Imágenes nítidas, claras y definidas. Con baja dosis.
Aprovechando el enorme poder computacional de una Red Neuronal Convolucional Profunda (DCNN), AiCE (Advanced Intelligent Clear-IQ Engine) está capacitado para diferenciar la señal del ruido, de modo tal que el algoritmo pueda eliminar el ruido mientras mejora la señal. Debido a que está entrenado con MBIR avanzado, presenta una alta resolución espacial. Pero a diferencia de MBIR, la Reconstrucción por Aprendizaje Profundo de AiCE supera los desafíos (apariencia de la imagen y/o velocidad de reconstrucción) de la práctica clínica.
Características de la Reconstrucción por Aprendizaje Profundo de AiCE:
- Nuestra mejor resolución de bajo contraste 1,3
- Dosis neutra de ultra alta resolución, líder en la industria 2
- Detectabilidad de bajo contraste, ruido y resolución espacial mejorados en relación con la reconstrucción híbrida iterativa
- Textura de ruido de imagen más similar a FBP en comparación con la reconstrucción de MBIR 3
- Rápida reconstrucción
- Flujo de trabajo sencillo
1,3 1.5mm @ 0.3%, 22 mGy
2 Aquilion Precision, Dosis neutra entreun modo de resolución ultra alta con AiCE y una modo de resolución normal con la reconstrucción híbrida iterativa.
3 Aquilion ONE / GENESIS Edition
Redefiniendo el balance entre IQ, velocidad y dosis.
Rápida velocidad de reconstrucción:
- De 3a 5 veces más rápido que MBIR
Alta calidad de imagen:
- Resolución espacial mejorada comparado con AIDR 3D
- Detectabilidad de Bajo Contraste mejorada comprado con AIDR 3D
- Apariencia del ruido de la imagen de mayor similitud al método FBP (Filtered Back Projection) 1
1 En comparación con MBIR, sólo aplicable a AiCE en Aquilion ONE / GENESIS Edition
Low Contrast Detectability*
Body, Lung and Cardiac
| Object Size | CTDIvol |
| 3 mm at 0.3% | 5.3 mGy |
| 2 mm at 0.3% | 10.5 mGy |
| 1.5mm at 0.3% | 22.6 mGy |
| Scan Parameters | |
| 10mm with AiCE Body | |
| Phantom | |
| CTP344, Phantom Labs | |
*Aquilion ONE / GENESIS Edition
Whitepaper
AiCE Deep Learning Reconstruction:
Bringing the power of Ultra-High Resolution CT to routine imaging
Kirsten Boedeker, PhD, DABR
Senior Manager, Medical Physics
Canon Medical Systems Corporation
PUBLICACIONES CIENTIFICAS
Chuluunbaatar et. al | La reconstrucción con aprendizaje profundo permite el uso de un agente de contraste de menor concentración para la ATC coronaria que la retroproyección filtrada y la reconstrucción iterativa híbrida | Acta Radiol. (2023)
https://pubmed.ncbi.nlm.nih.gov/35979586/
Goto et al. | Reconstrucción basada en aprendizaje profundo optimizada para los pulmones para TC de dosis ultrabaja | Acad Radiol. (2023)
https://pubmed.ncbi.nlm.nih.gov/35738988/
Ludes et al. | Impacto de una carga reducida de yodo con reconstrucción de aprendizaje profundo en la TCMD abdominal | Medicina (Baltimore). (2023)
https://pubmed.ncbi.nlm.nih.gov/37657067/
Zhang et al. | Comparación de la calidad de la imagen de la ATC de las extremidades inferiores entre los algoritmos de reconstrucción de rutina de la TC y la reconstrucción de aprendizaje profundo | Imágenes médicas de BMC (2023)
https://pubmed.ncbi.nlm.nih.gov/36800947/
Chuluunbaatar et al. | Mejora de la calidad de la imagen y la visibilidad de las arterias coronarias, los stents y las estructuras valvulares en la angiografía por TC mediante la reconstrucción con aprendizaje profundo | J Radiol. (2022)
https://pubmed.ncbi.nlm.nih.gov/36196766/
