Maskinlæringstilgang til lavdosis CT-billeddannelse giver overlegne resultater

Maskinlæring har potentialet til at fremme medicinsk billeddannelse i høj grad, især computeriseret tomografi (CT) scanning, ved at reducere strålingseksponeringen og forbedre billedkvaliteten.

Disse nye forskningsresultater er netop offentliggjort i Nature Machine Intelligence af ingeniører ved Rensselaer Polytechnic Institute og radiologer ved Massachusetts General Hospital og Harvard Medical School.

Ifølge forskerholdet, resultaterne offentliggjort i dette tidsskrift med stor gennemslagskraft gør et stærkt argument for at udnytte kraften i kunstig intelligens til at forbedre lavdosis CT-scanninger.

"Stråledosis har været et væsentligt problem for patienter, der gennemgår CT-scanninger. Vores maskinlæringsteknik er overlegen, eller, i det mindste, sammenlignelig, til de iterative teknikker, der anvendes i denne undersøgelse for at muliggøre CT med lav strålingsdosis, " sagde Ge Wang, en begavet professor i biomedicinsk teknik ved Rensselaer, og en tilsvarende forfatter på dette papir. "Det er en konklusion på højt niveau, der bærer et stærkt budskab. Det er på tide, at maskinlæring hurtigt tager fart, og forhåbentlig, overtage."

Lavdosis CT-billeddannelsesteknikker har været et væsentligt fokus i løbet af de sidste mange år i et forsøg på at afhjælpe bekymringer om patientens eksponering for røntgenstråling i forbindelse med udbredte CT-scanninger. Imidlertid, faldende stråling kan forringe billedkvaliteten.

For at løse det, ingeniører verden over har designet iterative rekonstruktionsteknikker for at hjælpe med at gennemskue og fjerne interferens fra CT-billeder. Problemet, Wang sagde, er, at disse algoritmer nogle gange fjerner nyttig information eller fejlagtigt ændrer billedet.

Holdet satte sig for at løse denne vedvarende udfordring ved hjælp af en maskinlæringsramme. Specifikt, de udviklede et dedikeret dybt neuralt netværk og sammenlignede deres bedste resultater med det bedste af, hvad tre store kommercielle CT-scannere kunne producere med iterative rekonstruktionsteknikker.

Dette arbejde blev udført i tæt samarbejde med Dr. Mannudeep Kalra, en professor i radiologi ved Massachusetts General Hospital og Harvard Medical School, som også var en tilsvarende forfatter på papiret.

Forskerne søgte at bestemme, hvordan ydeevnen af ​​deres dybe læringstilgang sammenlignet med de udvalgte repræsentative iterative algoritmer, der i øjeblikket bruges klinisk.

Flere radiologer fra Massachusetts General Hospital og Harvard Medical School vurderede alle CT-billederne. De dybe læringsalgoritmer udviklet af Rensselaer-teamet fungerede så godt som, eller bedre end, de nuværende iterative teknikker i et overvældende flertal af tilfælde, sagde Wang.

Forskere fandt ud af, at deres dybe læringsmetode også er meget hurtigere, og giver radiologerne mulighed for at finjustere billederne i henhold til kliniske krav, Dr. Kalra sagde.

Disse positive resultater blev realiseret uden adgang til originalen, eller rå, data fra alle CT-scannere. Wang påpegede, at hvis originale CT-data gøres tilgængelige, en mere specialiseret deep learning-algoritme burde yde endnu bedre.

"Dette har radiologer i løkken, " sagde Wang. "Med andre ord, det betyder, at vi kan integrere maskinintelligens og menneskelig intelligens sammen i deep learning-rammen, lette klinisk oversættelse."

Han sagde, at disse resultater bekræfter, at dyb læring kunne hjælpe med at producere sikrere, mere nøjagtige CT-billeder, mens de også kører hurtigere end iterative algoritmer.

"Vi er glade for at vise samfundet, at maskinlæringsmetoder potentielt er bedre end de traditionelle metoder, " sagde Wang. "Det sender det videnskabelige samfund et stærkt signal. Vi bør gå efter maskinlæring."

Denne forskning fra Wangs team er blandt de væsentlige fremskridt, der konsekvent gøres af fakultetet i Biomedical Imaging Center inden for Center for Bioteknologi og Interdisciplinære Studier (CBIS) ved Rensselaer.

"Professor Wangs arbejde er et glimrende eksempel på, hvordan fremskridt inden for kunstig intelligens, og maskin- og dyb læring kan forbedre biomedicinske værktøjer og praksis ved at løse svære problemer - i dette tilfælde hjælpe med at give højkvalitets CT-billeder ved hjælp af en lavere strålingsdosis. Transformativ udvikling fra disse samarbejdshold vil føre til mere præcis og personlig medicin, " sagde Deepak Vashishth, direktør for CBIS.