East Soft Medical Yang Minglei: Mandarin Grafiği, Görüntüleme Sonu Sökme ve Uzmanlık AI Halk Sınıfı İncelemesi
Son zamanlarda, Doğu Yumuşak Tıbbi Yapay Zeka ve Klinik İnovasyon İnovasyon Araştırma Enstitüsü Araştırma Enstitüsü Direktörü Dr. Yang Minglei, Leifeng, ekipman tarafında teknik kuru ürünler ve farklı uzmanlık hastalıkları tarafından davet edildi.
Gelecekte başlatılacak daha fazla kurs olacak.
Geçen yıl kuruluşundan bu yana, Doğu Yumuşak Tıbbi Yapay Zeka ve Klinik İnovasyon Araştırma Enstitüsü, görüntüleme kalitesini ve hızını artırmak için AI teknolojisinin ekipman tarafına uygulanmasında öncülük etti.
Yang Minglei, MR açısından AI teknolojisinin kutsaması altında, Dongsoft Medical'ın kafa görüntüleme teknolojisinin kafa görüntüleme teknolojisinin tarama süresini 69 dakika ila 4 dakika ve 31 saniye arasında kısaltabileceğini söyledi; CT Sub -teknoloji açısından düşük optimize ediyor Radyasyon dozunu azaltırken BT görüntülerinin kalitesini sağlarken tarama dozu.
Ekipman tarafına ek olarak, Enstitü AI'yı özel hastalıklar alanına genişleterek AI'yi akut iskeminin görüntü analizine entegre etti. Dongsoft tarafından geliştirilen neubrain bakım yazılımı, iskemik yarı -dark bant ve enfarktüs sobasının çekirdek nicel göstergelerini elde etmek ve inme hastaları olan hastaların verimliliğini artırmak için inme sulama görüntülerinin tamamlanmasını otomatik olarak analiz edebilir. Doğu Yumuşak Görüntü Bulutu ile donatılmıştır.
Yeni taç pnömonisinin patlak vermesinden sonra, Dong Soft, entegre hızlı AI tarama sistemi "Ateş Eye AI" sürecini geliştirdi. Pnömoni lezyonlarının kantitatif bir analizini elde etmek için. Yang Minglei, çözümün iki dağıtım yöntemiyle birleştirildiğini tanıttı: doğrudan Doğu Yumuşak Geri İşleme İş İstasyonu AVW'de yükseltilebilen veya Doğu Yumuşak Akıllı Tıbbi Görüntüleme Bulut Platformunda NewMiva ile donatılabilen yerelleştirme ve bulut platformları.
Şu anda, uluslararası olarak, yeni taç pnömonisini ve influenzayı ayıran ve doktorların görüntü hastalıklarının gelişiminin "lezyon ölçüm modelini" ve klinik bilgiler tarafından kurulan "prognostik analiz modeli" ni değerlendirmelerine yardımcı olan "tarama ayrımı modeli". Dr. Yang Minglei bu başarıları paylaştı ve açıkladı.
Aşağıda Yang Minglei'nin içerik seçimidir.
Dongsoft Tıbbi Yapay Zeka ve Klinik İnovasyon Araştırma Enstitüsü, kurulmanın amacı, görüntüleme için bir AI platformu oluşturmak ve MR, CT, DSA, ABD, vb. Gibi tıbbi görüntüleme ekipmanlarını güçlendirmek için AI kullanmaktır.
Özel hastalıkların klinik uygulaması üzerine araştırmalar yaparak, inme, kardiyovasküler, akciğer kanseri ve yavaş pulmoner hastalık gibi klinik tanının ağrı noktaları ve inme, kardiyovasküler, akciğer kanseri ve yavaş akciğer önleme; Teşhis ve tedavi düzeyi ve bilimsel araştırma seviyesi.
Yüksek performanslı paralel hesaplama yeteneklerinin ve sinir ağı algoritmalarının yeniliği ve derin öğrenmenin büyük verilerde mükemmel performansı sayesinde, derin öğrenme sadece özerk sürüş ve akıllı gibi büyük veriler elde etmek kolay olan çok yeterli bir yaşam alanına sahip değildir. Tıbbi görüntüleme alanında başvuru da araştırılmıştır.
Tam tıbbi görüntü zinciri iki bağlantıya ayrılmıştır: veri elde etmek ve veri kullanmak
Verilerin elde edilmesi çekirdek olarak ekipmandır. Radyoaktif doktorun veya teknisyenin hastanın yüksek kaliteli görüntüsünü daha hızlı bir şekilde elde etmesi gerekir. Tarama işlemi sırasında hasta ve cihaz operatörünün garanti edilmesi gerekir. Gereksiz ve yüksek oranda azaltmalı veya iyileştirmelidir. İnsanlara bağımlılık derecesi ve ayrıca başarısızlıktan kaçınmak için uzun vadeli çalışma işlemi sırasında görüntü ekipmanının performansının istikrarını korur.
Veri aldıktan sonra, daha önemli olan verilerin nasıl kullanılacağıdır. Görüntüyü elde etmenin nihai amacı, doktorların hastalığı olan hastaları teşhis etmesine ve tedavi etmesine yardımcı olmaktır, bu nedenle görüntünün kullanımı, geleneksel, AI ve diğer görüntü işleme teknolojilerini ve hatta klinik bilgileri kullanarak taranan alanı veya hasta hastalığını çekirdek olarak kullanır. Bu, daha fazla boyut için klinik bilginin daha fazla boyutu için klinik bilgi için daha fazla boyutu birleştirir. Zengin bilgilerin görüntü analizi ve kazılması, doktorların teşhis etmesine, kararları tedavi etmesine, değerlendirmeleri takip etmesine ve navigasyona yardımcı olmasına yardımcı olur.
Yapay zeka, daha zengin bilgiler, daha akıllı işleme ve daha uygun işlemler sağlayarak yukarıdaki tüm görüntü uygulama bağlantılarına katılabilir.
Bir görüntüleme ekipmanı şirketi olarak Dongsoft Medical, kaynaktan tam zincirli yapay zeka görüntü çözümleri tasarlamak ve geliştirmek için ekipmanlarda avantajlar biriktirmiştir.
Video ekipmanı tarafında AI uygulamasında Doğu Yumuşak Tıbbi Geliştirme
Her şeyden önce, video cihazında şu anda hangi ağrı noktalarının mevcut olduğunu bilmemiz gerekiyor. Bu ağrı noktaları iki açıdan anlaşılabilir.
1. Veri toplama ve görüntüleme
Manyetik rezonans, X -Ray, gama ışınları ve ultrason ekipmanı gibi birçok tıbbi görüntüleme ekipmanı kategorisi vardır.
MRI görüntüleme ekipmanı çok güçlü bir yumuşak doku kontrastına sahiptir. Nöral görüntüleme alanında yaygın olarak kullanılmaktadır. Sınır, tarama süresinin uzun olması ve görüntüleme hızı yavaş olmasıdır. Birçok ivme yöntemi olmasına rağmen, kendi sorunları vardır. .
CT, DR, DSA vb. Gibi X -Ray görüntüleme sınıfları, klinik uygulamada en yaygın kullanılan görüntüleme cihazlarıdır. Bununla birlikte, sorun X -Ray'in insan vücuduna zarar vermesidir. X -ray'lere uzun süreli maruz kalma, insan vücuduna geri döndürülemez zarar verecektir.
Pet gibi gama ışınları. Bununla birlikte, sorun, PET tarama süresinin uzun olması ve tarama sırasında radyoaktif nükleo gerekli veya enjekte edilmesidir, bu da insanlar için zararlıdır.
