Notícia

Aprendizado de máquina aplicado à Tomografia Computadorizada de baixa dose proporciona resultados superiores

Descobertas são forte argumento para aproveitar o poder da inteligência artificial na Tomografia Computadorizada

Getty Images

Fonte

Instituto Politécnico Rensselaer

Data

segunda-feira, 17 junho 2019 16:20

Áreas

Engenharia Biomédica. Informática Médica. Imagens e Diagnóstico. Radiologia. Tomografia.

O aprendizado de máquina tem o potencial de avançar significativamente na geração de imagens médicas, particularmente na tomografia computadorizada (TC), reduzindo a exposição à radiação e melhorando a qualidade da imagem. As novas descobertas foram publicadas na revista científica Nature Machine Intelligence por engenheiros do Instituto Politécnico Rensselaer e radiologistas do Hospital Geral de Massachusetts e da Escola Médica de Harvard, nos Estados Unidos.

De acordo com a equipe de pesquisa, os resultados publicados no periódico são um forte argumento para aproveitar o poder da inteligência artificial para melhorar as tomografias com baixa dosagem. “A dose de radiação tem sido um problema significativo para pacientes submetidos a tomografias computadorizadas. Nossa técnica de aprendizado de máquina é superior, ou, no mínimo, comparável às técnicas iterativas usadas neste estudo para permitir uma TC de baixa dose de radiação ”, disse o Dr. Ge Wang, o Professor de Engenharia Biomédica da Rensselaer, e um dos autores da pesquisa. “É uma conclusão de alto nível que carrega uma mensagem poderosa. É hora do aprendizado de máquina decolar rapidamente e, com sorte, assumir o controle. ”

As técnicas de tomografia computadorizada de baixas doses têm tido um foco significativo nos últimos anos, em um esforço para aliviar as preocupações sobre a exposição do paciente à radiação de raios-X associada a exames de TC amplamente usados. No entanto, a diminuição da radiação pode diminuir a qualidade da imagem.

Para resolver isso, engenheiros em todo o mundo projetaram técnicas de reconstrução iterativa para ajudar a filtrar e remover interferências de imagens de TC. O problema, segundo o Dr. Wang, é que esses algoritmos às vezes removem informações úteis ou alteram falsamente a imagem.

A equipe decidiu enfrentar esse desafio persistente usando uma estrutura de aprendizado de máquina. Especificamente, eles desenvolveram uma rede neural profunda dedicada e compararam seus melhores resultados com o melhor que três scanners comerciais de TC poderiam produzir com técnicas de reconstrução iterativa. O trabalho foi realizado em colaboração com o Dr. Mannudeep Kalra, professor de radiologia do Hospital Geral de Massachusetts e Escola Médica de Harvard, que também foi um autor do artigo científico.

Os pesquisadores estavam procurando determinar como seria o desempenho de sua abordagem de aprendizagem profunda em comparação com os algoritmos iterativos representativos selecionados atualmente sendo usados ​​clinicamente. Vários radiologistas avaliaram imagens de TC. Os algoritmos de aprendizagem profunda desenvolvidos pela equipe do Instituto Rensselaer tiveram desempenho tão bom quanto ou melhor do que as técnicas iterativas atuais na maioria dos casos, disse o Dr. Wang.

Os pesquisadores descobriram que seu método de aprendizagem profunda também é muito mais rápido e permite que os radiologistas ajustem as imagens de acordo com os requisitos clínicos, explicou o Dr. Mannudeep Kalra. Esses resultados positivos foram realizados sem acesso aos dados originais ou brutos de todos os scanners de TC.

O Dr. Wang disse que os resultados alcançados confirmam que o aprendizado de máquina profundo poderia ajudar a produzir imagens de TC mais seguras e precisas, ao mesmo tempo em que é mais rápido do que os algoritmos iterativos: “Estamos entusiasmados em mostrar à comunidade que os métodos de aprendizado de máquina são potencialmente melhores do que os métodos tradicionais”, conclui o especialista.

Acesse o resumo do artigo científico (em inglês).

Acesse a notícia completa na página do Instituto Politécnico Rensselaer (em inglês).

Fonte: Torie Wells, Instituto Politécnico Rensselaer. Imagem: Getty Images.

 

Os comentários constituem um espaço importante para a livre manifestação dos usuários, desde que cadastrados no Portal Tech4Health e que respeitem os Termos e Condições de Uso. Portanto, cada comentário é de responsabilidade exclusiva do usuário que o assina, não representando a opinião do Portal Tech4Health, que pode retirar, sem prévio aviso, comentários postados que não estejam de acordo com estas regras.

Leia também

Entre em Contato

Enviando

2019 Portal Tech4Health | Portal de Notícias, Conteúdos e Rede Profissional em Saúde e Tecnologias da Rede T4H.

ou

Fazer login com suas credenciais

ou    

Esqueceu sua senha?

ou

Create Account