Hjælper med at forbedre medicinsk billedanalyse med dyb læring

Medicinsk billeddannelse skaber enorme mængder data:mange skadestueradiologer skal undersøge så mange som 200 tilfælde hver dag, og nogle medicinske undersøgelser indeholder op til 3, 000 billeder. Hver patients billedsamling kan indeholde 250 GB data, i sidste ende skaber samlinger på tværs af organisationer, der er petabytes store. Inden for IBM Research, vi ser potentiale i at anvende kunstig intelligens til at hjælpe radiologer med at gennemsøge disse oplysninger, herunder billedanalyse fra bryst, lever, og lungeundersøgelser.

IBM-forskere anvender dyb læring for at finde måder at overvinde nogle af de tekniske udfordringer, som AI kan stå over for, når de analyserer røntgenstråler og andre medicinske billeder. Deres seneste resultater vil blive præsenteret på den 21. internationale konference om medicinsk billedbehandling og computerassisteret intervention i Granada, Spanien, fra 16. til 20. september.

Kunstige neurale netværk kan ofte kæmpe for at lære, når de præsenteres for en utilstrækkelig mængde træningsdata. Disse netværk står også over for udfordringen med at identificere meget små regioner i billeder, der viser anomalier, såsom knuder og masser, som kan repræsentere kræft.

Ved MICCAI 2018, forskere fra IBM Research-Almaden og IBM Research-Haifa vil præsentere artikler, der beskriver nye tilgange til dyb læring, der kan rumme potentialet til at hjælpe med at løse nogle af disse udfordringer.

At lære af ufuldstændige data

IBM Research-Almaden Fellow Tanveer Syeda-Mahmood vil præsentere et nyt AI-netværksdesign, der i en undersøgelse viste sig at være i stand til at analysere dobbelt så mange potentielle sygdomsmarkører i 3-D-billeder, samt nøjagtigt segmenterede små strukturer i disse billeder, på halvdelen af ​​tiden som tidligere studeret AI-baserede netværksarkitekturer.

Dybe neurale netværk, der bruges til at træne AI-systemer, kan nogle gange have svært ved at nedbryde medicinske billeder, en proces kaldet segmentering. Dette kan give udfordringer med nøjagtigt at identificere små sygdomsmarkører, begrænse brugen af ​​disse netværk i kliniske omgivelser. Projektet er vores første indsats direkte målrettet mod denne udfordring.

Træning af AI med minimalt med data

Mehdi Moradi, IBM Research-Almadens leder af billedanalyse og maskinlæringsforskning, og kolleger vil diskutere deres undersøgelse af neurale netværksarkitekturer, der blev trænet ved hjælp af billeder og tekst til automatisk at markere områder af nye medicinske billeder, som læger kan undersøge nøje for tegn på sygdom.

Forskerne trænede et netværk ved hjælp af kombinerede billed- og tekstdata og et andet netværk ved hjælp af adskilt tekst og billeder, fordi der er forskellige måder et AI-baseret billeddannelsessystem kan modtage input til at analysere. I undersøgelsen, begge netværk lokaliserede selvstændigt potentielle helbredstrusler i røntgenbilleder af thorax med et nøjagtighedsniveau, der kan sammenlignes med niveauet for erfarne radiologer, der analyserer og kommenterer de samme billeder.

Genkendelse af obskure abnormiteter

Forskere fra IBM Research-Haifa i Israel udviklede et specialiseret dybt neuralt netværk designet til massedetektion og lokalisering i brystmammografi og vil præsentere deres resultater på MICCAI's 4. Breast Image Analysis Workshop.

Standard brystkræftscreening involverer at tage to mammografi-røntgenprojektioner for hvert bryst og sammenligne visningerne for at udpege interesseområder. Det nye netværks design inkluderede identiske "siamesiske" undernetværk, hvorfra analyser blev sammenlignet for at producere billedevalueringer. Undersøgelsen foreslog en effektiv måde at træne AI til at markere områder med unormalt og potentielt kræftfremkaldende brystvæv.

Da antallet af medicinske billeder taget i USA når titusinder af millioner årligt, Sundhedsorganisationer henvender sig i stigende grad til kunstig intelligens for at hjælpe dem nøjagtigt og effektivt med at analysere vital information indeholdt i patient-MR'er, CT-scanninger, og andre visuelle diagnostiske hjælpemidler. En undersøgelse fra 2015 Consumer Reports viste, at 80 millioner CT-scanninger alene udføres årligt i de amerikanske AI-infunderede billedbehandlingssystemer lover at hjælpe læger med at gennemskue et stort antal billeder. planlægge behandlingsmuligheder, og udføre kliniske undersøgelser.

Denne historie er genudgivet med tilladelse fra IBM Research. Læs den originale historie her.