Les aides de technique IA Produisent les images de haute qualité de CT aux dosages inférieurs

Une équipe des bioengineers au Rensselaer Polytechnic Institute (RPI), avec le financement de l'institut national de la représentation biomédicale et de la bio-ingénierie (NIBIB), ont développé une technique (AI) d'artificial intelligence qui emploie l'image post-traitant pour convertir rapidement des échographies de tomodensitométrie (CT) d'inférieur-dose en images de qualité supérieure, comparée aux échographies d'inférieur-dose qui n'emploient pas la technique IA. Le CT est allé bien à un service d'imagerie couramment prescrit dans le médicament moderne, fournissant un non envahissant, détaillé, et la vue en gros plan de l'anatomie interne et de la pathologie. l'Inférieur-dose CT réduit à un minimum la radiothérapie de rayon X à un patient.

Cet apprendre profond, hybride, technique d'image-reconstruction intègre des images de CT de dose d'inférieur-radiothérapie avec des méthodes apparaissantes de réseau neuronal et offre des images comparables à une vitesse beaucoup plus élevée en tant que ceux produites avec des méthodes itératives de reconstruction. L'équipe de M. Wang a avancé des méthodes d'apprentissage profondes pour la représentation tomographique et a poursuivi cette recherche avec le support de concession de NIH pour améliorer la qualité des images et le rendement de calcul pour la dose CT d'inférieur-dose. »

Behrouz Shabestari, Ph.D., directeur du programme de NIBIB l'artificial intelligence, l'apprentissage automatique, et en apprenant profondément

Avec son utilisation croissante, la lecture de CT contribue à 62% du dosage de radiothérapie que les gens aux Etats-Unis encourent de toutes les modalités d'imagerie. Tandis que le risque de développer le cancer d'une telle exposition au rayonnement est petit, la préoccupation publique a monté avec l'utilisation croissante des échographies de CT, effectuant à réduction des doses de CT un objectif clinique. Les techniciens d'imagerie médicale travaillent pour développer les technologies qui réduisent la dose de rayonnement du CT sans compromettre son rendement diagnostique.

Des échographies de CT sont reconstruites des combinaisons de beaucoup de rayons X pris de différentes cornières. Dans leur étude publiée pendant le 10 juin 2019, l'intelligence informatique de nature, l'équipe aboutie par GE Wang, le Ph.D., le Clark et le Crossan ont doté le professeur de présidence dans le service de RPI du génie biomédical, et le Mannudeep Kalra, M.D., professeur agrégé de la radiologie à la Faculté de Médecine de Harvard et radiologue chez Massachusetts General Hospital, méthodes normales comparées de reconstruction d'image des machines commerciales de CT avec une méthode neuve, appelée un réseau neuronal modularisé. La méthode neuve est un type d'AI au lequel les chercheurs se réfèrent comme apprentissage automatique, ou d'apprendre profondément.

Le réseau neuronal modularisé pour la reconstruction d'image de CT réduit graduel le bruit de caractéristiques d'une voie que les radiologues peuvent en mode interactif participer à l'optimisation du flux de travail de reconstruction. Chaque petit échelon de qualité des images améliorée peut être évalué par des radiologues selon le diagnostic médical qu'ils veulent effectuer.

Les chercheurs ont obtenu des échographies de CT d'inférieur-dose de 60 patients ; 30 qui ont dépeint l'anatomie abdominale et les autres 30 qui ont dépeint l'anatomie de poitrine. Les échographies ont représenté trois produits commerciaux de balayeur de CT, tous ce qui emploient déjà des algorithmes itératifs de reconstruction d'image ; l'approche conventionnelle ; pour réduire le bruit d'image. Le bruit entraîne la qualité des images diminuée en raison de la lecture inférieure de CT de dose de rayonnement. L'approche itérative de reconstruction se rapporte aux opérations répétées que les encres en poudre médicales essayent vers produire des images de CT cohérentes à une certaine connaissance préalable au sujet de la physique de représentation et du teneur d'image. La reconstruction comparée d'image de chercheurs avec des méthodes itératives actuel utilisées et leur réseau neuronal profond nouveau pour le post traitement d'image.

Trois radiologues ont évalué et ont rayé des images pour deux caractéristiques : la fidélité structurelle et l'image ébruitent l'élimination. La fidélité structurelle est la capacité de l'image de dépeindre exactement les structures anatomiques dans le champ de vision, qui peut être diminué par bruit. Le bruit d'image apparaît en tant que configurations faites au hasard sur l'image qui amoindrissent sa clarté.

Pour la représentation abdominale, les radiologues ont donné des rayures plus élevées aux images produites avec la méthode modularisée de réseau neuronal sur deux des trois dispositifs de lecture et ont considéré les images du troisième dispositif en date de la qualité comparable avec la méthode itérative de reconstruction. Pour la représentation de poitrine, les experts ont trouvé la qualité des images comparable entre les deux méthodes pour tous les dispositifs. De façon générale, le réseau neuronal modularisé a exécuté favorablement ou comparablement relativement à la méthode itérative quand les radiologues ont évalué l'élimination structurelle de fidélité et de bruit.

Les chercheurs ajoutent que leur méthode neuve est beaucoup plus rapide que les méthodes commerciales actuelles et que les institutions avec les balayeurs actuels de CT des marques variées peuvent utiliser leur technique pour produire les résultats assimilés d'image. Wang a dit que les résultats d'étude confirment qu'apprendre profond pourrait aider à produire les images de haute qualité de CT aux dosages inférieurs, et en même temps, cette approche nouvelle beaucoup plus efficace que le traitement itératif, qui est sujet long et à des corps étrangers de bruit d'image.

La recherche a été supportée, en partie, par une concession de NIBIB (EB017140) pour que la recherche développe des systèmes pour l'inférieur-dose CT.

Source :

Institut national de la représentation biomédicale et de la bio-ingénierie (NIBIB)

Référence de tourillon :

Shan, 2018) rendements compétitifs de H. et autres (d'un réseau neuronal profond modularisé comparé aux algorithmes commerciaux pour la reconstruction d'image de CT d'inférieur-dose. Intelligence informatique de nature. doi.org/10.1038/s42256-019-0057-9.