Machine-learning-Ansatz für low-dose-CT-Bildgebung ergibt hervorragende Ergebnisse erzielt: Ergebnisse ein starkes argument für die Nutzung der Kraft der künstlichen Intelligenz in der CT

Machine learning hat das Potenzial, erheblich Voraus, die medizinische Bildgebung, insbesondere der Computertomographie (CT) – Untersuchung, durch die Reduzierung der Strahlenbelastung und eine Verbesserung der Bildqualität.

Diese neuen Forschungsergebnisse wurden soeben veröffentlicht in der Natur die Intelligenz an der Maschine, die von Ingenieuren an der Rensselaer Polytechnic Institute und Radiologen, die am Massachusetts General Hospital und der Harvard Medical School.

Laut dem research-team, die Ergebnisse, veröffentlicht in diesem high-impact-journal ist ein starkes argument für die Nutzung der macht der künstlichen Intelligenz zu verbessern, low-dose CT-scans.

„Die Strahlendosis wurde ein großes Problem für Patienten in der CT-scans. Unsere machine-learning-Technik überlegen ist, oder zumindest vergleichbar, der iterativen Techniken, die in dieser Studie für die Aktivierung der low-radiation-Dosis-CT“, sagte Ge Wang, eine Stiftungsprofessur, professor der biomedizinischen Technik bei Rensselaer, und einen entsprechenden Autor auf diesem Papier. „Es ist eine high-level-Abschluss, der trägt eine kraftvolle Botschaft. Es ist Zeit für maschinelles lernen, um schnell abzunehmen und, hoffentlich, übernehmen.“

Low-dose-CT-Bildgebung wurde ein bedeutender Schwerpunkt in den letzten Jahren in einer Bemühung zu lindern Bedenken über Patienten die Exposition gegenüber Röntgen-Strahlung im Zusammenhang mit weithin verwendet CT-scans. Allerdings Abnehmender Strahlung kann verringern die Bildqualität.

Um das zu beheben, Ingenieure weltweit entworfen haben, iterative Rekonstruktion-Techniken zu helfen, zu sichten und die Beseitigung von Störungen, die aus CT-Bildern. Das problem, Wang sagte, ist, dass diese algorithmen manchmal entfernen Sie nützliche Informationen oder fälschlich des Bildes ändern.

Das team zur Bewältigung dieser anhaltenden Herausforderung mit einem machine-learning-framework. Speziell, entwickelten Sie einen dedizierten deep neural network und verglichen Ihre besten Ergebnisse zu den besten, was die drei großen kommerziellen CT-Scanner erzeugen konnten, mit iterativen rekonstruktionstechniken.

Diese Arbeit wurde in enger Zusammenarbeit mit Dr. Mannudeep Kalra, professor für Radiologie am Massachusetts General Hospital und der Harvard Medical School, der auch einen entsprechenden Autor auf dem Papier.

Die Forscher waren auf der Suche, um zu bestimmen, wie Sie die performance Ihrer deep-learning-Ansatz im Vergleich zu den ausgewählten repräsentativen iterative algorithmen, die derzeit klinisch angewendet.

Mehrere Radiologen vom Massachusetts General Hospital und der Harvard Medical School bewertet alle CT-Bilder. Die deep-learning-algorithmen, entwickelt von der Rensselaer-team hat so gut wie oder besser als die aktuellen iterativen Techniken, die in einer überwältigenden Mehrheit der Fälle, Wang sagte.

Forscher fanden heraus, dass Ihre deep learning “ – Methode ist auch viel schneller, und ermöglicht es dem Radiologen, um die Feinabstimmung der Bilder je nach klinischen Erfordernissen, Dr. Kalra sagte.

Diese positiven Ergebnisse wurden realisiert, ohne Zugriff auf die original-oder raw-Daten von allen CT-Scannern. Wang wies darauf hin, dass, wenn original-CT-Daten zur Verfügung gestellt, ein spezielles deep learning-Algorithmus ausführen soll sogar noch besser.

„Das hat Radiologen in die Schleife“, sagte Wang. „In anderen Worten bedeutet dies, dass wir integrieren die Intelligenz an der Maschine und menschlicher Intelligenz gemeinsam in den deep-learning-framework, erleichtern die klinische Umsetzung.“

Er sagte, dass diese Ergebnisse bestätigen, dass die Tiefe lernen helfen könnten, produzieren sicherer, präziser CT-Bilder während dem laufen auch schneller als die iterative algorithmen.

„Wir sind begeistert zu zeigen, die Gemeinschaft, in der machine-learning-Verfahren sind potentiell besser als mit den herkömmlichen Methoden“, sagte Wang. „Es sendet die wissenschaftliche Gemeinschaft ein starkes signal. Wir gehen sollten, für maschinelles lernen.“

Diese Forschung, die von Wangs team ist unter die wichtige Weiterentwicklungen konsequent durch die in der Fakultät Biomedical Imaging Center in der Mitte für Biotechnologie und Interdisziplinäre Studien (CBIS) in Rensselaer.

„Professor Wang Werk ist ein hervorragendes Beispiel dafür, wie Fortschritte in der künstlichen Intelligenz und Maschine und Tiefe lernen verbessern können biomedizinische Instrumente und Praktiken durch die Auseinandersetzung schwierigen Probleme-in diesem Fall helfen, qualitativ hochwertige CT-Bilder mit einer niedrigeren Strahlendosis. Transformative Entwicklungen aus diesen kollaborativen teams führt zu mehr präzise und personifizierte Medizin,“ sagte Deepak Vashishth, Direktor des CBIS.

Zusammenhängende Posts