Ny teknik til kunstig intelligens forbedrer kvaliteten af ​​medicinsk billeddannelse dramatisk

En radiologes evne til at stille præcise diagnoser fra højkvalitets diagnostiske billeddannelsesundersøgelser påvirker direkte patientresultatet. Imidlertid, at erhverve tilstrækkelige data til at generere billedbehandling i bedste kvalitet koster en pris - øget stråledosis for computertomografi (CT) og positronemissionstomografi (PET) eller ubehageligt lange scanningstider for magnetisk resonansbilleddannelse (MRI). Nu har forskere med Athinoula A. Martinos Center for Biomedical Imaging på Massachusetts General Hospital (MGH) taget fat på denne udfordring med en ny teknik baseret på kunstig intelligens og maskinlæring, gør det muligt for klinikere at erhverve billeder af højere kvalitet uden at skulle indsamle yderligere data. De beskriver teknikken - kaldet AUTOMAP (automatiseret transformation ved mangfoldig tilnærmelse) - i et papir, der blev offentliggjort i dag i tidsskriftet Natur .

"En væsentlig del af den kliniske billeddannelsespipeline er billedrekonstruktion, som forvandler rådataene fra scanneren til billeder, som radiologer kan evaluere, "siger Bo Zhu, Ph.d., en stipendiat i MGH Martinos Center og første forfatter af Natur papir. "Den konventionelle tilgang til billedrekonstruktion bruger en kæde af håndlavede signalbehandlingsmoduler, der kræver ekspertmanuel parameterindstilling og ofte ikke er i stand til at håndtere ufuldkommenheder af rådata, såsom støj. Vi introducerer et nyt paradigme, hvor den korrekte billedrekonstruktionsalgoritme automatisk bestemmes af dyb læring af kunstig intelligens.

"Med AUTOMAP, vi har lært billeddannelsessystemer at 'se' den måde mennesker lærer at se efter fødslen, ikke gennem direkte programmering af hjernen, men ved at fremme neurale forbindelser til organisk tilpasning gennem gentagen træning om virkelige eksempler, "Zhu forklarer." Denne tilgang gør det muligt for vores billeddannelsessystemer automatisk at finde de bedste beregningsstrategier til at producere klare, nøjagtige billeder i en lang række billeddannelsesscenarier. "

Teknikken repræsenterer et vigtigt spring fremad for biomedicinsk billeddannelse. Ved udviklingen af ​​det, forskerne udnyttede de mange fremskridt, der er gjort i de seneste år, både i de neurale netværksmodeller, der bruges til kunstig intelligens, og i de grafiske behandlingsenheder (GPU'er), der driver operationerne, da billedrekonstruktion - især i forbindelse med AUTOMAP - kræver en enorm mængde beregning, især under træning af algoritmerne. En anden vigtig faktor var tilgængeligheden af ​​store datasæt ("big data"), som er nødvendige for at træne store neurale netværksmodeller som AUTOMAP. Fordi det udnytter disse og andre fremskridt, Zhu siger, teknikken ville ikke have været mulig for fem år siden eller måske endda for et år siden.

AUTOMAP tilbyder en række potentielle fordele ved klinisk pleje, endda ud over at producere billeder i høj kvalitet på kortere tid med MR eller med lavere doser med røntgen, CT og PET. På grund af dens behandlingshastighed, teknikken kan hjælpe med at træffe beslutninger i realtid om billeddannelsesprotokoller, mens patienten er i scanneren.

"Da AUTOMAP er implementeret som et feedforward neuralt netværk, billedrekonstruktionens hastighed er næsten øjeblikkelig - kun snesevis af millisekunder, "siger seniorforfatter Matt Rosen, Ph.d., direktør for Low-field MRI og Hyperpolarized Media Laboratory og meddirektør for Center for Machine Learning på MGH Martinos Center. "Nogle typer scanninger kræver i øjeblikket tidskrævende beregningsbehandling for at rekonstruere billederne. I disse tilfælde, øjeblikkelig feedback er ikke tilgængelig under indledende billeddannelse, og en gentagen undersøgelse kan være påkrævet for bedre at identificere en formodet abnormitet. AUTOMAP ville give øjeblikkelig billedrekonstruktion for at informere beslutningsprocessen under scanning og kunne forhindre behovet for yderligere besøg. "

Især teknikken kan også hjælpe med at fremme andre kunstige intelligenser og applikationer til maskinlæring. Meget af den nuværende spænding omkring maskinlæring i klinisk billeddannelse er fokuseret på computerstøttet diagnostik. Fordi disse systemer er afhængige af billeder af høj kvalitet til nøjagtige diagnostiske evalueringer, AUTOMAP kunne spille en rolle i at fremme dem til fremtidig klinisk brug.

"Vores AI -tilgang viser bemærkelsesværdige forbedringer i nøjagtighed og støjreduktion og kan dermed fremme en lang række applikationer, "Rosen siger." Vi er utroligt begejstrede for at få muligheden for at rulle dette ud i det kliniske rum, hvor AUTOMAP kan arbejde sammen med billige GPU-accelererede computere for at forbedre klinisk billeddannelse og resultater. "