ERZIELEN SIE BILDER MIT HOHEM SNR MIT DEEP LEARNING RECONSTRUCTION

Deep Learning

Die Deep-Learning-Methoden des Deep Convolutional Neural Network (DCNN) können große Datenmengen durch ein Netzwerk von Entscheidungsfindungsknoten oder Neuronen verarbeiten, und sind dadurch für ihre hervorragende Leistung in bilderkennungsbasierten Anwendungen bekannt.

DEEP LEARNING REKONSTRUKTION (DLR)

AiCE wurde an großen Mengen von MRT-Bildern mit hohem SNR trainiert, die mit einem fortschrittlichen Algorithmus rekonstruiert wurden, der für den regulären klinischen Einsatz zu rechenintensiv ist. Dieses Training lehrte AiCE, echtes Signal von Rauschen zu unterscheiden. Die Ergebnisse wurden von einem Team aus Radiologen, Medizinphysikern, KI-Wissenschaftlern und klinischen Forschern validiert, wodurch ein schneller, vollständig trainierter Rekonstruktionsalgorithmus entstand, der für den klinischen Einsatz bereit ist.

Das DCNN lernt, welche Methoden am besten angewendet werden, um die räumliche Auflösung und die rauscharmen Eigenschaften von MR-Bildern mit hohem SNR aufrechtzuerhalten. Je mehr Datenvariationen während des Trainings bereitgestellt werden, desto besser wird der endgültige Algorithmus in Bezug auf Bildqualität und Verarbeitungsgeschwindigkeit abschneiden.

Das DCNN programmiert sich im Wesentlichen selbst, während es lernt, mit jeder neuen Trainingsaufgabe genauer und effizienter zu werden. Das Training wird von einem Entwickler mit Erfahrung in KI und DCNN überwacht, der einige Betriebsbedingungen variieren kann, um sicherzustellen, dass Spitzenleistungen erzielt werden.

Die Software durchläuft anschließend eine wichtige Validierung, bei der sie nur Daten von geringer Qualität erhält, um sie auf der Grundlage des Gelernten zu rekonstruieren. Die qualitativ hochwertigen Zielbilder müssen dem DCNN nicht bekannt sein und werden vom KI-Entwicklern verwendet, um die Genauigkeit und Leistung basierend auf verschiedenen Bildqualitätsmetriken zu bewerten. Nach dieser Validierung wird das neuronale Netzwerk mit all dem erlernten Wissen verpackt, um eine fortschrittliche und qualitativ hochwertige Rekonstruktion für praktisch jeder klinische Fragesetllung durchzuführen.

INTELLIGENTE RAUSCH-UNTERDRÜCKUNG

Die folgenden Bilder zeigen die Rauschsubtraktion aus demselben Originalbild unter Verwendung eines herkömmlichen Filters im Vergleich zu AiCE. Mit dem herkömmlichen Filter wurden einige notwendige anatomische Informationen zusammen mit dem Rauschen entfernt, AiCE identifiziert Rauschen intelligent aus dem Originalbild aufgrund der Deep-Learning-Algorithmen.

AICE VERBESSERT DIE ROBUSTHEIT DER PARALLELBILDGEBUNG

AiCE ermöglicht die Reduzierung von Rauschen in der Bildmitte, was in direktem Zusammenhang mit parallelen Bildgebungsverfahren steht. AiCE kann ungleichmäßiges Rauschen, das durch den g-Faktor in der parallelen Bildgebung beschrieben wird, adaptiv reduzieren.