Die Fähigkeit eines Radiologen, genaue Diagnosen aus hochwertigen diagnostischen Bildgebungsstudien zu stellen, wirkt sich direkt auf das Ergebnis des Patienten aus. Die Erfassung ausreichender Daten, um die Bildgebung der besten Qualität zu erzeugen, ist jedoch mit Kosten - erhöhte Strahlendosis für Computertomographie (CT) und Positronenemissionstomographie (PET) oder unangenehm lange Scan -Zeiten für die Magnetresonanztomographie (MRT). Jetzt Forscher mit demAthinoula A. Martinos Zentrum für biomedizinische BildgebungIm Massachusetts General Hospital (MGH) haben sich diese Herausforderung mit einer neuen Technik basiertkünstliche IntelligenzUndmaschinelles LernenErmöglicht Kliniker, Bilder von höherer Qualität zu erwerben, ohne zusätzliche Daten sammeln zu müssen. Sie beschreiben die Technik - genannt AutomappNatur.
„Ein wesentlicher Bestandteil der klinischen Bildgebungspipeline ist die Bildrekonstruktion, die die von dem Scanner aus dem Scanner für Radiologen bewerteten Rohdaten verwandelt“, sagt Bo Zhu, Ph.D., ein Forschungsstipendiat im MGH Martinos -Zentrum und Erstautor des Nature Paper. „Der herkömmliche Ansatz zur Bildrekonstruktion verwendet eine Kette handgefertigter Signalverarbeitungsmodule, für die eine Expertenhandbuchparameterabstimmung erforderlich ist und häufig nicht in der Lage ist, Unvollkommenheiten der Rohdaten wie Rauschen zu verarbeiten. Wir führen ein neues Paradigma ein, bei dem das korrekte Bildrekonstruktionsalgorithmus automatisch durch das tiefe Lernen künstlicher Intelligenz bestimmt wird.
„Mit Automap haben wir Bildgebungssysteme beigebracht, um zu sehen, wie Menschen nach der Geburt lernen, nicht durch direktes Programmieren des Gehirns, sondern durch die Förderung neuronaler Verbindungen, um organisch durch wiederholtes Training an Beispielen der realen Welt anzupassen“, erklärt Zhu. „Dieser Ansatz ermöglicht es unseren Bildgebungssystemen, automatisch die besten Rechenstrategien zu finden, um klare, genaue Bilder in einer Vielzahl von Bildgebungsszenarien zu erstellen.“
Die Technik stellt einen wichtigen Sprung nach vorne für die biomedizinische Bildgebung dar. Bei der Entwicklung nutzten die Forscher die vielen Fortschritte in den letzten Jahren beide in derWird für künstliche Intelligenz und in den grafischen Verarbeitungseinheiten (GPUs) verwendet, die die Vorgänge vorantreiben, da die Bildrekonstruktion - insbesondere im Kontext von Automap - eine immense Berechnung erfordert, insbesondere während der Ausbildung der Algorithmen. Ein weiterer wichtiger Faktor war die Verfügbarkeit großer Datensätze („Big Data“), die für die Schulung großer neuronaler Netzwerkmodelle wie Automap erforderlich sind. Da es von diesen und anderen Fortschritten profitiert, wäre die Technik vor fünf Jahren oder vielleicht sogar vor einem Jahr nicht möglich gewesen.
Automap bietet eine Reihe potenzieller Vorteile für die klinische Versorgung, selbst wenn sie in kürzerer Zeit mit MRT oder mit niedrigeren Dosen von Röntgen, CT und PET hochwertige Bilder produzieren. Aufgrund ihrer Verarbeitungsgeschwindigkeit könnte die Technik dazu beitragen, Echtzeitentscheidungen über Bildgebungsprotokolle zu treffen, während sich der Patient im Scanner befindet.
„Da Automap als neuronales Netzwerk in Feedforward implementiert ist, ist die Geschwindigkeit der Bildrekonstruktion fast augenblicklich-nur zig Millisekunden“, sagt der leitende Autor Matt Rosen, Ph.D., Direktor des MRT-Laborlabors mit Low-Field-MRT und hyperpolarisiertem Medienlabor und Co-Regisseur des MGH-Martinos-Zentrums des MGH-Martinos. „Einige Arten von Scans erfordern derzeit eine zeitaufwändige Rechenverarbeitung, um die Bilder zu rekonstruieren. In diesen Fällen ist während der ersten Bildgebung unmittelbares Feedback nicht verfügbar, und eine Wiederholungsstudie ist möglicherweise erforderlich, um eine vermutete Abnormalität besser zu identifizieren. Automap würde eine sofortige Bildrekonstruktion bieten, um den Entscheidungsprozess während des Scans zu informieren und die Notwendigkeit zusätzlicher Besuche zu verhindern.“
Insbesondere könnte die Technik auch dazu beitragen, andere Anwendungen für künstliche Intelligenz und maschinelles Lernen voranzutreiben. Ein Großteil der aktuellen Aufregung im Zusammenhang mit dem maschinellen Lernen in der klinischen Bildgebung konzentriert sich auf computergestützte Diagnostik. Da diese Systeme für genaue diagnostische Bewertungen auf qualitativ hochwertige Bilder beruhen, könnte Automap eine Rolle bei der Weiterentwicklung dieser künftigen klinischen Verwendung spielen.
„Unser KI -Ansatz zeigt bemerkenswerte Verbesserungen inGenauigkeitund Rauschreduzierung und kann so eine Vielzahl von Anwendungen vorantreiben ", sagt Rosen.
Die anderen Autoren des Papiers sind Stephen Cauley, Ph.D., und Bruce Rosen, MD, Ph.D. (Keine Beziehung zu Matt), des MGH Martinos Center und Jeremiah Liu von der Harvard Chan School of Public Health Department of Biostatistics. Die Arbeit wurde teilweise vom National Institute of Biomedical Imaging and Bioengineering finanziert. Eine Patentanmeldung im Zusammenhang mit Automap wurde eingereicht.
Verpassen Sie nie einen Durchbruch:
Aktie.
