Logre imágenes de alta SNR con Reconstrucción por Aprendizaje Profundo

Deep Learning

Los métodos de aprendizaje profundo (Deep learning) de la Red Neural Convolucional Profunda (Deep Convolutional Neural Network, DCNN) son capaces de procesar una enorme cantidad de datos a través de una red de nodos de tomas de decisiones o neuronas y están muy bien reconocidos por su excelente rendimiento en aplicaciones basadas en el reconocimiento de imágenes.

Deep Learning Reconstruction (DLR)

AiCE fue entrenado con una vasta cantidad de imágenes de MRI con un alto SNR, reconstruidas con un algoritmo avanzado, que es demasiado intensivo para su uso clínico. Este entrenamiento le enseñó a AiCE a distinguir entre la señal verdadera y el ruido. Los resultados fueron validados por un equipo de radiólogos, físicos médicos, especialistas en IA e investigadores clínicos, generando un completamente entrenado algoritmo de reconstrucción listo para su uso clínico.

El DCNN aprende cuales métodos son los mejores para mantener la resolución espacial y las propiedades de bajo ruido, contenidos en las imágenes de resonancia de alto SNR. Cuanto más variados los datos suministrados durante el entrenamiento, mejor el comportamiento del algoritmo final en términos de calidad de imagen y velocidad de procesamiento.

El DCNN esencialmente se programa a sí mismo para aprender, a comportarse en forma más precisa y eficiente con cada nueva tarea de entrenamiento. El entrenamiento es monitoreado por un ingeniero experto en IA y DCNN, quién puede variar alguna de las condiciones operativas para asegurar que se logre una óptima perfomance.

Luego el software se somete a una importante validación, donde es provisto solo con datos de baja calidad para que realice la reconstrucción basado en lo que ha aprendido. Las metas de imágenes de alta calidad no deben ser conocidos por DCNN y son utilizadas por el ingeniero de IA para evaluar precisión y rendimiento basados en varias métricas de calidad de imagen. Una vez validadas, la red neural es preservada a su rendimiento máximo donde contiene todo el conocimiento requerido para realizar una reconstrucción avanzada de calidad con, virtualmente, cualquier variación de tamaño del paciente.

Elimina  el ruido de manera inteligente

Las siguientes imágenes demuestran la sustracción de ruido de la misma imagen original utilizando un filtro convencional en comparación con AiCE. Con el filtro convencional, se ha eliminado parte de la información anatómica necesaria junto con el ruido, AiCE identifica de manera inteligente el ruido de la imagen original gracias a los algoritmos por Aprendizaje Profundo.

AiCE mejora la robustez de las imágenes paralelas

AiCE permite la reducción del ruido en el centro de la imagen que está directamente relacionado con las técnicas de imágenes paralelas. AiCE puede reducir, de forma adaptativa, el ruido no uniforme descrito por el factor g en imágenes en paralelo.
Contact Us