amerikali
Yeni Üye
TU Graz'daki araştırmacılar, gerçek zamanlı MRI'nın video kalitesini artırmayı başardılar. Daha az ve bulanık eğitim görüntülerine rağmen, kendi makine öğrenimi modelimiz, atlanan içeriği ekleyerek birkaç çalıştırmanın ardından iyi görüntüler sunmayı başarıyor. Prosedür aynı zamanda diğer MRI uygulamalarına da eşleştirilebilir ve gelecekte zamandan ve paradan tasarruf sağlaması beklenmektedir.
Reklamcılık
Gerçek zamanlı bir MRI, hareket dizilerini incelerken içeriye bakmanıza olanak tanır. Bu, örneğin atan kalbin veya eklemin ve yutkunma hareketlerinin değerlendirilmesi gerektiğinde anlamlı hale gelir. Statik MR görüntüleri ile karşılaştırıldığında doktorlar durumu gerçek zamanlı olarak görüyor. Ancak bu, görüntü kalitesinden ödün verilmesine neden olur.
Zorluk neydi
Biyomedikal Görüntüleme Enstitüsü'nden Martin Uecker ve Moritz Blumenthal liderliğindeki ekip, artık görüntü kalitesini artıran ve gelecekte maliyet ve zamandan tasarruf sağlayan yapay zeka destekli bir süreç geliştirmeyi başardı.
Zorluk: Genellikle yapay zeka modellerini eğitmek için kullanılanlar gibi, sinir ağlarını eğitmek için başlangıç malzemesi olarak mükemmel görüntüler yoktur. Gerçek zamanlı MRI görüntüleri alanında araştırmacıların tamamen keskin olmayan birkaç görüntüye güvenmesi gerekiyor. Bu sorunu çözmek için bilim insanları, makine öğrenimi modellerinde “kendi kendini denetleyen öğrenme” sürecini kullanıyor. Bunu yapmak için ekip, mevcut görsellerin bir alt kümesini kaldırır ve görsel, kaldırılan motiflerle eşleşene kadar modelin bunlara ekleme yapmasına izin verir. Sonuç olarak daha hassas gerçek zamanlı görüntüler elde edilir.
Moritz Blumenthal süreci şu şekilde açıklıyor: “MRI makinesinin sağladığı ölçüm verilerini iki parçaya ayırdık. Makine öğrenimi modelimiz, görüntüyü ilk, daha büyük veri kısmından yeniden oluşturuyor. Daha sonra bilgiyi bulmak için görüntüyü kullanmaya çalışıyor. ölçüm verilerinin ikinci kısmını hesaplamak için ondan alıkonulmuştur.” Bu adımlar, sistem birkaç deneme sonrasında iyi bir görüntünün nasıl hesaplanacağını öğrenene kadar tekrarlanır.
Şu anda pratik kullanımda değil
Uygulama şu anda pratikte kullanılmıyor ancak daha sonra zamandan ve paradan tasarruf etmek için kantitatif MRI alanında (örneğin doku değerlendirmesi için) de kullanılabilir. Martin Uecker şöyle açıklıyor: “Bu, radyologların görüntüleri ampirik değerlere dayalı parlaklık farklılıklarına dayalı olarak yorumlamak yerine teşhis için kesin verilere güvenebilecekleri anlamına geliyor.” Yeni model sayesinde herhangi bir kalite kaybı yaşanmaz.
Essen Üniversite Hastanesi'nde yapay zekaya odaklanan Radyoloji Profesörü Felix Nensa, bir röportajda yapay zekanın radyolojide halihazırda nasıl kullanıldığını açıklıyor. Yapay zekalı sistemlerin kullanımı özellikle radyoloji alanında, örneğin tümör görüntülerinin karşılaştırılmasında faydalıdır. Bu tür uygulamalar uzun süredir ikinci görüş ve ihbar aracı olarak kullanılıyor.
(yüksek)
Reklamcılık
Gerçek zamanlı bir MRI, hareket dizilerini incelerken içeriye bakmanıza olanak tanır. Bu, örneğin atan kalbin veya eklemin ve yutkunma hareketlerinin değerlendirilmesi gerektiğinde anlamlı hale gelir. Statik MR görüntüleri ile karşılaştırıldığında doktorlar durumu gerçek zamanlı olarak görüyor. Ancak bu, görüntü kalitesinden ödün verilmesine neden olur.
Zorluk neydi
Biyomedikal Görüntüleme Enstitüsü'nden Martin Uecker ve Moritz Blumenthal liderliğindeki ekip, artık görüntü kalitesini artıran ve gelecekte maliyet ve zamandan tasarruf sağlayan yapay zeka destekli bir süreç geliştirmeyi başardı.
Zorluk: Genellikle yapay zeka modellerini eğitmek için kullanılanlar gibi, sinir ağlarını eğitmek için başlangıç malzemesi olarak mükemmel görüntüler yoktur. Gerçek zamanlı MRI görüntüleri alanında araştırmacıların tamamen keskin olmayan birkaç görüntüye güvenmesi gerekiyor. Bu sorunu çözmek için bilim insanları, makine öğrenimi modellerinde “kendi kendini denetleyen öğrenme” sürecini kullanıyor. Bunu yapmak için ekip, mevcut görsellerin bir alt kümesini kaldırır ve görsel, kaldırılan motiflerle eşleşene kadar modelin bunlara ekleme yapmasına izin verir. Sonuç olarak daha hassas gerçek zamanlı görüntüler elde edilir.
Moritz Blumenthal süreci şu şekilde açıklıyor: “MRI makinesinin sağladığı ölçüm verilerini iki parçaya ayırdık. Makine öğrenimi modelimiz, görüntüyü ilk, daha büyük veri kısmından yeniden oluşturuyor. Daha sonra bilgiyi bulmak için görüntüyü kullanmaya çalışıyor. ölçüm verilerinin ikinci kısmını hesaplamak için ondan alıkonulmuştur.” Bu adımlar, sistem birkaç deneme sonrasında iyi bir görüntünün nasıl hesaplanacağını öğrenene kadar tekrarlanır.
Şu anda pratik kullanımda değil
Uygulama şu anda pratikte kullanılmıyor ancak daha sonra zamandan ve paradan tasarruf etmek için kantitatif MRI alanında (örneğin doku değerlendirmesi için) de kullanılabilir. Martin Uecker şöyle açıklıyor: “Bu, radyologların görüntüleri ampirik değerlere dayalı parlaklık farklılıklarına dayalı olarak yorumlamak yerine teşhis için kesin verilere güvenebilecekleri anlamına geliyor.” Yeni model sayesinde herhangi bir kalite kaybı yaşanmaz.
Essen Üniversite Hastanesi'nde yapay zekaya odaklanan Radyoloji Profesörü Felix Nensa, bir röportajda yapay zekanın radyolojide halihazırda nasıl kullanıldığını açıklıyor. Yapay zekalı sistemlerin kullanımı özellikle radyoloji alanında, örneğin tümör görüntülerinin karşılaştırılmasında faydalıdır. Bu tür uygulamalar uzun süredir ikinci görüş ve ihbar aracı olarak kullanılıyor.
(yüksek)