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

Algoritmo de aprendizaje automático diagnostica el cáncer antes y con exactitud

Por el equipo editorial de MedImaging en español
Actualizado el 03 Sep 2019
Print article
Imagen: Los investigadores utilizaron imágenes sintéticas para entrenar un algoritmo de aprendizaje automático que puede ayudar a detectar el cáncer de mama de manera más rápida y correcta (Fotografía cortesía de la Universidad del Sur de California).
Imagen: Los investigadores utilizaron imágenes sintéticas para entrenar un algoritmo de aprendizaje automático que puede ayudar a detectar el cáncer de mama de manera más rápida y correcta (Fotografía cortesía de la Universidad del Sur de California).
Un equipo de investigadores de la Universidad del Sur de California (Los Ángeles, CA, EUA) utilizó imágenes sintéticas para entrenar un algoritmo de aprendizaje automático que puede ayudar a detectar el cáncer de mama de manera más rápida y correcta. Los investigadores primero crearon modelos basados en la física que mostraban niveles variables de propiedades clave y luego usaron miles de entradas de datos derivados de esos modelos para entrenar el algoritmo de aprendizaje automático. Este tipo de técnicas se vuelven importantes en situaciones donde los datos son escasos, como en el caso de las imágenes médicas.

Los investigadores utilizaron unas 12.000 imágenes sintéticas para entrenar el algoritmo de aprendizaje automático. Al proporcionar suficientes ejemplos, el algoritmo puede obtener diferentes características inherentes a un tumor benigno versus un tumor maligno y hacer la determinación correcta. Después de lograr una exactitud de clasificación de casi el 100% en otras imágenes sintéticas, los investigadores probaron el algoritmo en imágenes del mundo real para determinar su exactitud en proporcionar un diagnóstico y midieron los resultados contra los diagnósticos confirmados por biopsia asociados con esas imágenes. El algoritmo de aprendizaje automático logró una tasa de exactitud de aproximadamente el 80% y ahora se refina aún más mediante el uso de más imágenes del mundo real como entradas.

Con base en los principios utilizados para entrenar el algoritmo de aprendizaje automático para el diagnóstico de cáncer de mama, los investigadores ahora buscan entrenar el algoritmo para diagnosticar mejor el cáncer renal a través de imágenes de TC con contraste. Los investigadores creen que es poco probable que los algoritmos de aprendizaje automático reemplacen el papel de un radiólogo en la determinación del diagnóstico, pero sí podrán servir como una herramienta para guiar a los radiólogos a llegar a conclusiones más exactas.

“El consenso general es que estos tipos de algoritmos tienen un papel importante que desempeñar, incluso de los profesionales de la imagenología a los que impactará más. Sin embargo, estos algoritmos serán más útiles cuando no sirven como cajas negras”, dijo Assad Oberai, profesor de Hughes en el Departamento de Ingeniería Aeroespacial y Mecánica de la Escuela de Ingeniería Viterbi de la USC. “¿Qué fue lo que vio que lo llevó a la conclusión final? El algoritmo debe ser explicable para que funcione según lo previsto”.

Enlace relacionado:
Universidad del Sur de California


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

Imaginología General

ver canal
Imagen: El sistema Aquilion Prime SP CT con descontaminación UV-C (Fotografía cortesía de Canon Medical Systems)

Solución de descontaminación facilita la TC en los pacientes con infecciones virales

Una solución de TC desplegable con capacidades de descontaminación rápida puede ayudar a los hospitales a aislar a los pacientes con COVID-19 y descontaminar el sistema para una atención más efectiva.... 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
Copyright © 2000-2020 Globetech Media. All rights reserved.