Ultrasonik ekipman şu anda en güvenli ve en ucuz görüntüleme ekipmanıdır. Ultrason sorunu, dalga boyunun nispeten uzun olmasıdır, bu da hava ve kemiklerden kolayca etkilenir. Genellikle elde edilen görüntüde çeşitli gürültü vardır. Ve CT veya MRI'dan farklı olarak, ultrason görüntülemenin tarama seviyesi, teknisyen tarama tekniklerine ve teknisyenler için yüksek gereksinimlere dayanarak rahattır.
2. İş akışını tarama
BT ve MRI tarama işlemi sırasında, hasta tarama odasına girdikten sonra, uygun bir tarama pozisyonu kurmak için teknisyen veya hemşire rehberliğinde tarama yatağında yatması gerekir. Yatağın derinliği ve yüksekliği taranmalıdır. İlk olarak ve konumlandırma görüntüsünün konumlandırılması taranacak anatomik yapıyı tanımlar. Ardından uygun bir FOV seçin ve ardından sonraki tarama çalışmasını başlatın.
Hastanın konumu ve FOV seçimi, teknisyenlerin veya hemşirelerin işleyişine ciddi şekilde bağlıdır. Güçlü bir öznel bağımlılığa sahiptir. Bir yan etki, aynı hastane ve aynı ekipman olsa bile, birden fazla tarama ile elde edilen görüntülerin bir Belli miktar çok tutarlı. Buna ek olarak, görüntü taramasını ve yeniden yapılandırmayı tamamladıktan sonra, teknisyenlerin veya doktorların, görüntünün kalitesinin sonraki tanı ihtiyaçlarını karşılamasını sağlamak için genellikle yüzlerce görüntüyü tek tek kontrol etmesi gerekir.
Görüntüleme hızını nasıl daha hızlı hale getirilir
MRI ile ilgili en büyük sorun yavaş, iki seviyeye ayrılmıştır: Birincisi yavaş tarama, ikincisi yavaş yeniden yapılandırmadır.
Şu anda, ana MRI ivme görüntüleme teknolojileri, K boşluğunda örneklemeyi düşürerek örnekleme süresi çoğunlukla azaltılmıştır. Bu görüntüleme hızını önemli ölçüde hızlandırabilir, ancak K boşluğunun örneklenmesi kaçınılmaz olarak görüntü kalitesi kaybını getirecektir.
Bilim adamları, aynı anda kaybetmeyen veya düşük görüntü kalitesi kaybı elde edebilen çeşitli yöntemler önermişlerdir ve en yaygın olarak kullanılan paralel görüntüleme ve sıkıştırılmış duyusal görüntüleme yöntemleridir.
Paralel görüntüleme, faz kodlarının sayısını bilinen konumdan azaltmak ve faz kodlarının sayısını almak için hassasiyeti azaltmak, böylece görüntünün tarama hızını arttırmaktır, ancak kaçınılmaz olarak görüntü kontrast düşüşünü getirecektir.
Yapay zeka bir sıcak nokta haline geldikten sonra, bazı araştırmacılar kısa sürede K uzay indirgeme görüntü görüntülerinin yüksek kaliteli rekonstrüksiyonu elde etmek için bu görüntüleme teknolojilerini geliştirmek için yapay zeka teknolojisini kullanıp kullanamayacaklarını düşündüler. Örneğin, bu makalede önerilen DeepComplexmri yöntemi, K alanı için veri azaltma verilerinin yeniden yapılandırılmasıdır.
Sonu -end -End evrişim modeli modeli doğrudan eğitilirse, projenin sonuçlarını almak zordur, bu nedenle DeepComplexmri Tasarımı Eksikliğin ve gerçek parçaların evrişim modülleri için MR bilgi rekonstrüksiyonunu gerçekleştirin Görüntünün özgünlüğünü sağlamak için, her birim katmanından sonra veri koruma katmanı eklenir. K boşluğundan gerçek örnekleme noktasından veriler, görüntünün özgünlüğünü sağlamak için yeniden yapılandırılmış MR görüntüsünün karşılık gelen konumuna kadar doldurulur. kalite.
Bir başka mükemmel ivme görüntüleme teknolojisi, sıkıştırılmış duyusal görüntülemedir.
Teorik görüntülemenin teorik temelinin seyrekliği, MR görüntü bilgilerinin seyrekliği, yineleme yinelemesinden sonra, K -uzay verileri yeniden yapılandırılır ve daha sonra yüksek kaliteli MRI görüntüleri için K -boşluk verilerinin tamamlanmasıdır. yeniden inşa edildi. Bilginin yinelemeli olarak geri kazanılması kademeli bir optimizasyon işlemidir. Yeterince uzun zaman karşılaştırmak ve kullanmak zaman alır. Sıkıştırılmış duyusal yöntem çok yüksek kaliteli görüntüleri kurtarabilir.
Sıkıştırılmış bir duyusal MR rekonstrüksiyonu, yaygın olarak kullanılan bir yinelemeli yöntem, çapraz yönün yönünü geçmektir. Optimizasyon problemleri sorununu çözmek için yaygın olarak kullanılan bir çerçevedir: büyük bir zor optimizasyon problemini birden fazla küçük ve kolay olarak analiz ederek Çözün, çözülmesi kolaydır. Sorun ve daha sonra bu küçük sorunların çözümünü koordine ederek sorunun çözümünü çözün.
Şekildeki ADMM ağı, ADMM yöntemi yineleme sürecini taklit eder ve her bir yinelemeyi evrişimsel operasyona dönüştürür. Bu şekilde, önceki yineleme optimizasyon yöntemlerinin yerini alarak, paralel ivme ile hızlı konvolüsyon işlemleri elde edilebilir, böylece MRI yeniden yapılanma hızını önemli ölçüde geliştirebilir ve yeniden yapılandırılmış görüntünün kalitesi de çok önemlidir.
Sonraki üç yıl içinde, birçok araştırmacı orijinal düşük kaliteli ve örnek MRI görüntülerini kurtarmak için çeşitli yöntemleri denedi. Bazıları yüksek kaliteli görüntüleri öğrenmek için görüntü alanının evrişimsel yeniden yapılandırılmasını kullanıyor. Bazıları K boşluğuna ve daha sonra bir görüntü alanı evrişimine karşı yuvarlanan boşluk.
Son zamanlarda, bir araştırmacı dikkate alınabilecek bir yöntem ortaya koydu - aynı zamanda, K boşluğu ve görüntü alanı hesaplanır ve daha sonra elde edilen görüntüler birleştirilir ve daha sonra konvolüsyonel sinir ağı daha fazla görüntü kurtarma için kullanılır. Etki de çok etkilidir, kalp MRG'nin hızlı yeniden yapılandırılması 8 kez hızlandırılmıştır.
Bu parçadaki bazı denemeler için Dongsoft Medical'e bir göz atalım.
Bazı Gibbes sözde -Shadows, yani yüksek kontrast alanın yakınında bazı sinyal şokları vardır. Görüntüleme yaygın olduğunda, nispeten uzundur. Nispeten uzundur. Hasta, hastanın tarama yatağında 5 dakika uzanmasını gerektirir. . Gereksinimler oldukça yüksek.
AI teknolojisi ile hızlandıktan sonra, tarama sırasında örnekleme noktalarının sayısını azaltabilir, tarama hızını önemli ölçüde hızlandırabilir ve daha sonra görüntü yeniden yapılandırmayı çok hızlı bir şekilde tamamlamak için AI kullanabilirsiniz. Kalite çok tutarlıdır ve yukarıdaki Gibbes pseudo -Shadow ayrıca dolaylı olarak ortadan kaldırıldı.
