Der Ansatz des maschinellen Lernens für die niedrig dosierte CT-Bildgebung liefert überlegene Ergebnisse

Radiologie veröffentlicht Roadmap für AI in der medizinischen Bildgebung

16. April 2019

Tech Xplore

Tech Xplore deckt die neuesten Entwicklungen in den Bereichen Technik, Elektronik und Technologie ab

Bildnachweis: CC0 Public Domain

Durch maschinelles Lernen kann die medizinische Bildgebung, insbesondere die Computertomographie (CT), erheblich verbessert werden, indem die Strahlenbelastung verringert und die Bildqualität verbessert wird.

Diese neuen Forschungsergebnisse wurden gerade in veröffentlichtNature Machine Intelligencevon Ingenieuren am Rensselaer Polytechnic Institute und Radiologen am Massachusetts General Hospital und der Harvard Medical School.

Laut dem Forschungsteam sprechen die in diesem hochwirksamen Journal veröffentlichten Ergebnisse für die Nutzung der Kraft der künstlichen Intelligenz zur Verbesserung von CT-Untersuchungen mit niedriger Dosis.

“Die Strahlendosis war ein wichtiges Problem für Patienten, die sich CT-Untersuchungen unterziehen. Unsere Technik des maschinellen Lernens ist den in dieser Studie verwendeten iterativen Techniken zur Ermöglichung der CT mit niedriger Strahlendosis überlegen oder zumindest vergleichbar”, sagte Ge Wang

Niedrigdosierte CT-Bildgebungstechniken standen in den letzten Jahren im Vordergrund, um Bedenken hinsichtlich der Exposition des Patienten gegenüber Röntgenstrahlung im Zusammenhang mit weit verbreiteten CT-Scans auszuräumen.

Um dieses Problem zu lösen, haben Ingenieure weltweit iterative Rekonstruktionstechniken entwickelt, mit deren Hilfe sich Störungen in CT-Bildern heraussuchen und beseitigen lassen.

Das Team machte sich daran, diese anhaltende Herausforderung mithilfe eines Frameworks für maschinelles Lernen anzugehen.

Diese Arbeit wurde in enger Zusammenarbeit mit Dr. Mannudeep Kalra, einem Professor für Radiologie am Massachusetts General Hospital und der Harvard Medical School, durchgeführt, der auch ein entsprechender Autor der Arbeit war.

Die Forscher wollten herausfinden, wie leistungsfähig ihr Deep-Learning-Ansatz im Vergleich zu den ausgewählten repräsentativen iterativen Algorithmen ist, die derzeit klinisch eingesetzt werden.

Mehrere Radiologen des Massachusetts General Hospital und der Harvard Medical School bewerteten alle CT-Bilder.

Die Forscher fanden heraus, dass ihre Deep-Learning-Methode auch viel schneller ist und es den Radiologen ermöglicht, die Bilder entsprechend den klinischen Anforderungen zu optimieren, sagte Dr. Kalra.

Diese positiven Ergebnisse wurden ohne Zugriff auf die Original- oder Rohdaten aller CT-Scanner erzielt.

“Dies hat Radiologen in der Schleife”, sagte Wang.

Er sagte, dass diese Ergebnisse bestätigen, dass Deep Learning dazu beitragen kann, sicherere und genauere CT-Bilder zu erstellen, während es gleichzeitig schneller als iterative Algorithmen abläuft.

“Wir freuen uns, der Community zu zeigen, dass maschinelles Lernen potenziell besser ist als herkömmliche Methoden”, sagte Wang.

Diese Forschung von Wangs Team gehört zu den bedeutenden Fortschritten, die die Fakultät im Biomedical Imaging Center des Zentrums für Biotechnologie und interdisziplinäre Studien (CBIS) in Rensselaer konsequent erzielt.

“Die Arbeit von Professor Wang ist ein hervorragendes Beispiel dafür, wie Fortschritte in Bezug auf künstliche Intelligenz und maschinelles und tiefes Lernen biomedizinische Instrumente und Verfahren verbessern können, indem sie sich mit schwierigen Problemen befassen. In diesem Fall können sie dazu beitragen, qualitativ hochwertige CT-Bilder mit einer geringeren Strahlendosis zu liefern. Transformative Entwicklungen

Mehr Informationen:Wettbewerbsfähigkeit eines modularisierten tiefen neuronalen Netzwerks im Vergleich zu kommerziellen Algorithmen für die Niedrigdosis-CT-BildrekonstruktionNature Machine Intelligence(2019).

Journal Informationen:Nature Machine Intelligence

Zitat:
 

Dieses Dokument unterliegt dem Urheberrecht.