Nuevas herramientas de código abierto para ver resonancias nucleares en FaceBook del NY School of medice

Nuevas herramientas de investigación de AI de código abierto fastMRI de Facebook y NYU School of Medicine.

Facebook AI Research (FAIR) y el Centro de Investigación e Innovación en Imágenes Avanzadas (CAI²R) de la Escuela de Medicina de la Universidad de Nueva York están compartiendo nuevas herramientas y datos de código abierto como parte de fastMRI, un proyecto de investigación conjunto para estimular el desarrollo de sistemas de IA para acelerar el estudio de imágenes por resonancia magnética. a 10x. Los lanzamientos de hoy incluyen nuevos modelos de AI y líneas de base para esta tarea (como se describe en nuestro artículo aquí). También incluye el primer conjunto de datos de resonancia magnética a gran escala de su tipo, que puede servir como punto de referencia para futuras investigaciones.

Al compartir un conjunto estandarizado de herramientas de inteligencia artificial y datos de resonancia magnética, además de alojar una tabla de clasificación donde los equipos de investigación pueden comparar sus resultados, nuestro objetivo es ayudar a mejorar la tecnología de diagnóstico por imagen y, finalmente, aumentar el acceso de los pacientes a una tecnología poderosa que a veces puede salvar vidas. . Con las nuevas técnicas de inteligencia artificial, esperamos generar escaneos que requieren mucho menos datos de medición para producir el detalle de imagen necesario para la detección precisa de anomalías. Compartir este conjunto de recursos refleja la misión de fastMRI, que consiste en involucrar a la comunidad más amplia de investigadores de IA e imágenes médicas en lugar de desarrollar métodos patentados para acelerar la imagen de RM.

Precisión mejorada con mayores datos de entrenamiento: este gráfico muestra el impacto de cuatro tamaños de conjuntos de entrenamiento en el rendimiento de nuestros modelos de línea de base ML, que utilizaron una arquitectura de red neuronal U-net. Cuantos más casos de IRM en los que se entrenó el sistema, menor fue su pérdida, lo que indica que las predicciones de la imagen tenían más probabilidades de ser precisas.

Precisión mejorada con mayores datos de entrenamiento: este gráfico muestra el impacto de cuatro tamaños de conjuntos de entrenamiento en el rendimiento de nuestros modelos de línea de base ML, que utilizaron una arquitectura de red neuronal U-net. Cuantos más casos de IRM en los que se entrenó el sistema, menor fue su pérdida, lo que indica que las predicciones de la imagen tenían más probabilidades de ser precisas.

Este trabajo también nos ayuda a abordar problemas de investigación fundamentales relacionados con el uso de AI para generar imágenes a partir de datos limitados. A diferencia de la investigación en la que las redes neuronales crean imágenes que se asemejan a las pinturas, los diseños de moda u otros ejemplos de verdad básica en los que se entrenaron, las imágenes creadas por AI, construidas a partir de exploraciones aceleradas (que proporcionan menos datos) también deben ser tan precisas y ricas en detalles como imágenes estándar de MR. El éxito en esta difícil tarea podría hacer avanzar el estado de la IA y, al mismo tiempo, realizar mejoras significativas en la atención al paciente.

La primera base de datos a gran escala para reconstruir imágenes de resonancia magnética
En las más de cuatro décadas desde que se introdujo la RM médica, los investigadores han intentado acortar los largos tiempos de exploración de la tecnología, lo que a veces puede requerir que los pacientes permanezcan estacionarios durante más de una hora. Pero en 2016, la investigación de la NYU School of Medicine demostró que el aprendizaje automático (ML) podría reducir significativamente la duración de la exploración al generar imágenes completas de RM a partir de datos parciales. Durante un solo examen, los dispositivos de IRM recopilan una serie de mediciones espaciales 2D individuales, conocidas como datos del espacio k en la comunidad de imágenes médicas, y las convierten en varias imágenes. Al capacitar a las redes neuronales en una gran cantidad de datos del espacio k, esta técnica de reconstrucción de imágenes permite exploraciones iniciales menos detalladas, con el sistema AI que genera imágenes completas a partir de una cantidad limitada de datos. Esto incluye la producción de detalles de imagen que podrían indicar un tumor, un vaso sanguíneo roto u otra característica de diagnóstico clave.

El objetivo final del proyecto fastMRI es usar la reconstrucción de imágenes impulsada por AI para lograr una reducción de hasta 10 veces en los tiempos de escaneo. Para comenzar, estamos proporcionando modelos de referencia para la reconstrucción de imágenes basadas en ML a partir de datos de k-space subsampleados a 4x y 8x aceleraciones de escaneo. Y ya hemos visto resultados preliminares prometedores para acelerar las imágenes de RM hasta cuatro veces.

"Estamos entusiasmados de que nuestro trabajo preliminar con factores de aceleración de hasta cuatro haya mostrado intercambiabilidad con las imágenes convencionales. Esperamos que el lanzamiento de este conjunto de datos emblemáticos, la mayor colección de datos en bruto de MRI totalmente muestreados, proporcione a los investigadores las herramientas necesarias para lograr factores de aceleración aún mayores ", dice Michael P. Recht, MD, Presidente y Louis Marx Profesor de Radiología en NYU Langone Health.

Uno de los desafíos que enfrenta el nuevo campo de investigación de la reconstrucción de MR es la consistencia, ya que los equipos utilizan una variedad de conjuntos de datos diferentes para entrenar sus sistemas de inteligencia artificial. Al lanzar la base de datos de código abierto más grande de MR diseñada para abordar el problema de la reconstrucción de la imagen de MR, NYU School of Medicine, una parte de NYU Langone Health, espera proporcionar un conjunto de datos de referencia en toda la industria. Al igual que la introducción del conjunto de datos de ImageNet ampliamente utilizado mejoró el estado de la investigación en visión por computadora, el conjunto de datos de fastMRI podría ayudar a organizar y acelerar el trabajo relacionado con la reconstrucción de MR. Esta versión inicial incluye aproximadamente 1.5 millones de imágenes MR extraídas de 10,000 escaneos, así como datos de medición sin procesar de casi 1,600 escaneos. Como todos los datos utilizados o liberados por el fastMRI.

Referencias

https://code.fb.com/ai-research/fastmri/

Comentarios

Publicar un comentario

Entradas más populares de este blog

ESCANEO DEL CODIGO PDF417 DEL DNI (Documento Nacional de Identidad digital)

¿Que tipos de Mensajes de HL7 hay?

¿Que es Razor?