«Неотъемлемым элементом конвейера клинической визуализации имеется реконструкция изображения, которая преобразует эти, поступающие со сканера, в изображения для оценки радиологами», — говорит Бо Чжу, доктор философии, научный сотрудник Центра MGH Martinos и первый создатель издания Nature. бумага. «Хороший подход к реконструкции изображений использует цепочку созданных вручную модулей обработки сигналов, каковые требуют экспертной ручной настройки параметров и частенько не смогут совладать с несовершенствами необработанных данных, такими как шум. Мы мним новую парадигму, в которой верный способ восстановления изображения имеется машинально определяется глубоким обучением ИИ.«При помощи AUTOMAP мы научили совокупности визуализации« видеть »то, как люди обучаются видеть по окончании рождения, не способом прямого программирования мозга, а способом стимулирования нейронных связей для органической адаптации при помощи повторного обучения на настоящих примерах», — растолковывает Чжу. «Этот подход разрешает отечественным совокупностям визуализации машинально найти лучшие вычислительные стратегии для получения четких и верных изображений в самых разных сценариях визуализации».
Этот метод представляет собой важный движение вперед в области биомедицинской визуализации. При его разработке исследователи воспользовались многими успехами, достигнутыми на данный момент как в моделях нейронных сетей, используемых для ИИ, так и в графических процессорах (GPU), каковые руководят операциями, вследствие того что реконструкция изображений — особенно в контексте AUTOMAP — требует огромного количества вычислений, в особенности в течении обучения способов. Еще одним важным обстоятельством была доступность громадных наборов данных («громадные эти»), каковые необходимы для обучения огромных моделей нейронных сетей, таких как AUTOMAP. По словам Чжу, вследствие того что он основан на этих и других достижениях, этот метод был бы неосуществим пять лет назад или, быть может, помимо этого годом ранее.
AUTOMAP предлагает последовательность потенциальных преимуществ для клинической помощи, помимо этого не считая получения хороших изображений за меньшее время при помощи МРТ или с меньшими дозами при помощи рентгеновских лучей, КТ и ПЭТ. Благодаря собственной скорости обработки этот метод может оказать помощь в принятии ответов о протоколах визуализации в настоящем времени, в то время, в то время, когда больной находится в сканере.«Вследствие того что AUTOMAP реализован как нейронная сеть с прямой связью, скорость восстановления изображения практически мгновенная — всего десятки миллисекунд», — говорит старший создатель Мэтт Розен, доктор философии, директор Лаборатории МРТ и гиперполяризованных сред с низким полем и содиректор.
Центра машинного обучения MGH Martinos Center. «Кое-какие типы сканирования сейчас требуют трудоемкой вычислительной обработки для восстановления изображений. В этих событиях немедленная обратная сообщение недоступна в течении начальной визуализации, и может потребоваться повторное изучение для более верного обнаружения предполагаемого отклонения от нормы. AUTOMAP обеспечит мгновенную реконструкцию изображения. чтобы информировать процесс принятия ответа в течении сканирования и не допустить необходимость дополнительных посещений ".
Любопытно, что этот метод также может оказать помощь в развитии вторых приложений искусственного интеллекта и машинного обучения. Большая часть нынешнего ажиотажа около машинного обучения в области клинической визуализации сосредоточена на компьютерной диагностике.
Вследствие того что эти совокупности сохраняют надежду на хорошие изображения для верных диагностических оценок, AUTOMAP может сыграть роль в их продвижении для будущего клинического применения.«Отечественный подход к ИИ демонстрирует заметные улучшения в точности и снижении шума и, так, может продвигать широкий спектр приложений», — говорит Розен. «Мы поразительно рады возможности развернуть это в клинической сфере, где AUTOMAP может трудиться вместе с недорогими компьютерами с ускорением на GPU для улучшения клинической визуализации и результатов».