人工智能显着提高医学成像质量

作者:臧危

<p>一种新的基于人工智能的图像重建方法 - 称为AUTOMAP--从较少的数据中产生更高质量的图像,减少CT和PET的辐射剂量并缩短MRI的扫描时间这里显示的是使用传统方法从相同数据重建的MR图像(左)和AUTOMAP(右)图片:Athinoula马萨诸塞州马萨诸塞州生物医学成像中心,马萨诸塞州综合医院放射科医师通过高质量诊断成像研究进行准确诊断的能力直接影响患者结果但是,获取足够的数据以产生最佳质量的成像成本增加的计算机断层扫描(CT)和正电子发射断层扫描(PET)的辐射剂量或磁共振成像(MRI)的令人不舒服的长扫描时间现在马萨诸塞州综合医院(MGH)Athinoula A Martinos生物医学成像中心的研究人员用基于人工智能的新技术解决了这一挑战和机器学习,使临​​床医生能够获得更高质量的图像,而无需收集额外的数据他们描述了这项技术 - 被称为AUTOMAP(通过流形近似自动变换) - 在今天发表在“自然”杂志上的一篇论文中“临床成像管道的一个重要部分是图像重建,它将来自扫描仪的原始数据转换成图像,供放射科医师评估,“MGH Martinos中心的研究员,自然论文的第一作者Bo Zhu博士说,”传统的图像重建方法使用一系列手工制作的信号处理模块,需要专业的手动参数调整,往往无法处理原始数据的缺陷,如噪声我们引入了一种新的范例,其中正确的图像重建算法由深度学习人工智能自动确定“ AUTOMAP,我们教过成像系统以“看到”人类学习的方式出生后看,不是通过直接编程大脑,而是通过对现实世界的例子进行反复训练来促进神经连接有机地适应,“朱解释说”这种方法允许我们的成像系统自动找到最佳的计算策略,以产生清晰,准确的各种成像场景中的图像“该技术代表了生物医学成像的重大飞跃在开发它时,研究人员利用了近年来在用于人工智能和图形处理的神经网络模型中取得的许多进步</p><p>驱动操作的单元(GPU),因为图像重建 - 特别是在AUTOMAP环境中 - 需要大量的计算,特别是在算法训练期间,另一个重要因素是大数据集(“大数据”)的可用性,这是训练大型神经网络模型所需要的,例如AUTOMAP因为它是首都朱先生说,这些技术和其他进步都有所体现,五年前或甚至一年前这项技术是不可能的,AUTOMAP为临床护理提供了许多潜在的好处,甚至超过用MRI或更短的时间生成高质量的图像</p><p>低剂量X射线,CT和PET由于其处理速度快,该技术可以帮助在患者进入扫描仪时对成像协议做出实时决策“由于AUTOMAP是作为前馈神经网络实现的,因此速度快图像重建几乎是瞬间的 - 只需几十毫秒,“高级作者Matt Rosen博士说,他是低场磁共振成像和超极化媒体实验室主任,也是MGH Martinos中心机器学习中心的联合主任”扫描当前需要耗时的计算处理来重建图像在这些情况下,在初始成像期间不能获得即时反馈,并且可能需要重复研究为了更好地识别疑似异常,AUTOMAP将提供即时图像重建,以便在扫描过程中为决策过程提供信息,并且可以防止需要额外的访问“值得注意的是,该技术还可以帮助推进其他人工智能和机器学习应用程序</p><p>目前在临床成像中围绕机器学习的兴奋主要集中在计算机辅助诊断上 由于这些系统依靠高质量的图像进行准确的诊断评估,因此AUTOMAP可以在推动它们用于未来临床应用方面发挥作用“我们的AI方法在准确性和降噪方面显示出显着的改进,因此可以推进广泛的应用,”罗森说:“我们非常高兴有机会将其推广到临床空间,AUTOMAP可以与廉价的GPU加速计算机一起工作,以改善临床成像和结果”该论文的其他作者是Stephen Cauley,博士,哈佛陈公共卫生学院生物统计学系的MGH Martinos中心和Jeremiah Liu博士,博士,医学博士(与Matt无关)该项工作部分由国家生物医学影像和生物工程研究所资助一项专利与AUTOMAP相关的申请已经提交资料来源:....