Dongsoft Medical, Smart Brainquant adlı çok benzersiz bir Head MR görüntüleme teknolojisine sahiptir. Bir durakta 10 karşılaştırma MR görüntü taramasını tamamlayabilirsiniz. Normal koşullar altında, bu on tür karşılaştırma görüntüsünün elde edilmesi yaklaşık 69 dakika sürer. Brainquant teknolojisinin bu görüntüleri yaklaşık 23 dakika içinde alması yaklaşık 23 dakika sürer ve zaman önemli ölçüde sıkıştırılır.
Ve Akıllı Brainquant, hızlanmak için AI teknolojisini kullanır, K uzayında downshes örneklemesi kullanır ve daha sonra hızlı yeniden yapılanma için konvolüsyonel sinir ağlarını kullanır, bu da daha hızlı görüntüleme hızı elde edebilir. 4, 4 dahil 4 dahil 4, 4 dahil 4, 4 dahil 4, 4 dahil 4, 4 dahil 4, 4 geleneksel, 4 sabit miktar ve iki vasküler görüntüleme dahil olmak üzere 4 dahil 4 dahil 4 dahil olmak üzere 4 dahil, bu hız çok hızlıdır.
Dong Soft Medical, bu AI teknolojisini kalp film görüntülemesine de uygular. Solda, dolgunluk durumunda elde edilen bir kalp filmi görüntüsü var. Ortada, 6 kez 6 kez hızlanır ve sağ taraf 9 kez hızlanır. Görüntü kalitesinin temel olarak farklı olmadığını görebilirsiniz ve Etki çok açık.
Daha önce, AI teknolojisi ile Bay Image Hızlanması'ndan bahsetmiştik, o zaman belirli bir kaliteli MR görüntüsü elde edersek, Daha yüksek kaliteli görüntüler elde etmek için görüntüleri geliştirmek için yapay zeka teknolojisini kullanabilir miyiz?
Daha önce de belirtildiği gibi, Bay tarama temel olarak K alanında düşürülecek ve K uzay azaltımı kaçınılmaz olarak görüntü kaybı getirecektir. Bazı sinyal şokları meydana gelir. K boşluğunda sahte bir örneklememiz varsa, görüntüye ilgisiz sahte -ayakkabılar tanıtacağız ve bazı pencere fonksiyonları genellikle bu Gibbes psödo -sıkıntıları ortadan kaldırmak için kullanılır.
Bununla birlikte, Gibbes sözde -Shadow yüksek frekans alanlarında mevcuttur. Görüntüdeki yapı detayları yüksek frekans alanlarında bulunur. Filtreleme sırasında, bu ayrıntılar birlikte filtrelenir, bu da görüntünün bazı sınır veya detaylar üretmesine neden olur. Psödo -Random K boşluk azaltma verileri için, sıkıştırma algılama yöntemi daha yüksek görüntüleri yeniden oluşturabilse de, zaman çok uzun olacaktır.
Bu nedenle, bazı araştırmacılar, edinilenlerin düşük kaliteli ve düşük örnekleme frekansının görüntüsünü kurtarmak için derin öğrenme modellerini kullanmayı önerdiler ve MR görüntülerinin gürültüsünü ve psödo -Shadow'u öğrenerek sözde -Shadow'u orijinal görüntüden kaldırmayı önerdi. .
Şekildeki modeller, görüntünün ve sanal parçaların gerçek kısımlarını modelliyor ve daha sonra görüntünün iki bölümünün birleşmesi ve füzyonu son yüksek kaliteli görüntü elde etmek için birleştirildi. Bu model, yuvarlanan psödo -etkili bir şekilde ortadan kaldırabilir - gölgeler.
MR görüntüleme aynı zamanda iki kanal aracılığıyla aynı zamanda toplanır. Kalıp taşımacılığı yoluyla yeniden yapılandırılan MR görüntüleri hesaplanır. Her kanala, toplarken bazı Gauss gürültüsü eşlik eder. .
Bu pirinç gürültüsünden kurtulmanın ve görüntülerimizdeki detayların ve sınırların hala açık olmasını sağlamanın bir yolu var mı?
Resim, Fudan Üniversitesi'nden birkaç öğretmen tarafından yapılan bir çalışmadır. Görüntüdeki topal dağılımını öğrenmek için çok kanallı bir model kullanır. Bu 3D alanın bilgilerini tam olarak kullanmak için çok kanallı, yani , sonunda giriş olarak bitişik 5. kat, daha iyi bir gürültü giderme etkisi elde eder.
Geleneksel yüksek kontrast DWI görüntüleri genellikle birden çok kez uyarılır ve daha sonra gürültü ortalama olarak ortadan kaldırılır. Sonunda, daha yüksek bir sinyal -golon oranı ve kontrast DWI görüntüsü elde edilir, bu da zaman maliyetleri.
Bazı araştırmacılar, sinyal tarafından elde edilen yüksek nota DWI görüntü özelliklerini teşvik etmek için derin bir öğrenme modeli kullanmaya çalıştı. Bundan sonra, gürültü görüntüden çıkarıldı ve yüksek kaliteli DWI görüntüsü elde edildi ve etki çok açıktı.
Daha önce de belirtildiği gibi, ultrason taraması operatörün tarama yöntemine çok bağlıdır, özellikle fetal testte, doktorların fetüsün birkaç standart bölümünü taraması gerekir. Birçok birincil doktor yapmak zor olabilir. Bu zorluk çözülebilirse, Pediatri denetimlerini kolaylaştırın.
Araştırmacılar, ultrasonik bir tarama filmini analiz etmek ve filmden bu standart yüzey kesiminin pozisyonlarını bulmak için yapay bir zeka modeli kullanmaya karar verdiler. Çünkü film ve film ve in -katman arasındaki bilgileri tam olarak kullanmak için film süreklidir. Bilgi, model birleştirilmiş modeli birleştirir. Veri miktarının nispeten sınırlı olduğu düşünüldüğünde, çoklu görev öğrenmesinin amacı, modelin yakınsamasını hızlandırmak ve daha iyi bir sonuç elde etmek için tasarlanmıştır.
Dong Soft Medical'in kesin görüntüleme yönünde girişimleri.
Şekilde, yapay bir istihbarat teknolojisi yüksek bir -signal -signal -signal -to -noise -to -noise dwi görüntüsünü elde etti, sinyal ila -ganimet oranı iki katına çıktı ve görüntü detayları nispeten iyiydi ve aynı zamanda hız önemli ölçüde geliştirildi.
Yüksek çözünürlüklü bir DWI görüntüsü elde etmek için AI teknolojisini kullanın. DWI görüntü yüksek çözünürlüklü yeniden yapılandırma taraması olduğunda, görüntünün belirgin bir deformasyona sahip olacağı bir sorunla karşılaşmak kolaydır. Yeniden yapılanma için AI teknolojisini kullanın. Önemli olarak deforme olmuş ve hızı kullanın. Tarama ve yeniden yapılanma nispeten daha hızlıdır.
Dongsoft Medical ayrıca kesin karın görüntülemesine AI uygular.
Solda düzenli bir görüntüleme yöntemi var. Görüntüye çok fazla sözde -Shadow olduğunu görebilirsiniz. Ve yeniden yapılandırma için AI yöntemini kullandığımızda, bu Gibsus sözde -Shadows'u kaldırabiliriz ve aynı zamanda egzersizin psödo gölgesini kaldırabiliriz. Son görüntü de görüntü detaylarına yüksek oranda geri yüklenir.
BT görüntüleme ünlü prensibi bir Makul olarak ulaşılabilir kadar düşük (BT'nin radyasyon dozunu taramada mümkün olduğunca makul hale getirmeniz gerekiyor İle. Neden? Niye? Radyasyon insan vücuduna zarar verdiğinden, ancak radyasyon dozu doğrudan azalırsa, kaçınılmaz olarak görüntü kalitesinde bir düşüş getirecektir.
