Jak vědci používají radiologii napájenou umělou inteligencí

Poskytování kvalitní zdravotní péče a screeningových testů venkovskému obyvatelstvu v zemi tak velké jako Indie je hlavní výzvou:

• 67 procent indické populace žije ve venkovských oblastech;
• 90 procent lékařských zobrazovacích zařízení je ve městech;
• A na každý milion lidí v zemi existují pouze tři radiologové.

Zatímco programy zdravotní výchovy zvyšují povědomí o důležitosti lékařských vyšetření v Indii; tím se zvýšila zátěž pro několik již přetížených radiologů. Výsledkem je, že radiologové mají ještě méně času na stanovení podrobných diagnóz. Lékařská profese závodí s časem, aby zlepšila vyhlídky všech indiánů, a pokrok, který potřebuje, by mohla být umělá inteligence (AI).

Pokročilá detekce pomocí hlubokých neuronových sítí

Projekt MIRIAD, vedený docentem Debdoot Sheet, zkoumá způsoby, jak mohou hluboké neurální sítě (DNN) vyvíjet radiologické detekční techniky založené na umělé inteligenci, aby zachránily životy a zlepšily zdravotní péči v Indii.

Výzvou podle Debdoota je, jak zvládnout diverzitu velkého rozsahu v různých lékařských zobrazovacích metodách, včetně rentgenových paprsků, počítačové tomografie (CT), zobrazování magnetickou rezonancí (MRI) a histopatologického zobrazení plného sklíčka (WSI). ). Kromě toho má povaha obrazových dat oblastně specifické aspekty, stejně jako modalitu a orgánově specifický vzhled poranění a nemoci. „Počet kanálů v těchto obrazech není vždy omezen na 1 (stupně šedi) nebo 3 (barvy RGB). Tyto faktory zhoršují problém s detekcí objektů, “říká Debdoot.

Navzdory těmto výzvám byl prvním velkým úspěchem projektu MIRIAD vývoj motoru pro hlubokou neurální kompresi pro mamografy. Tým je také v pokročilých fázích porovnáním dostupných DNN pro mamografii a rentgenové vyšetření hrudníku.

Hluboká komprese založená na učení

Tým Debdoot, inspirovaný hlubokou kompresí založenou na učení pro přirozené zobrazování, navrhl a vyškolil plně konvoluční model automatického kódování pro kompresi mamogramů při zachování diagnostických funkcí.

Použití aritmetického kódování k zapouzdření velkého množství prostorové redundance ve vlastnostech pro další zabalení kódu s vysokou hustotou, což vede k proměnlivé délce bitů; Tým ukázal kompresní faktory> 300 × (0,04 bpp) ve dvou veřejných souborech dat digitální mamografie s použitím nejvyššího poměru signálu k šumu (pSNR), indexu strukturální podobnosti (SSIM) a oblasti testů adaptability mezi datovými soubory.

Na obrázku níže jsou uvedeny podrobnosti o architektuře DNN, kterou tým používá ke kompresi mamogramů s vysokou hustotou.

Obrázek 1. Technika komprese mamogramů s vysokou hustotou.

Pomocné technologie

K trénování DNN tým Debdoot použil Intel® AI DevCloud běžící na procesorech Intel® Xeon® Platinum 8160 a Intel® Xeon® Gold 6128. Intel® Distribution for Networks, Intel® Math Kernel Library (Intel® MKL) and Intel® Math Kernel Library (Intel® MKL-DNN) and Python * 3.5 for Deep Neural Networks.

Inženýři společnosti Intel zrychlili školení DNN na smíšených přesných datových sadách a pomohli týmu dosáhnout maximální optimalizace. K tomuto úspěchu byl zásadní přístup k řadě softwarových zdrojů a síti podpory vývojářů.

Pro vývojáře začínající projekty podobné Project MIRIAD poskytuje Začínáme s Intel AI DevCloud dobrý úvod do optimalizovaných softwarových nástrojů a referenčních platforem společnosti Intel.

Příležitosti pro vývojáře

Architektury a metody komprese rentgenového obrazu založené na efektivním vnímání a učení radiologického obrazu mají potenciál zlepšit vzhled u všech pacientů účastnících se dávkových screeningových programů. Výsledkem je mnoho příležitostí pro vývojáře, kteří mohou pomocí umělé inteligence pomáhat výrobcům počítačově podporovaného lékařského zobrazovacího a detekčního zařízení (CADx).