science >> Wetenschap >  >> Elektronica

Medische beeldanalyse helpen verbeteren met deep learning

Een voorbeeldvisualisatie met behulp van de voorgestelde neurale netwerkarchitectuur, met een axiaal aanzicht (boven) en een 3D-aanzicht (onder). Cerebrale grijs, cerebraal wit, en cerebellaire grijze materie zijn verborgen voor een betere illustratie. Krediet:IBM

Medische beeldvorming levert enorme hoeveelheden gegevens op:veel radiologen op de spoedafdeling moeten elke dag wel 200 gevallen onderzoeken, en sommige medische onderzoeken bevatten maximaal 3, 000 afbeeldingen. De beeldenverzameling van elke patiënt kan 250 GB aan gegevens bevatten, uiteindelijk het creëren van collecties voor organisaties die petabytes groot zijn. Binnen IBM Research, we zien potentieel in het toepassen van AI om radiologen te helpen deze informatie te doorzoeken, inclusief beeldvormingsanalyse van borst, lever, en longonderzoeken.

IBM-onderzoekers passen deep learning toe om manieren te ontdekken om enkele van de technische uitdagingen te overwinnen waarmee AI kan worden geconfronteerd bij het analyseren van röntgenfoto's en andere medische beelden. Hun nieuwste bevindingen zullen worden gepresenteerd op de 21e internationale conferentie over medische beeldverwerking en computerondersteunde interventie in Granada, Spanje, van 16 tot 20 sept.

Kunstmatige neurale netwerken kunnen vaak moeite hebben om te leren wanneer ze onvoldoende trainingsgegevens krijgen. Deze netwerken staan ​​ook voor de uitdaging om zeer kleine regio's te identificeren in afbeeldingen die afwijkingen, zoals knobbeltjes en massa's, die kankers kunnen vertegenwoordigen.

Op MICCAI 2018, onderzoekers van IBM Research-Almaden en IBM Research-Haifa zullen papers presenteren waarin nieuwe benaderingen van deep learning worden beschreven die mogelijk kunnen helpen bij het aanpakken van enkele van deze uitdagingen.

Leren van onvolledige gegevens

IBM Research-Almaden Fellow Tanveer Syeda-Mahmood zal een nieuw AI-netwerkontwerp presenteren waarvan in een onderzoek is aangetoond dat het in staat is om twee keer zoveel potentiële ziektemarkers in 3D-beelden te analyseren, evenals nauwkeurig gesegmenteerde kleine structuren in die afbeeldingen, in de helft van de tijd als eerder bestudeerde op AI gebaseerde netwerkarchitecturen.

Voorbeeldresultaten van een nieuwe netwerkarchitectuur tonen de geschatte vierhoek in rood en die gemarkeerd door een radioloog in blauw. De prestaties zijn een aanzienlijke verbetering ten opzichte van een eerdere architectuur. Krediet:IBM

Diepe neurale netwerken die worden gebruikt om AI-systemen te trainen, kunnen soms moeite hebben met het afbreken van medische beelden, een proces dat segmentatie wordt genoemd. Dit kan problemen opleveren bij het nauwkeurig identificeren van kleine ziektemarkers, het gebruik van deze netwerken in klinische omgevingen te beperken. Het project is onze eerste poging om deze uitdaging direct aan te pakken.

AI trainen met minimale gegevens

Mehdi Moradi, IBM Research-Almaden's manager beeldanalyse en machine learning-onderzoek, en collega's zullen hun studie bespreken van neurale netwerkarchitecturen die zijn getraind met behulp van afbeeldingen en tekst om automatisch regio's van nieuwe medische afbeeldingen te markeren die artsen nauwkeurig kunnen onderzoeken op tekenen van ziekte.

De onderzoekers trainden een netwerk met gecombineerde beeld- en tekstgegevens en een tweede netwerk met gescheiden tekst en afbeeldingen, omdat er verschillende manieren zijn waarop een op AI gebaseerd beeldvormingssysteem input kan ontvangen om te analyseren. In de studie, beide netwerken lokaliseren autonoom potentiële gezondheidsbedreigingen in thoraxfoto's met een nauwkeurigheid die vergelijkbaar is met die van ervaren radiologen die dezelfde beelden analyseren en annoteren.

In deze voorbeelden van laesiedetectie, rode contouren duiden automatisch gedetecteerde paren aan die overeenkomen met de grondwaarheid; cyaancontouren zijn vals-positieve automatische detecties die werden verminderd door het dual-view-algoritme. Krediet:IBM

Herkennen van obscure afwijkingen

Wetenschappers van IBM Research-Haifa in Israël hebben een gespecialiseerd diep neuraal netwerk ontwikkeld dat is ontworpen voor massadetectie en lokalisatie in borstmammografie en zullen hun bevindingen presenteren op MICCAI's 4th Breast Image Analysis Workshop.

Standaard borstkankerscreening omvat het nemen van twee mammografie-röntgenprojecties voor elke borst en het vergelijken van de weergaven om interessegebieden te lokaliseren. Het ontwerp van het nieuwe netwerk omvatte identieke "Siamese" subnetwerken, waaruit analyses werden vergeleken om beeldevaluaties te produceren. De studie suggereerde een effectieve manier om AI te trainen om gebieden met abnormaal en mogelijk kankerachtig borstweefsel te markeren.

Aangezien het aantal medische beelden dat in de V.S. jaarlijks tientallen miljoenen wordt genomen, zorgorganisaties wenden zich steeds meer tot AI om hen te helpen bij het nauwkeurig en efficiënt analyseren van vitale informatie in MRI's van patiënten, CT-scans, en andere visuele diagnostische hulpmiddelen. Uit een onderzoek van Consumer Reports uit 2015 bleek dat alleen al 80 miljoen CT-scans jaarlijks worden uitgevoerd in de VS. behandelopties plannen, en klinische studies uit te voeren.

Dit verhaal is opnieuw gepubliceerd met dank aan IBM Research. Lees hier het originele verhaal.