Greffer et al. | Efecto de un nuevo algoritmo de reconstrucción de imágenes de aprendizaje profundo para tomografía computarizada abdominal sobre la calidad de la imagen y la reducción de dosis en comparación con dos algoritmos de reconstrucción iterativos: un estudio fantasma | Imágenes Cuantitativas en Medicina y Cirugía (2022)
https://pubmed.ncbi.nlm.nih.gov/34993074/
Michallek et al. | La reconstrucción con aprendizaje profundo mejora la estabilidad de las funciones radiómicas y el poder discriminativo en la TC abdominal: un estudio fantasma | Euro Radiol. (2022)
https://pubmed.ncbi.nlm.nih.gov/35174400/
Mikayama et al. | Reconstrucción de aprendizaje profundo para TC pulmonar de dosis ultrabaja: precisión de la medición volumétrica y reproducibilidad de nódulos artificiales de vidrio esmerilado en un estudio fantasma | H. J. Radiol. (2022)
https://pubmed.ncbi.nlm.nih.gov/34908478/
Takafuji et al. | Reconstrucción de aprendizaje profundo para mejorar la calidad de la imagen de la perfusión dinámica por TC del miocardio: comparación con la reconstrucción iterativa híbrida | Clín Radiol. (2022)
https://pubmed.ncbi.nlm.nih.gov/35853777/
Tanabe et al. |Reconstrucción basada en aprendizaje profundo de tomografía computarizada de ultra alta resolución de tórax y evaluaciones cuantitativas de vías respiratorias más pequeñas | Respir Investigar. (2022)
https://pubmed.ncbi.nlm.nih.gov/34824028/
Zhang et al. | Valor de la reconstrucción con aprendizaje profundo en TC de dosis ultrabaja para la evaluación de la urolitiasis | Radiología Europea (2022)
https://pubmed.ncbi.nlm.nih.gov/35357541/
Bernardo y col. | Reconstrucción de aprendizaje profundo versus reconstrucción iterativa para angiografía por TC cardíaca en un protocolo de imágenes de accidente cerebrovascular: dosis de radiación reducida y calidad de imagen mejorada | Quant Imaging Med Surg. (2021)
https://pubmed.ncbi.nlm.nih.gov/33392038/
Chuluunbaatar et al. | Mejora de la representación de las arterias intracraneales en la angiografía por TC cerebral mediante reconstrucción con aprendizaje profundo | J Integr Neurosci. (2021)
https://pubmed.ncbi.nlm.nih.gov/34997719/
McLeavy et al. | El futuro de la TC: reconstrucción del aprendizaje profundo | Clín Radiol. (2021)
https://pubmed.ncbi.nlm.nih.gov/33637310/
Tamura et al. | Calidad de imagen objetiva y subjetiva superior de la reconstrucción con aprendizaje profundo para imágenes por TC abdominal de dosis baja en comparación con la reconstrucción iterativa basada en modelos y la retroproyección filtrada | H. J. Radiol. (2021)
https://pubmed.ncbi.nlm.nih.gov/34142867/
Lenfant et al. | Aprendizaje profundo versus reconstrucción iterativa para angiografía pulmonar por TC en situaciones de emergencia: calidad de imagen mejorada y dosis de radiación reducida | Diagnóstico (2020)
https://pubmed.ncbi.nlm.nih.gov/32759874/
Nakamura et al. | Posibilidad de aprendizaje profundo i
https://pubmed.ncbi.nlm.nih.gov/35979586/
Goto et al. | Reconstrucción basada en aprendizaje profundo optimizada para los pulmones para TC de dosis ultrabaja | Acad Radiol. (2023)
https://pubmed.ncbi.nlm.nih.gov/35738988/
Ludes et al. | Impacto de una carga reducida de yodo con reconstrucción de aprendizaje profundo en la TCMD abdominal | Medicina (Baltimore). (2023)
https://pubmed.ncbi.nlm.nih.gov/37657067/
Zhang et al. | Comparación de la calidad de la imagen de la ATC de las extremidades inferiores entre los algoritmos de reconstrucción de rutina de la TC y la reconstrucción de aprendizaje profundo | Imágenes médicas de BMC (2023)
https://pubmed.ncbi.nlm.nih.gov/36800947/
