Machine learning heeft het potentieel om medische beeldvorming enorm vooruit te helpen, met name computertomografie (CT) scanning, door de blootstelling aan straling te verminderen en de beeldkwaliteit te verbeteren.

Die nieuwe onderzoeksresultaten zijn zojuist gepubliceerd in Intelligentie van de natuurmachine door ingenieurs van het Rensselaer Polytechnic Institute en radiologen van het Massachusetts General Hospital en de Harvard Medical School.

Volgens het onderzoeksteam de resultaten die in dit high-impact tijdschrift zijn gepubliceerd, pleiten sterk voor het benutten van de kracht van kunstmatige intelligentie om CT-scans met lage doses te verbeteren.

"De stralingsdosis is een belangrijk probleem geweest voor patiënten die CT-scans ondergaan. Onze machine learning-techniek is superieur, of, op z'n minst, vergelijkbaar, op de iteratieve technieken die in deze studie zijn gebruikt om CT met lage stralingsdosis mogelijk te maken, " zei Ge Wang, bijzonder hoogleraar biomedische technologie aan Rensselaer, en een corresponderende auteur van dit artikel. "Het is een conclusie op hoog niveau met een krachtige boodschap. Het is tijd dat machine learning snel van de grond komt en, Hopelijk, overnemen."

Laaggedoseerde CT-beeldvormingstechnieken zijn de afgelopen jaren een belangrijk aandachtspunt geweest in een poging om de bezorgdheid over de blootstelling van patiënten aan röntgenstraling in verband met veelgebruikte CT-scans weg te nemen. Echter, afnemende straling kan de beeldkwaliteit verminderen.

Om dat op te lossen, ingenieurs over de hele wereld hebben iteratieve reconstructietechnieken ontworpen om te helpen bij het doorzoeken en verwijderen van interferenties van CT-beelden. Het probleem, Wang zei, is dat die algoritmen soms nuttige informatie verwijderen of de afbeelding ten onrechte wijzigen.

Het team ging deze hardnekkige uitdaging aan met behulp van een machine learning-framework. specifiek, ze ontwikkelden een toegewijd diep neuraal netwerk en vergeleken hun beste resultaten met het beste van wat drie grote commerciële CT-scanners konden produceren met iteratieve reconstructietechnieken.

Dit werk werd uitgevoerd in nauwe samenwerking met Dr. Mannudeep Kalra, een professor in de radiologie aan het Massachusetts General Hospital en de Harvard Medical School, die ook een corresponderende auteur op het papier was.

De onderzoekers wilden bepalen hoe de prestaties van hun deep learning-aanpak vergeleken met de geselecteerde representatieve iteratieve algoritmen die momenteel klinisch worden gebruikt.

Verschillende radiologen van het Massachusetts General Hospital en de Harvard Medical School beoordeelden alle CT-beelden. De door het Rensselaer-team ontwikkelde deep learning-algoritmen presteerden net zo goed, of beter dan, die huidige iteratieve technieken in een overweldigende meerderheid van de gevallen, zei Wang.

Onderzoekers ontdekten dat hun deep learning-methode ook veel sneller is, en stelt de radiologen in staat de beelden af ​​te stemmen op klinische vereisten, zei Dr. Kalra.

Deze positieve resultaten werden gerealiseerd zonder toegang tot het origineel, of rauw, gegevens van alle CT-scanners. Wang wees erop dat als originele CT-gegevens beschikbaar worden gesteld, een meer gespecialiseerd deep learning-algoritme zou nog beter moeten presteren.

"Dit heeft radiologen op de hoogte, " zei Wang. "Met andere woorden, dit betekent dat we machine-intelligentie en menselijke intelligentie samen kunnen integreren in het deep learning-raamwerk, klinische vertaling te vergemakkelijken."

Hij zei dat deze resultaten bevestigen dat deep learning kan helpen om veiligere, nauwkeurigere CT-beelden terwijl ze ook sneller werken dan iteratieve algoritmen.

"We zijn verheugd om de gemeenschap te laten zien dat methoden voor machinaal leren potentieel beter zijn dan de traditionele methoden, " zei Wang. "Het geeft de wetenschappelijke gemeenschap een sterk signaal af. We moeten gaan voor machine learning."

Dit onderzoek door Wang's team is een van de belangrijke vorderingen die de faculteit consequent maakt in het Biomedical Imaging Center binnen het Centrum voor Biotechnologie en Interdisciplinaire Studies (CBIS) in Rensselaer.

"Het werk van professor Wang is een uitstekend voorbeeld van hoe de vooruitgang in kunstmatige intelligentie, en machine- en deep learning kunnen biomedische hulpmiddelen en praktijken verbeteren door moeilijke problemen aan te pakken - in dit geval helpen bij het leveren van hoogwaardige CT-beelden met een lagere stralingsdosis. Transformatieve ontwikkelingen van deze samenwerkende teams zullen leiden tot nauwkeurigere en gepersonaliseerde geneeskunde, " zei Deepak Vashishth, directeur van het CBS.