«Основная часть клинического трубопровода отображения – реконструкция изображения, которая преобразовывает исходные данные, отрывающиеся сканер в изображения для радиологов, чтобы оценить», говорит Бо Чжу, доктор философии, научный сотрудник в Центре MGH Martinos и первый автор статьи Природы. «Обычный подход к реконструкции изображения использует цепь модулей обработки сигнала ручной работы, которые требуют опытной ручной настройки параметра и часто неспособны обращаться с недостатками исходных данных, таких как шум. Мы вводим новую парадигму, в которой правильный алгоритм реконструкции изображения автоматически определен глубоким искусственным интеллектом изучения.«С AUTOMAP мы учили системы отображения ‘видеть’ способ, которым люди учатся присматривать за рождением, не посредством прямого программирования мозга, а способствуя нервным связям, чтобы приспособиться органически посредством повторного обучения на реальных примерах», объясняет Чжу. «Этот подход позволяет нашим системам отображения автоматически находить лучшие вычислительные стратегии произвести ясные, точные изображения в большом разнообразии сценариев отображения».
Техника представляет важное, прыгают вперед для биомедицинского отображения. В развитии его исследователи использовали в своих интересах много успехов, достигнутых в последние годы и в моделях нейронной сети, используемых для искусственного интеллекта и в графических единицах обработки (GPUs), которые стимулируют операции, так как реконструкция изображения – особенно в контексте AUTOMAP – требует огромного объема вычисления, особенно во время обучения алгоритмов.
Другим важным фактором была доступность больших наборов данных («большие данные»), которые необходимы, чтобы обучить большие модели нейронной сети, такие как AUTOMAP. Поскольку это извлекает выгоду из этих и других достижений, Чжу говорит, техника не была бы возможна пять лет назад или возможно даже один год назад.AUTOMAP предлагает много потенциальных выгод для клинического ухода, даже вне производства высококачественных изображений скорее с МРТ или с более низкими дозами с рентгеном, Коннектикут и ДОМАШНИМ ЖИВОТНЫМ. Из-за ее скорости обработки техника могла помочь в принятии решений в реальном времени относительно протоколов отображения, в то время как пациент находится в сканере.
«Так как AUTOMAP осуществлен как feedforward нейронная сеть, скорость реконструкции изображения почти мгновенна – просто десятки миллисекунд», говорит ведущий автор Мэтт Розен, доктор философии, директор по Низко-полевой МРТ и Гиперполяризованной Лаборатории СМИ и соруководителю Центра Машинного обучения в Центре MGH Martinos. «Некоторые типы просмотров в настоящее время требуют, чтобы отнимающая много времени вычислительная обработка восстановила изображения. В тех случаях непосредственная обратная связь не доступна во время начального отображения, и повторное исследование может потребоваться, чтобы лучше определять подозреваемую ненормальность.
AUTOMAP обеспечил бы мгновенную реконструкцию изображения, чтобы сообщить процессу принятия решений во время просмотра и мог предотвратить потребность в дополнительных посещениях».В частности, техника могла также помочь в продвижении других приложений искусственного интеллекта и машинного обучения. Большая часть текущего волнения, окружающего машинное обучение в клиническом отображении, сосредоточена на автоматизированной диагностике. Поскольку эти системы полагаются на высококачественные изображения для точных диагностических оценок, AUTOMAP мог играть роль в продвижении их для будущего клинического использования.
«Наш подход AI показывает замечательные улучшения точности и шумоподавление и таким образом может продвинуть широкий спектр заявлений», говорит Розен. «Мы невероятно счастливы иметь возможность выкатить это в клиническое пространство, где AUTOMAP может сотрудничать с недорогими GPU-ускоренными компьютерами, чтобы улучшить клиническое отображение и результаты».