Bu nedenle, KV'yi azaltmak veya hafif subtrofil eklemek gibi radyasyon dozunu optimize etmek için birçok teknoloji benimsediniz, ancak bu yöntemler belirli bir miktar görüntü kalitesi kaybı getirecektir.
Örneğin, bu çalışmada araştırmacılar, düşük dozlu CT ortaokulundan geleneksel bir BT dozu yüksek kaliteli bir görüntüye düşük dozlu bir CT gürültü modeli tasarlamak için boş delik konvolüsyonu ve eğitimli kenar tespit operatörleri kullandılar. Denge farkı. Kayıp ve algılanan kayıp, modelin kayıp fonksiyonu ile birleştirilir, böylece görüntü detaylarını etkili bir şekilde korur.
Ve görüntü kalitesinin gerçekliğini ve ayrıntıların bütünlüğünü sağlamak için, geleneksel homojen kayıp fonksiyonuna dayanarak algılama hatası eklenir. Hatalar hissi, öngörücü görüntülerin ve orijinal görüntülerin yüksek boyutlu analizini çıkarmak, yüksek seviyeli semantik özelliklerinin benzerliğini karşılaştırarak, böylece görüntü detaylarının detaylarının yüksek özgünlüğe sahip olmasını dolaylı olarak sağlamaktır.
Bazı araştırmacılar ayrıca bu yöntemi Ultra -Low -dose BT görüntülerinin optimizasyonuna uyguladılar ve optimize edilmiş görüntüyü akciğer şişme taramasına uyguladılar. Son olarak, optimize edilmiş görüntünün tarandığı bulundu. Bazı detaylar, ancak tanısal etkinlik ve tam doz BT tanı etkinliği eşdeğerdir ve görüntünün tanısal etkinliği düşük doz geleneksel rekonstrüksiyon yönteminden çok daha yüksektir.
Bu, akciğer kanseri ve amfizemde akciğer kanseri ve amfizem gibi büyük hastalıkların taranmasında çok önemli bir rol oynayabilen çok olumlu bir sinyaldir. En azından tanı etkinliğini etkileyemez.
Sonraki çok merkezli büyük ölçekli araştırmalar, AI yöntemi tarafından geri kazanılan görüntü, bu kadar düşük bir doz altında geleneksel dozla karşılaştırılabilir taranmış bir etki elde etmek için kullanılabileceğini kanıtlarsa, o zaman büyük bir pratik değere sahip olur.
Dong Soft Medical ayrıca akciğerlerde düşük dozlu BT'ye AI yöntemleri uygular.
Şekil Doğu Yumuşağının gerçek renderleridir. Akciğerleri radyasyon dozunun%25'inin altında tarayın. Soldaki geleneksel yöntem rekonstrüksiyonu ile elde edilen görüntüyü görebilirsiniz. Çok yüksek ve gerçek yapı çok rahatsız ediliyor Gürültü. AI rekonstrüksiyon yöntemine göre optimize edilmiştir. Gürültü seviyesinin açıkça bastırıldığı ve akciğerlerin kan damarlarının ve trakeal yapılarının açıkça ayırt edilebileceği görülebilir.
Benzer şekilde, East Soft Medical ayrıca karnına AI düşük doz BT uyguladı.
Solda%40 radyasyon dozu altında gerçekleştirilen%40 abdominal görüntüleme sonucu var. Gürültü seviyesinin çok yüksek olduğunu ve karaciğerin ayrıntılarının artık ayırt edilemeyeceğini görebilirsiniz. Yapay zeka tabanlı yöntem optimize edildikten sonra , gürültü gürültü ile önemli ölçüde bastırılır. Öz
Bu çok tipik bir örnektir. Hastanın böbreklerinin bariz bir lezyonu vardır, ancak böyle ultra düşük doz tarama ve geleneksel rekonstrüksiyon yönteminde lezyon etkili bir şekilde tanımlanamaz. Lezyon aşağıdaki şekilde daire.
AI ile optimize ettikten sonra açıktır.
Dong Soft Medical ayrıca CT -Kardiyak CT'nin en yaygın uygulama senaryosunu yaptı.
Koroner BT'nin taranmasında, önceki şeyle aynı değildir. Sadece radyasyon dozunun azaltılmasını değil, aynı zamanda kontrast dozunun dozunun azalmasını da sürdürür. Yaşlı hastalar gibi hastaların önemli bir kısmı böbrek sinirliliğine sahip olabilir ve çok yüksek dozlarda kontrast maddeleri kullanamaz. Film yapım ajanı ve radyasyon ölçümü azalırsa, görüntünün kalitesi kaçınılmaz olarak etkilenecektir.
Soldaki geleneksel yöntem yeniden inşa edilmiş düşük doz taramalarıdır. Elde edilen görüntüdeki elde edilen görüntü açıkça kusurludur ve miyokard ve kalp kan havuzunun görüntülenmesi ideal değildir. Ancak AI ile yeniden yapılandırıldıktan sonra, kan damarları ve miyokard göstermek Açıklar.
Sonuçların bu kısmıyla ilgili olarak, Dongsoft Medical ve Peking Union Hastanesi bilimsel bir araştırma doğrulaması yaptı. Son olarak, bu AI teknolojisinin kullanımının radyasyon dozu miktarını ve kontrast maddesini iyileştirebileceği ve öznel olanı iyileştirebileceği bulundu. Koroner CTA'nın görüntü kalitesi ve teşhisi.
DSA rehberliğinde, periferik kan damarlarının, serebral kan damarlarının ve koroner damarların girişimsel tedavisinde, hastalar ve doktorlar uzun süre x -raylere maruz kalırlar. Doz nispeten yüksek seviyeli bir hasarla biriktirildikten sonra. Bu nedenle, müdahale sırasında radyasyon dozunun nasıl azaltılacağı da herkesin her zaman dikkat ettiği bir sorudur. Radyasyon dozunu doğrudan azaltmak kesinlikle mümkün değildir. Görüntünün kalitesi çok kötü olduğunda, rakibin etkisini etkileyecektir.
Düşük dozda tararken görüntünün kalitesini optimize etmeliyiz.
Şimdi bazı araştırmacıların statik X -Ray filmlerinde gürültü var ve oldukça iyi bir gürültü görüntüsü elde ettiler. Bununla birlikte, x -rays gerçek kullanımda dinamik olarak çekilir. Sadece uzay tarafından üretilen gürültüye sahiptir, aynı zamanda zaman gürültüsü de vardır. Bu nedenle, Dongsoft Medical, gürültü yapmak ve dinamik olarak elde ettiğimiz x -rays kalitesini artırmak için hava sahası ve zaman alanının bilgilerini birleştiren bir yöntem tasarlamıştır.
Bilgileri zamanında kullanmak için, kayıp fonksiyonu sadece daha önce bahsedilen ortalama kare hatasına sahip olmakla kalmaz, aynı zamanda algılama hataları da vardır, aynı zamanda gürültü seviyelerini tanımlayan bir zaman alanı kaybını da birleştirir.
Bu gerçek uygulamanın etkisidir. Solda, radyasyon dozunun 1/5'inden elde edilen DSA görüntüsüdür. Üzerinde gürültü yapmak için AI kullanın. Gürültü seviyesinin önemli ölçüde bastırıldığı açıktır. Göster.
