Los científicos de investigación en Suiza han desarrollado y probado un modelo de IA fuerte que, según un nuevo estudio publicado hoy, separa automáticamente estructuras de anatomía importantes en las imágenes de la resonancia magnética. RadiolijiRevista de la Sociedad Radiológica de América del Norte (RSNA). En el estudio, el modelo mejora otras herramientas disponibles públicamente.
La resonancia magnética proporciona imágenes detalladas del cuerpo humano y es esencial para diagnosticar varias afecciones médicas, desde trastornos nerviosos hasta lesiones musculares. La interpretación de profundidad de las imágenes de resonancia magnética es el esquema o la marca de los órganos, los músculos y los huesos en las imágenes, conocidas como la clase.
“Las imágenes de resonancia magnética se distribuyen tradicionalmente manualmente, que es un proceso que requiere tiempo que requiere un profundo esfuerzo por parte de los radiólogos y está sujeto al cambio de lector internacional”. Basilea, Suiza. “Los sistemas automáticos pueden reducir potencialmente la carga del radio, reducir los errores humanos y proporcionar resultados más consistentes y reproductivos”.
El Dr. Vasarthal y sus colegas construyeron una herramienta de clase automática de código abierto, basada en NNU-NET, un marco hecho a sí mismo que ha establecido nuevos estándares en segmentos de imágenes médicas. Protege cualquier conjunto de datos nuevo con una intervención mínima del usuario, ajustar el rendimiento ajusta automáticamente sus estrategias de arquitectura, procesamiento previo y capacitación. Se está utilizando un modelo similar para CT (Total SeaGnettor CT) para actuar con más de 100,000 imágenes de CT diariamente en todo el mundo.
En un estudio anterior, los investigadores capacitaron a la resonancia magnética total de Segemintator para proporcionar segmentos gratuitos a las estructuras de anatomía más grandes utilizando los conjuntos de datos de muestreo de 616 MRI y 527 CT exámenes.
El conjunto de entrenamiento contenía 80 campos de estructura anatómica que se usan comúnmente para mediciones de volumen, característica de la enfermedad, planificación quirúrgica y detección oportunista.
“Nuestra innovación estaba creando un gran conjunto de datos”, dijo el Dr. Vasarthal. Nuestro modelo también funciona en varios escáneres de resonancia magnética y configuraciones de adquisición de imágenes “.
Para evaluar el rendimiento del modelo, la puntuación DICE, que mide cuántos conjuntos de datos son los mismos, se calculó entre el estándar de referencia radiológica para las clases y clases predichas. El modelo funcionó bien en 80 estructuras con una puntuación de dados de 0.839 en el conjunto de pruebas de resonancia magnética interna. También mejoró significativamente dos modelos de dos toques disponibles públicamente (0.862 V
Él dijo: “Según nuestro conocimiento, nuestro modelo es el único que puede separar automáticamente la mayor estructura de la resonancia magnética de cualquier orden”. “Este es un dispositivo que ayuda a mejorar el funcionamiento de los radiólogos, permite medir más precisos y permite otras medidas que tomarán mucho tiempo manualmente”.
Además de la investigación y el desarrollo de productos de IA, el Dr. Vasarathal dijo que este modelo puede usarse médicamente para monitorear el plan de tratamiento, el desarrollo de la enfermedad y la detección oportunista.
