Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Please note that the MedImaging website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Ampronix,  Inc

Deascargar La Aplicación Móvil




Eventos

ATENCIÓN: Debido a la EPIDEMIA DE CORONAVIRUS, ciertos eventos están siendo reprogramados para una fecha posterior o cancelados por completo. Verifique con el organizador del evento o el sitio web antes de planificar cualquier evento próximo.
11 jun 2020 - 13 jun 2020

Red neural artificial mejora la detección del cáncer de próstata

Por el equipo editorial de MedImaging en español
Actualizado el 06 May 2019
Print article
Imagen: Las nuevas investigaciones sugieren que la inteligencia artificial pronto hará redundantes a los radiólogos (Fotografía cortesía de 123rf.com).
Imagen: Las nuevas investigaciones sugieren que la inteligencia artificial pronto hará redundantes a los radiólogos (Fotografía cortesía de 123rf.com).
Un sistema nuevo de inteligencia artificial (IA) identifica y predice la agresividad del cáncer de próstata (CaP) con el mismo nivel de exactitud que los radiólogos experimentados.

Desarrollado en la Universidad de California, Los Ángeles (UCLA; EUA), FocalNet es una red neuronal convolucional (CNN) que utiliza un algoritmo con más de un millón de variables que se pueden entrenar. La CNN se entrenó con el uso de imágenes de resonancia magnética multiparamétricas (mp-RM) de 417 hombres con CaP antes de la prostatectomía laparoscópica asistida por robot (RALP). Para aprender cómo clasificar la agresividad del tumor utilizando la puntuación de Gleason (GS), los resultados se compararon con la muestra de patología real. Luego compararon los resultados del sistema de IA con las lecturas de los radiólogos de UCLA que tenían más de 10 años de experiencia.

Los resultados revelaron que en el análisis de las características operativas del receptor de respuesta libre (FROC) para la detección de lesiones, FocalNet mostró una sensibilidad del 89,7% y 87,9% para las lesiones índice y las lesiones clínicamente significativas, respectivamente. Con la comparación con el desempeño prospectivo de los radiólogos que utilizan las guías de diagnóstico actuales, FocalNet demostró una sensibilidad de detección para lesiones clínicamente significativas (80,5%) comparable a la de los radiólogos con al menos 10 años de experiencia (83,9%). El estudio se presentó en el Simposio Internacional IEEE sobre Imágenes Biomédicas (ISBI), que se realizó en abril de 2019 en Venecia (Italia).

“La RM multiparamétrica se considera la mejor modalidad de imagenología no invasiva para diagnosticar el cáncer de próstata. Sin embargo, la mp-RM para el diagnóstico del CaP está actualmente limitada por los criterios de interpretación cualitativos o semicuantitativos, generando una variabilidad entre los diferentes lectores y una capacidad subóptima para evaluar la agresividad de la lesión”, concluyeron el autor principal, Kyunghyun Sung, del departamento de radiología de UCLA y colegas. “Las CNN son un método poderoso para aprender automáticamente las características discriminatorias para varias tareas, incluida la detección del cáncer”.

Las CNN utilizan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción y conversión de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada para formar una representación jerárquica.

Enlace relacionado:
Universidad de California, Los Ángeles


Print article
CIRS
Radcal

Canales

Radiografía

ver canal
Imagen: Esquema de un dispositivo para imágenes de rayos X de campo oscuro (Fotografía cortesía de la TUM)

Radiografías pulmonares de bajas dosis facilitan el diagnóstico del coronavirus

Un método novedoso de rayos X que implica una radiación significativamente menor que la tomografía computarizada (TC) puede ayudar a identificar las anomalías en la COVID-19. Desarrollado en la Universidad... Más

RM

ver canal
Imagen: Se deben evitar los exámenes de resonancia magnética en pacientes con COVID-19 (Fotografía cortesía de Shutterstock)

Se debe evitar la toma de exámenes de resonancia magnética en los pacientes con COVID-19

Una nueva declaración de orientación del Colegio Americano de Radiología (ACR; Reston, VA, EUA) recomienda que los radiólogos eviten realizar exámenes de resonancia magnética (MRI) en pacientes diagnosticados... Más

TI en Imaginología

ver canal
Imagen: El software empresarial uPath proporciona mejores herramientas de patología digital (Fotografía cortesía de Roche).

Un software de patología digital mejora la eficiencia del flujo de trabajo

Una plataforma de software novedosa reduce drásticamente los tiempos de generación de imágenes, integra el análisis automatizado de imágenes y permite un mejor intercambio de casos entre patólogos.... Más

Industria

ver canal
Imagen: AI-Rad Companion Chest CT genera automáticamente informes estandarizados, reproducibles y cuantitativos en formato DICOM SC (Fotografía cortesía de Siemens Healthineers).

Software para la TC de tórax basada en IA de Siemens Healthineers recibe aprobación de la FDA de los EUA

La Administración de Medicamentos y Alimentos de los Estados Unidos (FDA) aprobó tres módulos de AI-Rad Companion Chest CT, un asistente de software inteligente de Siemens Healthineers (Erlangen, Alemania)... Más
Copyright © 2000-2020 Globetech Media. All rights reserved.