Dongsoft Medical, gelecekteki tıbbi görüntüleme ekipmanlarının akıllı telefonlar kadar uygun ve hızlı olduğunu umuyor. Bu uzak bir beklenti. Bunu başarmak uzun zaman alabilir, ancak AI akıllı görüntü tarama iş süreçlerini bir olasılık haline getiriyor.
Akıllı görüntü taraması esas olarak hasta kimliği tanıma, akıllı ses etkileşimi, akıllı hastalar, tarama alanı tanıma ve otomatik kalite kontrolünü içerir. Görüntü tarama iş akışının üç ağrı noktasını ve konum, tarama alanı tanıma ve kalite kontrolünü içerir.
Daha önce bahsedilen görüntü tarama iş sürecinde üç ağrı noktasını içerir: konumlandırma, tarama alanı tanıma ve kalite kontrolü. Akıllı tarama iş akışları aracılığıyla, öğretmenlerin ve hemşirelerin yinelenen emeğini daha da azaltabiliriz. Bu, hastane hastalarının dolaşımını etkili bir şekilde iyileştirebilir, aynı zamanda hastanın tıbbi deneyimini geliştirebilir ve farklı veya aynı hasta görüntüsü toplamak için farklı doktorları daha da geliştirebilir. Veri. Zaman tutarlılığı.
Doğal görüntü gövdesi tanıma teknolojisi aracılığıyla hastanın çeşitli yerlerini tamamlayın. Şekilde, hastayı tarama yatağında taramak için bir 3D derinlik kamerası kullanan çalışma, hastanın boşluk pozisyonunu, yatak pozisyonunu daha fazla analiz edebilir ve otomatik olarak uygun yatak yüksekliğini seçebilir ve derinlere girebilir. Bazı araştırmacılar ayrıca elde edilen konumlandırma görüntüsünü analiz eder ve anatomik yapıyı tanımlar. Tanımlama anatomisi yapısına göre, tarama pozisyonu FOV seçimine ulaşmak için doğru bir şekilde daire içine alınmıştır.
Dongsoft Medical, süreç otomasyonu açısından çok fazla girişimde bulundu ve ön sonuçlar elde etti. Örneğin, akciğer, omurga ve karın otomatik analizi CT ve karşılık gelen FOV otomatik FOV seçimi gerçekleştirilmiştir.
Bay Shangdong Yumuşak Medical'de, başın, omurganın, diz ekleminin ve servikal omurganın FOV'si otomatik olarak seçilir. Hastanın ne tür bir duruşu veya şişmanlığı olursa olsun, FOV seçimini, herhangi bir mevcut görüntü tarama işlemini değiştirmeden 0.5 saniye içinde tamamlayabilir, bu da doktorların ve teknisyenlerin kullanması için çok uygundur. Görüntü taramasının tutarlılığını koruyarak, uzun süre takip edilmesi gerekebilecek hastalar için, görüntülerinin her taramanın duruşu ve konumu tutarlıdır. Hastalıktaki değişiklikleri keşfetmeye elverişlidir.
Tarama iş akışının üçüncü ağrı noktası, radyoloji bölümünün iş akışının özelliği ile ilgili görüntünün kalite değerlendirmesidir. Ayrıca, radyasyon görüntüsünün tarama teknisyenlerinin iki rolüne ayrıldığı ve doktorların gözden geçirilmesi de belirtilmiştir. Görüntü taraması, görüntü okuma ve zamanın arkasında raporlama süreksizdir. Hasta taramayı tamamladıktan ve taramayı terk ettikten sonra, görüntünün kalitesi okuma seansında bulunur. Tekrar taramanız gerekiyorsa, zaman ve para israfı getirecek ve hatta hastalığın teşhisini ve tedavisini geciktirecektir.
Görüntünün taramadan sonra zaman içinde gereksinimleri karşılayıp karşılamadığını yargılamayı umuyoruz. Şimdi teknisyen taramadan sonra görüntüye göz atacak, bu da yüz binlerce görüntü içerebilir. İş yükü tarama hızını ve verimliliğini etkileyebilir.
Bu sorunu çözmek için araştırmacılar, görüntü kalitesini doğrudan AI ile değerlendirmeye çalıştılar. Örneğin, geçen yıl bu makale yazar, sahte bir zeka modeliyle sahte -image sözde -Shadow'u yargılamaya çalıştı.
Sağda 6 daha yaygın sahte -Shadow var. Tıbbi görüntüler doğal görüntülerle aynı değildir ve on binlerce binlerce binlerce veya yüz binlerce seviye doğal görüntü gibi sahte gölgeler ve normal görüntüler ile veri elde etmek zordur. Bu nedenle, yazar doğal görüntü eğitiminin ağırlığını modellerin eğitimine doğrudan göç eder. Bu sahte sıkışmaların bazıları yatay yüzeyde daha belirgindir, bu nedenle iki model tasarlanmıştır: biri sagitarous bir yüzey modelidir ve diğeri görüntüyü yargılamak için bir çapraz bölüm modelidir. Sonunda, görüntüleri etkili bir şekilde tanımlayabilir. sözde -Shadows ile. Essence
Şu anda, Dongsoft Medical, BT akciğer ve kafa görüntüsünün kalite kontrolünü fark etti. Bundan sonra, beyin görüntüsü kalitesi 1.5T manyetik rezonansta elde edilir, görüntü kalitesi kontrolünün etkisi iyileştirilir ve hastaların geri dönme olasılığı Görüntü çekim için azalır.
Özetle, Dongsoft Medical, yapay zeka platformuna dayanan daha hızlı tarama, daha doğru görüntüler, daha güvenli kaynak edinimi ve daha pürüzsüz iş akışları elde etti ve aldığımız görüntünün kalitesini sağlamak için daha güvenilir olabilir.
Dongsoft Medical, uzmanlık ve büyük hastalıklar yönünde bazı AI uygulama araştırmaları yaptı.
Dongsoft Medical, akut inmenin görüntü değerlendirmesine ilk olarak yapay zeka uyguladı. Ülkemin inme kontrolü şu anda çok büyük zorluklarla karşı karşıya. İnme, ülkemdeki yetişkinlerin ölüm ve engelliliğinin ilk nedenidir. Ayrıca, insidans ve mortalite oranı çok yüksektir ve ülkemdeki insidans oranı her geçen yıl artmaktadır.
Strokes ülkemdeki sakinlerin yüksek bir kısmını açıkladı. Beş ölüden en az biri inme öldü ve tıbbi masraflar da her yıl arttı. Ülkemin yaşlanma sorunları arttıkça, daha belirgin olurdu gelecekte.
İnme nedir? Spesifik olarak, akut başlangıçlı soba tabanlı vasküler türetilmiş sinir hasarı olan akut bir serebrovasküler hastalığa atıfta bulunur. Semptomlar 24 saatten fazla veya ölüm, diğer seribrovasküler hastalığı ortadan kaldırır. Akut iskemik inme % 70 veya seksen; kanama daha düşük olabilir, % 20 veya % 30 olabilir veya ülkemde daha yüksek olabilir. Bu akut iskemik vuruşlarda, hastaların teşhis ve analizi ve değerlendirilmesi ile zamanında müdahale ve tedavi, hastanın prognozunu etkilemenin anahtarıdır.
Şu anda, klinik tanı ve tedavi süreci esas olarak şuna benzer:
Hastanın bir doktora sahip olduktan veya 120 tarafından hastaneye gönderildikten sonra, klinisyen önce bazı klinik skorları gerçekleştirdi ve egzersiz fonksiyonlarını değerlendirdi ve daha sonra bu kişinin kanama mı yoksa diğer inme lezyonlarını veya diğer inme lezyonlarını dışlamak için rutin acil tedavi görüntüleri gerçekleştirdi. Bu kişinin iskemi olduğunu doğruladıktan sonra, diğer görüntü göstergelerine göre farklı tedavi yöntemleri geliştirilir. Klinik klinikte akut iskemik vuruşları tedavi etmenin üç ana yolu vardır: Standart iç hastalıkları tedavisi (daha muhafazakar); trombolitik tedavi; embolizm tedavisi (aktif vasküler açıklık).
