Consiga imágenes de alto SNR con Reconstrucción por Aprendizaje Profundo
Deep Learning
Los métodos de aprendizaje profundo (Deep Learning) de la Red neuronal convolucional profunda (DCNN) pueden procesar enormes cantidades de datos a través de una red de nodos de toma de decisiones o neuronas, y son bien considerados por su excelente rendimiento en aplicaciones basadas en el reconocimiento de imágenes.
Deep Learning Reconstruction (DLR)
AiCE fue entrenado en grandes cantidades de imágenes de alta calidad reconstruidas con un algoritmo avanzado que es computacionalmente intensivo para uso clínico. Este entrenamiento le enseñó a AiCE a distinguir la señal verdadera del ruido. Los resultados fueron validados por un equipo de radiólogos, físicos médicos, científicos de AI e investigadores clínicos, produciendo un algoritmo de reconstrucción rápido y completamente entrenado listo para uso clínico.
El DCNN aprende qué métodos se aplican mejor para mantener la resolución espacial y las propiedades de bajo ruido contenidas en el algoritmo MBIR avanzado. Cuantas más variaciones de datos se suministren durante el entrenamiento, mejor será el rendimiento del algoritmo final en términos de calidad de imagen y velocidades de procesamiento.
El DCNN se programa esencialmente a sí mismo a medida que aprende, para ser más preciso y más eficiente con cada nueva tarea de capacitación. La capacitación es supervisada por un ingeniero con experiencia en AI y DCNN, que puede variar algunas condiciones de operación para garantizar que se logren los mejores resultados.
El software se somete a una validación importante, donde se le proporciona solo datos de baja calidad para reconstruir en función de lo que ha aprendido. DCNN no debe conocer las imágenes objetivo de alta calidad y el ingeniero de inteligencia artificial las utiliza para evaluar la precisión y el rendimiento en función de varias métricas de calidad de imagen. Una vez validada, la red neuronal se ajusta al máximo rendimiento donde contiene todo el conocimiento requerido para realizar una reconstrucción avanzada y de calidad a partir de prácticamente cualquier variación del tamaño del paciente y la dosis de exposición.
Elimina el ruido de forma 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 solidez de las imágenes en paralelo
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.