Ett exempel på visualisering med den föreslagna neurala nätverksarkitekturen, med en axiell vy (överst) och en 3D-vy (nederst). Cerebral grå, cerebral vit, och cerebellära gråämnen är dolda för bättre illustration. Kredit:IBM
Medicinsk bildbehandling skapar enorma mängder data:många akutmottagningsradiologer måste undersöka så många som 200 fall varje dag, och vissa medicinska studier innehåller upp till 3, 000 bilder. Varje patients bildsamling kan innehålla 250 GB data, i slutändan skapa samlingar över organisationer som är petabyte stora. Inom IBM Research, vi ser potential i att använda AI för att hjälpa radiologer att sålla igenom denna information, inklusive bildanalys från bröst, lever, och lungundersökningar.
IBM-forskare tillämpar djupinlärning för att upptäcka sätt att övervinna några av de tekniska utmaningar som AI kan möta när de analyserar röntgenstrålar och andra medicinska bilder. Deras senaste resultat kommer att presenteras vid den 21:a internationella konferensen om medicinsk bildberäkning och datorstödd intervention i Granada, Spanien, från 16 till 20 september.
Artificiella neurala nätverk kan ofta kämpa för att lära sig när de presenteras med en otillräcklig mängd träningsdata. Dessa nätverk står också inför utmaningen att identifiera mycket små regioner i bilder som visar anomalier, såsom knölar och massor, som kan representera cancer.
På MICCAI 2018, forskare från IBM Research-Almaden och IBM Research-Haifa kommer att presentera artiklar som beskriver nya tillvägagångssätt för djupt lärande som kan ha potential att hjälpa till att hantera några av dessa utmaningar.
Att lära sig av ofullständig data
IBM Research-Almaden Fellow Tanveer Syeda-Mahmood kommer att presentera en ny AI-nätverksdesign som visades i en studie vara kapabel att analysera dubbelt så många potentiella sjukdomsmarkörer i 3-D-bilder, samt noggrant segmenterade små strukturer i dessa bilder, på halva tiden som tidigare studerat AI-baserade nätverksarkitekturer.
Provresultat från en ny nätverksarkitektur visar den uppskattade fyrhörningen i rött och den som markerats av en radiolog i blått. Prestandan är en betydande förbättring jämfört med en tidigare arkitektur. Kredit:IBM
Djupa neurala nätverk som används för att träna AI-system kan ibland ha svårt att bryta ned medicinska bilder, en process som kallas segmentering. Detta kan innebära utmaningar för att exakt identifiera små sjukdomsmarkörer, begränsa användningen av dessa nätverk i kliniska miljöer. Projektet är vår första insats som riktar sig direkt mot denna utmaning.
Tränar AI med minimal data
Mehdi Moradi, IBM Research-Almadens chef för bildanalys och maskininlärningsforskning, och kollegor kommer att diskutera sin studie av neurala nätverksarkitekturer som tränades med hjälp av bilder och text för att automatiskt markera regioner av nya medicinska bilder som läkare kan undersöka noga för tecken på sjukdom.
Forskarna tränade ett nätverk med kombinerad bild- och textdata och ett andra nätverk med separerad text och bilder, eftersom det finns olika sätt som ett AI-baserat bildsystem kan ta emot input för att analysera. I studien, båda nätverken lokaliserade autonomt potentiella hälsohot vid lungröntgen med en noggrannhetsnivå som är jämförbar med den hos erfarna radiologer som analyserar och kommenterar samma bilder.
I dessa exempel på lesionsdetektering, röda konturer anger automatiskt detekterade par som motsvarar marksanningen; cyankonturer är falska positiva automatiska detekteringar som reducerades av algoritmen med dubbla vyer. Kredit:IBM
Att känna igen obskyra avvikelser
Forskare från IBM Research-Haifa i Israel utvecklade ett specialiserat djupt neuralt nätverk designat för massdetektering och lokalisering i bröstmammografi och kommer att presentera sina resultat vid MICCAI:s 4th Breast Image Analysis Workshop.
Standardbröstcancerscreening innebär att man tar två mammografiröntgenprojektioner för varje bröst och jämför synpunkterna för att hitta intressanta områden. Det nya nätverkets design inkluderade identiska "siamesiska" undernätverk, från vilka analyser jämfördes för att ta fram bildutvärderingar. Studien föreslog ett effektivt sätt att träna AI för att flagga områden med onormal och potentiellt cancerös bröstvävnad.
Eftersom antalet medicinska bilder tagna i USA når tiotals miljoner årligen, sjukvårdsorganisationer vänder sig alltmer till AI för att hjälpa dem att noggrant och effektivt analysera viktig information som finns i patient-MRI, datortomografi, och andra visuella diagnostiska hjälpmedel. En undersökning från 2015 Consumer Reports fann att 80 miljoner datortomografi endast utförs årligen i de amerikanska AI-infunderade bildbehandlingssystemen lovar att hjälpa läkare att sålla igenom ett stort antal bilder, planera behandlingsalternativ, och utföra kliniska studier.
Den här historien återpubliceras med tillstånd av IBM Research. Läs originalberättelsen här.