İstatistikler, ülkemdeki hastalıktan sonraki 6 saat içinde hastaneye kabul edilen hastaların%6'sından daha azının, hangi tedavi yönteminin uygun olduğunu belirlemek için bu 1 saatlik hastalar için daha katı görüntü değerlendirmesi olmamız gerektiğini göstermektedir.
Bu görüntüler tarama ne içerecek?
Her şeyden önce, kan damarı görüntülemesine ihtiyaç vardır. Doktorların hastanın hangi kısmının engellendiğini bilmeleri gerekir. Hasta 6 saati aşmışsa, daha fazla organizasyonel pencere değerlendirmesi yapılması gerekir. Organizasyonel pencere değerlendirmesi şu anda perfüzyon görüntüleri altında.
İskemik inme tedavisinde mevcut sorunlar.
Yetersiz tanı ve tedavi düzeyi ve klinik deneyim. Yüksek kaliteli hastaneler yüksek kaliteli görüntü ekipmanlarına sahip olmasına rağmen, tam olarak kullanılamazlar ve değer henüz dokunulmamıştır.
Görüntü analizi verimliliği ve doğruluğunun garanti edilmesi zordur. Şu anda, çoğu hastanenin doktorların analiz edilmesine yardımcı olacak akıllı analiz yazılımı yoktur. Esas olarak ameliyatla ölçülür. Verimliliğin garanti edilmesini veya öznel yargıyı garanti etmek zordur. Bu durumda, nicel bir eksiklik vardır. Göstergeler ve doğruluğu garanti etmek daha zordur.
Uyandıktan sonra başlangıç süresini doğrulamak zordur. Birçok hasta uyku sırasında hastalık üzerinde olabilir. Başlangıç oluşumu ile açıkça bilinemezler. Son normali sadece başlangıç zamanı olarak kullanabilirler, ancak bu bilgi kesinlikle karar vermenin temeli olarak doğru değildir.
Tedavi riskini değerlendirmek zordur. Tüm hastalar hevesli tedavi planları geçirmez, bu nedenle tedaviden önce hastayı değerlendirmeniz gerekir. Şiddetli kanama dönüşümü riski olup olmadığı. Yöntem, hastanın kan noktasını değerlendirmektir, ancak güvenilir bir yazılım yoktur. Değerlendirme sürecidir. yavaş ve zor.
Peki organizasyon penceresi değerlendirmesi nedir?
Organik Pencere Değerlendirmesi
Beyin dokusunun serebral arteriyel kan damarları aracılığıyla sağlandığını biliyoruz. Serebral arter bloke edildikten sonra, sağladığı serebral vasküler bölge oluşacak ve daha sonra bazı doku nekrozu, beyin hücrelerinin nekrozu ve hatta uzun süre daha uzun. Bu, enfarktüsün bir toplanma alanı oluşturan büyük bir doku nekrozu olacaktır. Bu hücreler artık kaydedilmiyor, Yani enfarktüsün çekirdek alanı denir.
Öyleyse neden böyle bir iskemik yarı -dark bandı var?
Bunun nedeni serebrovasküler karmaşıklığıdır. Dokunun bu kısmına kan akışını yönlendiren kan damarları bloke edilmiş olsa da, dokunun etrafındaki bazı kan damarları mevcut dokuya kan akışını telafi edebilir. Yani bu iskemik yarı -dark bandın oluşumu var.
Klinik olarak, hastanın iskemisinin yeterince büyük olduğunu ve enfarktüsün çekirdek bölgesinin yeterince küçük olduğunu umuyor, bu da hastanın tromboliz ve trombolitik tedavinin tedavisinden büyük ölçüde yararlanabileceği anlamına geliyor.
Peki sulama nedir?
Enjekte, kılcal damarlardan kan akışını ifade eder ve normal doku ve lezyonlarda bulunan doku hücrelerine taşıdığı oksijen ve besinleri taşır. Bu kılcal damarlardaki kan akışı sulama görüntülemesini mümkün kılar. Sulama görüntüleme, doku mikrovasküler dağılım ve kan akışı sulama görüntüleme yöntemini yansıtabilir. CBF gibi beyin dokusunun kan akışı dinamik parametrelerini değerlendirmek için yaygın olarak kullanılır.
Aslında ne yapıyorsun?
Kontrast maddesini damardan hızlı bir şekilde enjekte edin ve daha sonra seçim düzeyinde sürekli olarak BT veya MR görüntüleri çekmeye devam edin, Bu görüntülerdeki sinyal yoğunluğu, zaman içinde doku yoğunluğu değişikliklerini yansıtır Öz Başka bir deyişle, her bir dokunun her zaman noktasında agregasyon konsantrasyonunu izleyebiliriz. Sulama görüntülerine bazı çözümler sayesinde, serebral kan akışı, serebral kan kapasitesi, Tmax, vb. Gibi bu serebral doku kan akışı dinamiklerini doğrudan yansıtabilen bazı parametreler
Çözüm işleminde birkaç daha önemli bağlantı var, Bunlardan biri arteriyel giriş fonksiyonunun seçimidir Endişelendiğimiz beyin dokusuna hangi kan damarlarının kan temini sağladığını bilmeliyiz. Ek olarak, parametre özellik diyagramını elde ettikten sonra, enfarktüsün çekirdeğini ve bu bilgilere dayanan iskemik yarı -band'ı çözmeniz ve bölmeniz gerekir. Bu aynı zamanda başka bir teknik çekirdektir.
Şu anda, bu enfarktüs çekirdekleri ve iskemik yarı -bant ölçümleri temel olarak yapaylaştırma ile gerçekleştirilmektedir, bu da zaman kazandırıcıdır ve büyük öznel bağımlılık vardır. Bu nedenle, Dongsoft Medical, sulama görüntü analizini otomatik olarak tamamlayabilen ve iskemi ve enfarktüs sobasının temel nicel göstergelerini elde edebilen Neubrain bakım yazılımı geliştirmiştir.
Bu, işleme işlemi sırasında arteriyel çıkış fonksiyonunun konumunu doğru bir şekilde bulabilen CT sulama diyagramı testinin sonuçlarıdır. Geleneksel yöntemlerden farklı olan Dongsoft, derin öğrenme modelleri kullanır.
Konvolüsyonlu bir segmentasyon modeli, kan damarı paketini bulur ve daha sonra sulama görüntülerinin daha doğru analizini yapmamıza yardımcı olmak için uygun kan damarlarına konumlandırmayı bulur.
Enfarktüs ve iskemik yarı bandın çekirdeğini nasıl elde edebiliriz?
Hastalıklı tarafı olan bu CBF değeri karşı sağlıkla karşılaştırılır.%30'dan azsa, enfarktüsün temel alanı olarak kabul edilir. Tmax'ın 6 saniyeden fazla olduğu bölgede, düşük bir tahrik alanı olarak kabul edilir. Düşük sulama alanı iskemik yarı -dark bandını ve daha önce bahsedilen enfarktüsün çekirdek alanını içerir.
Daha sonra, enfarktüsün çekirdek alanı 70 mL'den az olduğu gibi hesapladığımız bazı parametrelere göre, düşük bölge ve nükleer metolojik enfarktüs alanları 1.2 veya 1.8'den fazla ve aynı Zaman, şiddetli düşük tahrigasyon alanı tedavi için 100 ml'dir.
