Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Las ayudas de la técnica de AI producen las imágenes de alta calidad del CT en dosificaciones más inferiores

Las personas de bioengineers en el Rensselaer Polytechnic Institute (RPI), con el financiamiento del instituto nacional de la proyección de imagen y de la bioingeniería biomédicas (NIBIB), han desarrollado una técnica de la inteligencia (AI) artificial que utiliza la imagen que postprocesa para convertir rápidamente exploraciones de la tomografía calculada (CT) de la inferior-dosis a las imágenes de la calidad superior, comparada a las exploraciones de la inferior-dosis que no utilizan la técnica de AI. El CT se ha convertido en un servicio común prescrito de la proyección de imagen en el remedio moderno, ofreciendo un no invasor, detallado, y la opinión del primer de la anatomía y de la patología internas. la Inferior-dosis CT disminuye la radiación de la radiografía a un paciente.

Este aprendizaje profundo, híbrido, técnica de la imagen-reconstrucción integra imágenes del CT de la dosis de baja radiación con métodos emergentes de la red neuronal y ofrece imágenes comparables a una velocidad mucho más alta como ésas producidas con métodos iterativos de la reconstrucción. Las personas del Dr. Wang han avance las técnicas profundamente de aprendizaje para la proyección de imagen tomográfica y han perseguido esta investigación con el apoyo de la concesión de NIH para perfeccionar calidad de la imagen y la eficiencia de cómputo para la dosis CT de la inferior-dosis.”

Behrouz Shabestari, Ph.D., director del programa de NIBIB en inteligencia artificial, aprendizaje de máquina, y profundamente aprendizaje

Con su utilización creciente, la exploración del CT contribuye hasta el 62% de la dosificación de la radiación que la gente en los Estados Unidos incurre en de todas las modalidades de la proyección de imagen. Mientras que el riesgo de desarrollar el cáncer de tal exposición de radiación es pequeño, la preocupación pública ha subido con la utilización creciente de las exploraciones del CT, haciendo reducción de la dosis del CT una meta clínica. Los ingenieros de la proyección de imagen médica están trabajando para desarrollar las tecnologías que reducen la dosis de radiación del CT sin el compromiso de su funcionamiento diagnóstico.

Las exploraciones del CT se reconstruyen de combinaciones de muchas radiografías tomadas de diversos ángulos. En su estudio publicado en la inteligencia de máquina de la naturaleza del 10 de junio de 2019, las personas llevadas por GE Wang, el Ph.D., Clark y Crossan dotaron el profesor de la silla en el departamento de RPI de la ingeniería biomédica, y Mannudeep Kalra, M.D., profesor adjunto de la radiología en la Facultad de Medicina de Harvard y radiólogo en el Hospital General de Massachusetts, métodos estándar comparados de la reconstrucción de la imagen de las máquinas comerciales del CT con un nuevo método, llamado una red neuronal modularizada. El nuevo método es un tipo de AI a que los investigadores refieren como aprendizaje de máquina, o profundamente de aprendizaje.

La red neuronal modularizada para la reconstrucción de la imagen del CT reduce progresivamente ruido de los datos de una manera que los radiólogos pueden participar recíprocamente en la optimización del flujo de trabajo de la reconstrucción. Cada pequeño incremento de la calidad perfeccionada de la imagen se puede evaluar por los radiólogos según el diagnóstico médico que quieren hacer.

Los investigadores obtuvieron exploraciones del CT de la inferior-dosis de 60 pacientes; 30 que representaron la anatomía abdominal y los otros 30 que representaron la anatomía del pecho. Las exploraciones representaron tres productos comerciales del analizador del CT, todos que utilizan ya algoritmos iterativos de la reconstrucción de la imagen; la aproximación convencional; para reducir ruido de la imagen. El ruido causa calidad disminuida de la imagen como resultado de la exploración inferior del CT de la dosis de radiación. La aproximación iterativa de la reconstrucción refiere a los pasos relanzados que los toner médicos tentativa hacia generar las imágenes del CT constantes a un cierto conocimiento anterior sobre la física de la proyección de imagen y el contenido de la imagen. Los investigadores compararon la reconstrucción de la imagen con métodos iterativos actualmente usados y su red neuronal profunda nueva para el post-processing de la imagen.

Tres radiólogos evaluaron y rayaron las imágenes para dos características: la fidelidad y la imagen estructurales divulgan la supresión. La fidelidad estructural es la capacidad de la imagen de representar exacto las estructuras anatómicas en el campo visual, que se puede disminuir por el ruido. El ruido de la imagen aparece como configuraciones al azar en la imagen que detraigan de su claridad.

Para la proyección de imagen abdominal, los radiólogos dieron muescas más altas a las imágenes producidas con el método modularizado de la red neuronal en dos de los tres dispositivos de exploración y consideraban las imágenes del tercer dispositivo a partir de calidad comparable con el método iterativo de la reconstrucción. Para la proyección de imagen del pecho, los expertos encontraron la calidad de la imagen comparable entre los dos métodos para todos los dispositivos. Total, la red neuronal modularizada se realizó favorable o comparable en relación con el método iterativo cuando los radiólogos evaluaron la supresión estructural de la fidelidad y del ruido.

Los investigadores agregan que su nuevo método es mucho más rápido que los métodos comerciales actuales y que las instituciones con los analizadores actuales del CT de diversas marcas pueden utilizar su técnica para producir resultados similares de la imagen. Wang dijo que los resultados del estudio confirman que el aprendizaje profundo podría ayudar a producir las imágenes de alta calidad del CT en dosificaciones más inferiores, y al mismo tiempo, este nuevo enfoque mucho más eficiente que el proceso iterativo, que es que toma tiempo y conforme a los artefactos del ruido de la imagen.

La investigación fue soportada, en parte, por una concesión de NIBIB (EB017140) para que la investigación desarrolle los sistemas para la inferior-dosis CT.

Fuente:

Instituto nacional de la proyección de imagen y de la bioingeniería biomédicas (NIBIB)

Referencia del gorrón:

Shan, 2018) funcionamientos competitivos del H. y otros (de una red neuronal profunda modularizada comparada a los algoritmos comerciales para la reconstrucción de la imagen del CT de la inferior-dosis. Inteligencia de máquina de la naturaleza. doi.org/10.1038/s42256-019-0057-9.