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




IA rivaliza con los radiólogos en la detección de la hemorragia intracraneal

Por el equipo editorial de Medimaging en español
Actualizado el 11 Nov 2019
Print article
Imagen: Examen cerebral típico que un radiólogo ve (I), y una hemorragia subaracnoidea resaltada por PatchFCN (D) (Fotografía cortesía de la UCSF).
Imagen: Examen cerebral típico que un radiólogo ve (I), y una hemorragia subaracnoidea resaltada por PatchFCN (D) (Fotografía cortesía de la UCSF).
Un estudio nuevo muestra que las redes neuronales convolucionales de inteligencia artificial (IA) (RNC) pueden alcanzar niveles de exactitud comparables a los de radiólogos altamente capacitados.

Desarrollado por investigadores de la Universidad de California en San Francisco (UCSF; EUA) y la Universidad de California Berkeley (UCB; EUA), la red totalmente convolucional basada en parches (PatchFCN) funciona dividiendo una tomografía computarizada (TC) en parches más pequeños para mejorar la tasa de detección de las hemorragias intracraneales agudas (HIC) en las tomografías computarizadas de la cabeza. Según los investigadores, la segmentación ofrece muchas ventajas, incluida una mejor interpretación y métricas cuantificables para el pronóstico de la enfermedad. En términos simples, la hemorragia se define así como “cosas” (por ejemplo, agua) en lugar de “cosas” (por ejemplo, un automóvil), debido a su naturaleza fluida.

Desarrollado utilizando 4.396 tomografías computarizadas de la cabeza como modelo de aprendizaje, se comparó el desempeño de PatchFCN con el de cuatro radiólogos certificados por la Junta Americana de Radiología (ABR, por sus siglas en inglés) en un conjunto de pruebas de 200 TC de cabeza seleccionadas al azar. El modelo demostró una exactitud promedio del 99% para detectar hemorragias, la exactitud de clasificación más alta hasta la fecha. Además, PatchFCN proporcionó un rastreo detallado de cada hemorragia, destacando las anomalías directamente en la propia TC, ayudando a los neurocirujanos a confirmar visualmente las ubicaciones de las hemorragias y a juzgar la necesidad y el enfoque para la intervención quirúrgica. El estudio fue publicado el 21 de octubre de 2019 en la revista PNAS.

“Utilizando un enfoque sólido de supervisión a nivel de píxeles y un conjunto de datos de entrenamiento relativamente pequeño, demostramos una red de extremo a extremo que realiza la clasificación y segmentación conjunta. Demuestra la exactitud de clasificación más alta hasta la fecha, en comparación con otros enfoques de aprendizaje profundo, y también localiza simultáneamente estas anormalidades”, concluyó el autor principal, Weicheng Kuo, PhD, de la UCB. “Demostramos que identifica muchas anormalidades pasadas por alto por los expertos. Además, demostramos resultados prometedores para la segmentación de hemorragias multiclase, al tiempo que preservamos la detección exacta a nivel de examen”.

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de la tarea. Involucra algoritmos RNC que usan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción, conversión y transformación 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 en San Francisco
Universidad de California Berkeley


Print article
Control-X Medical
Radcal

Canales

Radiografía

ver canal
Imagen: El sistema de RF FluoroSpeed X1 edition (Fotografía cortesía de Shimadzu Medical Systems)

Mesa novedosa de RF mejora los flujos de trabajo y las eficiencias de los operadores

Un sistema de mesa de radio/fluoroscopia (RF), convencional, multifuncional, realiza fácilmente exámenes fluoroscópicos y radiográficos bariátricos y de rutina diarios. El sistema de RF FluoroSpeed... 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 © 2000-2019 Globetech Media. All rights reserved.