DIP CT Nicel Analiz Sonuçları Şematik Diyagram
Bu, CT'nin nicel bir analizinin sonucu olarak şematik bir diyagramdır. Bu sonucu doğrudan klinisyene sunduk ve doktor daha doğru bir karar verebilir.
MR analizi önceki CT'ye benzer. Tek fark, enfarktüsün çekirdek alanının MR analizindeki CBF hesaplamasına dayanmaması, ancak DWI'nin yüksek sinyal alanına dayanmasıdır. ADC 620'den az. Bölümde biraz gürültü tanıtılacaktır.
Bu nedenle, ADC'deki enfarktüsün çekirdeğini otomatik olarak bölmek için standart olarak bölmek ve insan segmentasyon yapısını standart olarak kullanıyoruz. Basit bir test yaptık ve uzmanlarla işaretlenen sonuçların tutarlılığının%100'e ulaştığını bulduk.
Bu MR.
AI entegre akut iskemisi olan hastaların görüntü analizi sürecini analiz ederek, tam otomatik bir analiz işlemi elde edebilir ve ürünü görüntü bulutuna asabiliriz. Doktorlar görüntüleri buluta yükleyebilir ve kısa süre sonra analiz sonuçlarını döndürebilir.
Daha önce de belirtildiği gibi, tedavinin bitiminden önce kanama dönüşümü riskini değerlendirmemiz gerekir. Nasıl yapılır?
Daha potansiyel bir yöntem, kanama noktasını değerlendirir ve değerlendirme için hastanın SWI görüntüsünü kullanır. Bununla birlikte, mikro -blood noktası genellikle küçüktür, genellikle 3 ila 20 mm boyuttadır ve birçok hasta beyinlerinde dağıtılır. Bu nedenle yapay olarak bölünür ve istatistikler. Bu iş yükü çok büyüktür ve temelde mümkün değildir.
Bu nedenle, bu kanama sobasının veri noktasını bölmek için veri bilgi modelini kullanıyoruz. Segmentasyondan sonra, konumunu, miktarını ve hacmini görmek için ilgili otomatik istatistikleri gerçekleştirecektir. Bunun avantajı, istatistiksel rapora göre, doktorların hastanın tedaviden sonra kanama riski olup olmadığını nicel olarak analiz edebilmesidir.
Tipik vakalar, kadın, 63 yaşında, çünkü sol uzuv zayıf. 8 saat dışında, manyetik rezonans muayenesi, uyumsuzluğun oranının 4.4 civarında olduğu, bu da kabartmalı tedavi için çok uygun olduğu bulundu. 4 gün sonra temelde kendi başına taburcu edilebilir ve tedavi etkisi idealdi.
Şu anda, yerli yeni taç pnömonisi kontrol edildi, ancak yine de uluslararası çalkantılıdır.
Yeni taç pnömonisi bulaşıcı ve çok öldürülür. Erken keşif ve erken izolasyon daha iyi araçlardır. Bununla birlikte, tanı nükleik asidin saptanmasına bağlıdır. Tespit yöntemi güçlü ve hassastır. BT önemli bir rol oynar ve erken tanı ve taramayı destekler.
BT görüntülerinin erken taranması ve teşhisi doktorlara büyük bir iş yükü getirecektir, ancak hastalığın yayılmasını ve hastaların zamanında tedavisini kontrol etmek için elverişli değildir.
Dong Soft Medical, bu konuda bazı daha iyi avantajları var. Bağımsız olarak geliştirilen System Car CTS'yi başlattık ve ayrıca kendi akıllı görüntü bulut platformumuz Neumiva var. Buna ek olarak, akademisyen Zhong Nanshan ile büyük veri ve yapay zeka uygulaması ortak bir laboratuvarı oluşturduk.
Salgının patlak vermesinden sonra, Dongsoft Medical hızla yeni bir Crown CT ve AI proje ekibi kurdu. 7 gün içinde, Ji DA Üniversite Hastanesi'nin ilk baskısının ilk baskısının ilk baskısının ilk baskısının ilk baskısının uzmanları, 60'dan fazla hastanede ve 60'tan fazla kurulacak ve kullanılacak. Ülkedeki hastaneler. Wuhan'ın Hongshan Stadyum Hastanesi ve Wuhan'daki Leishan Hastanesi.
Teknik rota nispeten basittir. Lezyonu bölmek için 3D ve 2D hibrit evrişimine dayanan bir ağ tasarlanmıştır. Zaten akciğer bölünmesi ve akciğer lob segmentasyonumuzun modellerine dayanarak, pnömoni lezyonlarının kantitatif analizini analiz edebiliriz.
Şu anda, fonksiyon yeni koroner pnömoninin tipik belirtilerini tespit etmektir. Örneğin, grafik cam gölge kalitesi, katı lezyonlar ve kablo şeritleri, doktor ve hastaların yeni koronal virüs enfeksiyonu ve tam vaka incelemesi riskine sahip olup olmadıkları istenebilir. Kısa bir zaman. Veriler İlk Hastane'nin gerçek verileri, sonuçlar benzer karşılaştırmalarda oldukça doğrudur.
Şu anda iki dağıtım yöntemi vardır: ürün:
Birincisi, AVW'yi Dongsoft Medical'daki Post -Treatment iş istasyonuna dağıtmaktır. Yerel dağıtım yoluyla, AVW yükseltildiği sürece elde edilebilir.
İkincisi, akıllı bir tıbbi görüntüleme bulut platformu olan Dongmi NewMiva ile donatılmıştır.
Fire Eye Ai Bulutunun Sürüm Arayüzünün Çizim Şeması
Fire Eye AI şematik diyagramın yerel versiyonu
Yerel sürüm ve bulut sürümünün kendi avantajları ve dezavantajları vardır.
Yerel sürüm hastanede dağıtıldığından, görüntü iletim hızı ve algılama hızı nispeten daha hızlıdır ve bilgi verileri daha güvenlidir, ancak donanımın yapılandırılması için belirli gereksinimler vardır ve güncelleme yavaştır.
Bulut sürümü tek başına güncellenir, yineleme daha hızlı, ekipman gereksinimleri düşük, sıradan bilgisayarlar ve cep telefonları kullanılabilir ve uzak tıbbi konsültasyonlar da başlatılabilir, ancak ağ hızı nedeniyle.
Yapay zeka görüntüleme platformu yeni taç için daha fazlasını yapabilir. 20 Mart'ta yayınlanan bir makale, Yeni Crown Pnömonisinin geliştirme aşamasının kendi özelliklerine sahip olduğunu göstermektedir.
İlk günlerde, subtastik, alt yaprak veya bronşiyal vasküler demet dağılımına dağıtılan ekstraksiyon veya taşlama cam gölgeleri ile dağıtıldı veya dağıtıldı;
İlerleme döneminde lezyon arttı ve farklı derecelerde gerçek değişiklikler vardı;
Şiddetli hastalık aşamasında, iki akciğer metamfetamininde, beyaz akciğerlere ciddi bir şekilde neden olacak bir değişiklik vardır;
Geri dönüş döneminde, nöropati veya öğütme cam temel olarak emilecektir. Bazı hastalar lifli kablolar olacaktır.
Bu, AI'nın görüntü taraması, tanı, analiz ve çeşitli bağlantılarda önemli bir rol oynadığı anlamına gelir.
Bu makale nispeten erken bir ön plana çıkma makalesidir. Resmi olarak yayınlanmamıştır. Derin sinirsel öğrenme ağı aracılığıyla hastalar hastalar tarafından ayırt edilir. Yeni pnömoni hastaları mı yoksa sıradan influenza hastaları mı olduğunu görür.