Chuluunbaatar et al. | Mejora de la calidad de la imagen y la visibilidad de las arterias coronarias, los stents y las estructuras valvulares en la angiografía por TC mediante la reconstrucción con aprendizaje profundo | J Radiol. (2022)
https://pubmed.ncbi.nlm.nih.gov/36196766/
Greffer et al. | Efecto de un nuevo algoritmo de reconstrucción de imágenes de aprendizaje profundo para tomografía computarizada abdominal sobre la calidad de la imagen y la reducción de dosis en comparación con dos algoritmos de reconstrucción iterativos: un estudio fantasma | Imágenes Cuantitativas en Medicina y Cirugía (2022)
https://pubmed.ncbi.nlm.nih.gov/34993074/
Michallek et al. | La reconstrucción con aprendizaje profundo mejora la estabilidad de las funciones radiómicas y el poder discriminativo en la TC abdominal: un estudio fantasma | Euro Radiol. (2022)
https://pubmed.ncbi.nlm.nih.gov/35174400/
Mikayama et al. | Reconstrucción de aprendizaje profundo para TC pulmonar de dosis ultrabaja: precisión de la medición volumétrica y reproducibilidad de nódulos artificiales de vidrio esmerilado en un estudio fantasma | H. J. Radiol. (2022)
https://pubmed.ncbi.nlm.nih.gov/34908478/
Takafuji et al. | Reconstrucción de aprendizaje profundo para mejorar la calidad de la imagen de la perfusión dinámica por TC del miocardio: comparación con la reconstrucción iterativa híbrida | Clín Radiol. (2022)
https://pubmed.ncbi.nlm.nih.gov/35853777/
Tanabe et al. |Reconstrucción basada en aprendizaje profundo de tomografía computarizada de ultra alta resolución de tórax y evaluaciones cuantitativas de vías respiratorias más pequeñas | Respir Investigar. (2022)
https://pubmed.ncbi.nlm.nih.gov/34824028/
Zhang et al. | Valor de la reconstrucción con aprendizaje profundo en TC de dosis ultrabaja para la evaluación de la urolitiasis | Radiología Europea (2022)
https://pubmed.ncbi.nlm.nih.gov/35357541/
Bernardo y col. | Reconstrucción de aprendizaje profundo versus reconstrucción iterativa para angiografía por TC cardíaca en un protocolo de imágenes de accidente cerebrovascular: dosis de radiación reducida y calidad de imagen mejorada | Quant Imaging Med Surg. (2021)
https://pubmed.ncbi.nlm.nih.gov/33392038/
Chuluunbaatar et al. | Mejora de la representación de las arterias intracraneales en la angiografía por TC cerebral mediante reconstrucción con aprendizaje profundo | J Integr Neurosci. (2021)
https://pubmed.ncbi.nlm.nih.gov/34997719/
McLeavy et al. | El futuro de la TC: reconstrucción del aprendizaje profundo | Clín Radiol. (2021)
https://pubmed.ncbi.nlm.nih.gov/33637310/
Tamura et al. | Calidad de imagen objetiva y subjetiva superior de la reconstrucción con aprendizaje profundo para imágenes por TC abdominal de dosis baja en comparación con la reconstrucción iterativa basada en modelos y la retroproyección filtrada | H. J. Radiol. (2021)
https://pubmed.ncbi.nlm.nih.gov/34142867/
Lenfant et al. | Aprendizaje profundo versus reconstrucción iterativa para angiografía pulmonar por TC en situaciones de emergencia: calidad de imagen mejorada y dosis de radiación reducida | Diagnóstico (2020)
https://pubmed.ncbi.nlm.nih.gov/32759874/
Nakamura et al. | Posibilidad de aprendizaje profundo i
Due to medical device regulatory reasons, not all products/service displayed on this Canon Medical Systems Argentina webpage are available in all countries, regions or markets. Future availability of the products/service cannot also be guaranteed. Please contact your local Canon Medical Systems representative for further details.
