$W$作为首要映射。这种设计将梯度传播延伸至数据处理初始阶段，使系统能根据下游任务反馈自动优化窗宽参数。

Datasets and settings

实验采用TotalSegmentator、FLARE2023、CT-ORG等权威公开数据集（见表1），在nnUNet框架集成的MedNeXt模型上进行验证——该模型因其高度可复现性成为医学领域基准训练管道。

Contributions

本研究提出的自动CT窗宽调节模块作为神经网络前驱，通过多窗宽特征提取显著提升大尺度多目标医学分割性能。在NVIDIA NGC环境中，模块展现出降低AI医疗部署成本的潜力。

Conclusions

该模块能自主确定主流医学影像神经网络开发部署中的CT窗宽设置，为特定下游任务提供智能化解决方案。