2D görüntülerinde katmanla katmanları tespit etmek için 110 nükleik asit pozitif hasta ve 224 genel influenza hastası ve 175 sağlık hastası, hastanın hangi hastalığın hangi hastalığın olduğunu belirlemek için çoklu 2D görüntüleri olan hastalara oy verdi ve sonunda 86.7'ye ulaştı. %Sınıflandırma doğruluğu.
Bazı araştırmacılar bu modeli yeni koroner pnömoni ve diğer hastalıkları olan hastaları ayırt etmek için hastaları teşhis etmek için denediler. Verilerin miktarı nispeten küçüktür ve sadece 51 yeni koroner pnömoni tanı hastası ve diğer 55 hasta 2D'ye dayanmaktadır. İleri görünümlü verileri olan sadece 27 hasta vardır, ancak etki daha fazla veri doğrulamamıza layıktır.
Bu, derin öğrenme ile ilgili makalelerde en büyük veri miktarı olan 19 Mart'ta yayınlanan bir makaledir.
1296 yeni koroner pnömoni teşhis edilen hasta toplandı, ilgili topluluklarda seks pnömoni tanısı alan 1.735 hasta ve 1325 pnömoni olmayan hasta görüntüleri. Verileri 9: 1'deki bir eğitim setine koyun ve bir sınıflandırma sinir ağı eğitmek için test setine koyun ve daha sonra hastanın yeni bir taç pnömoni mi yoksa pnömoni mi yoksa zatürree mi yoksa bir topluluk olup olmadığını değerlendirin. Sonuç olarak, sonuç özellikle duyarlı.
Yeni taç pnömonisi duyarlılığın%90'ı ve özgüllüğün%96'sıdır. Açıklayıcı modeli geliştirmek için termal diyagram da model dikkat noktasını yansıtır. Son olarak, yeni taç pnömonisi olan hastanın görüntü dikkat noktasının göğüs kalıbına yakın lezyon olduğunu buldum Ve topluluk pnömonisinin dikkati akciğerlerin merkezi bölgesinde bulunur. Pnömoni olmayan ve yeni taç pnömonisi olmayan hastalar görüntüye odaklanmamıştır.
Daha önce, yabancı araştırmacılar ayrıca modeli ölçmek için bir lezyon oluşturmak için AI modelini kullanmaya çalıştı. Farklı taramaların lezyonlarının fiziksel görüntü dinamik gözlemini karşılaştırarak, lezyon lezyonları, doktorların değerlendirmesine yardımcı olmak için kullanıldı. Görüntüleme hastalıklarının gelişimi. Bununla birlikte, bu araştırma eğitim seti 5 ~ 10 mm'dir, bu da yeni koroner pnömoninin doğru olması gerçeğinden farklıdır. Yeni Crown Pnömonisinin ince görüntüler olması önerilir, Çünkü birçok potansiyel öğütme cam gölge kalın görüntü katmanında görülemez Bu aynı zamanda dikkat edilmesi gereken bir sorudur.
Araştırmacıların prognostik bir analiz modeli oluşturmak için klinik bilgiler topladığı da vardır. Modelde video bilgisi yoktur. Özellik taramasından sonra, iyi öngörücü performansın üç özelliği olduğu bulunmuştur. Laktat dehidrojenaz, lenfositler ve yüksek duyarlı C reaktif protein dahil olmak üzere, hastaların sağkalım oranının ve mortalitesinin tahmininin yüksek olduğu bulunmuştur.
Özetlemek gerekirse, yapay zeka modeli tüm tıbbi görüntü zinciri için kullanılabilir. Görüntü edinme, görüntüleme, görüntü uygulaması, yardımcı tanı ve tedavi bağlantıları ve depolama ve iletim bağlantılarının işleme işleminden elde edilebilir.
Deneyime göre, tıbbi görüntüler ve yapay zeka özeldir.
1, Veri edinme zorluğu Tıbbi görüntüler doğal görüntüler alanından farklıdır. Veriler büyük olmasına rağmen, sayı büyük verilere eşit değildir. Bu sefer derin öğrenme etkilidir, çünkü çok fazla büyük veri alabilir. Görüntü verilerinin miktarı zaman içinde birikmiş olsa da, farklı hastalıklara, farklı parçalara ve farklı hastanelere dağıtılır. Bu nedenle, özellikle etiketlenmesi gerektiğinde daha zordur.
Sorun, hastalığın karmaşıklığı ve belirsizliğidir. Örneğin, yeni taç pnömonisinin en büyük özelliği, aynı hastalık ve aynı hastalığın problemidir. Altın standartta nükleik asit yoksa, pnömoni BT verilerinin yeni koroner pnömoni mi yoksa belirlemek zordur. Diğer zatürre.
Bahsettiğimiz AI kalite kontrolü gibi öznelliği değerlendirmeyi düşünün, ancak görüntünün yargısı teşhis ihtiyaçlarını karşılıyor ve doktorun büyük öznelliği var. A Dr., görüntünün kalitesinin kötü olduğuna ve teşhis edilemeyeceğine inanıyor, ancak Dr. B sorun olmadığını ve doğru bir şekilde teşhis edilebileceğini düşünüyor. Veri etiketleme yapmak için farklı doktorlar kullanırsanız, model eğitiminin kesinlikle bir sorunu olacaktır.
2, Tıbbi sorunların profesyonelliği Derin öğrenme ağı CT ve MR hızlanmasının yeniden yapılandırılması da doğal görüntü modelini doğrudan göç edebilir, ancak görüntünün kalitesi kesinlikle iyi değildir. Bu nedenle, model tasarım aşamasında, geleneksel M ve BT görüntüleme teorisi ile birleştiğinde, daha iyi sonuçlar elde etmek için sinir ağı teknolojisinin uygulanması uygulanır ve model daha da geliştirilebilir. Uzay verilerinin korunma katmanı, bize neden nedenini hatırlatır. Veri sonuçları güvenilirdir.
3, Klinik sahnelerin önemi Öz AI güçlü bir araçtır, ancak tüm sorunları çözmez. İnme görüntü analizinin analizi, AI sadece içindeki bazı önemli bağlantılarda rol oynayabilir; ancak, sulama görüntülerinin çözümü hala geleneksel yöntemleri kullanır ve bazı araştırmacılar doğrudan zaman noktaları modeline doğrudan girer. Enfarktüs ve çekirdek ve iskemi yarı -band. Her şeyden önce, numune nispeten sınırlı olmalı ve daha sonra model yeni verilere uygulanır ve genelleme yeteneği açıkça tatmin edici değildir.
Akciğer nodülleri de vardır ve birçok şirket akciğer nodülü AI başlattı. Sınırlı senaryoda, doktorların riskli hastaları hızlı bir şekilde göstermelerine yardımcı olmak için çok sayıda akciğer kanseri görüntü taraması yapmak gibi çok yararlıdır. Bu çok yararlıdır. Bununla birlikte, günlük çalışmalarda, doktorlar sıradan hastaların göğüs görüntülerini analiz eder ve öğrenilmeyen birçok lezyonu kaçırırlar. Hedeflenen tasarım için tam bir tasarım çözümü olmaları gerekir.
Özetle, tıbbi yapay zeka klinik değerde önceden doğrulanmıştır ve olası sorunlarla tanındık ve yasalar ve düzenlemeler kademeli olarak iyileşti. Gelecekte tıbbi görüntülerin çok hızlı bir gelişme sağlayabileceğine inanıyorum.
Bu makalenin kaynağı: Dr. Yang Minglei, Doğu Yumuşak Tıbbi Yapay Zeka ve Klinik İnovasyon Araştırma Enstitüsü Enstitüsü Direktörü
