Deep Learning
Die Deep-Learning-Methode des Deep Convolutional Neural Network (DCNN) ist in der Lage große Datenmengen durch ein Netzwerk von Entscheidungsknoten, bzw. Neuronen, zu bearbeiten. DCNNs sind bekannt für exzellentes Verhalten bei Anwendungen der Bilderkennung.
Deep Learning Reconstruction (DLR)
AiCE wurde mit einer sehr großen Datenmenge von MR-Bildern mit hohem SNR und korrespondierenden Bildern mit niedrigem SNR trainiert. So lernt AiCE den Unterschied zwischen echtem Signal und Rauschen. Die Ergebnisse wurden von einem Team aus Radiologen, Medizinphysikern, KI-Spezialisten und klinischen Forschern validiert. So wurde ein schneller und austrainierter Rekonstruktionsalgorithmus für den klinischen Alltag entwickelt.
Das DCNN programmiert den eigentlichen Rekonstruktionsalgorithmus in der Trainingsphase selbst. Dabei ist es wichtig, dass die Bilder sorgfältig gewählt werden, um die Trainingsziele, wie hohes SNR ohne Verlust der Auflösung, zu erreichen. Durch eine große Menge von Bilddaten und Variationen von beispielsweise Bildgewichtung und Auflösung wird der finale Algorithmus optimiert. Während des Trainings wird das Ergebnis unter anderem von DCNN-Spezialisten überwacht, um ein optimales Ergebnis zu erreichen.
Dieser finale Algorithmus wird in einer ersten Evaluierungsphase dann auf Bilder mit niedriger Bildqualität angewendet, ohne dass dem DCNN die hochwertigen Bilder bekannt sind. Besteht das DCNN den Vergleich, wird der Algorithmus verpackt und lässt keine Änderungen mehr zu. Der „verpackte Algorithmus“ wird dann klinisch evaluiert, um bei praktisch jedem Patienten, egal wie groß oder schwer zu funktionieren.
Ist auch diese Evaluierung bestanden, kann er als AiCE für den klinischen Kunden freigegeben werden.
