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
Parker Laboratories

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.

Modelo de RM con IA clasifica los tumores intracraneales comunes

Por el equipo editorial de MedImaging en español
Actualizado el 15 Sep 2021
Print article
Imagen: Los colores de los mapas de color de GradCAM muestran la predicción de tumores (Fotografía cortesía de WUSTL)
Imagen: Los colores de los mapas de color de GradCAM muestran la predicción de tumores (Fotografía cortesía de WUSTL)
Un estudio nuevo afirma que un modelo 3D de inteligencia artificial (IA) es capaz de clasificar un tumor cerebral como uno de los seis tipos comunes a partir de un solo examen de resonancia magnética (RM).

Para desarrollar el algoritmo GradCAM, investigadores de la Universidad de Washington (WUSTL; St. Louis, MO, EUA), utilizaron 2.105 exámenes de resonancia magnética ponderadas en T1 de cuatro conjuntos de datos disponibles públicamente, divididos en capacitación (1.396), interna (361) y conjuntos de datos externos (348). Se entrenó una red neuronal convolucional (CNN) para discriminar entre exámenes sanos y aquellos con tumores, clasificados por tipo (glioma de alto grado, glioma de bajo grado, metástasis cerebrales, meningioma, adenoma hipofisario y neuroma acústico). A continuación, se evaluó el desempeño del modelo y se trazaron mapas de características para visualizar la atención de la red.

Los resultados de las pruebas internas mostraron que GradCAM logró una exactitud del 93,35% en siete clases de imágenes (una clase saludable y seis clases de tumores). Las sensibilidades variaron del 91% al 100% y el valor predictivo positivo (VPP) varió del 85% al 100%. El valor predictivo negativo (VPN) osciló entre el 98% y el 100% en todas las clases. La atención de la red se superpuso con las áreas tumorales para todos los tipos de tumores. Para el conjunto de datos de la prueba externa, que incluyó solo dos tipos de tumores (glioma de alto grado y glioma de bajo grado), GradCAM tuvo una exactitud del 91,95%. El estudio fue publicado el 11 de agosto de 2021 en la revista Radiology: Artificial Intelligence.

“Estos resultados sugieren que el aprendizaje profundo es un método prometedor para la clasificación y evaluación automatizadas de tumores cerebrales. El modelo logró una alta exactitud en un conjunto de datos heterogéneo y mostró excelentes capacidades de generalización en datos de prueba invisibles”, dijo el autor principal, Satrajit Chakrabarty, MSc, del departamento de ingeniería eléctrica y de sistemas. “Esta red es el primer paso hacia el desarrollo de un flujo de trabajo de radiología aumentado con inteligencia artificial que puede respaldar la interpretación de imágenes al proporcionar información cuantitativa y estadísticas”.

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA basados en representaciones de datos de aprendizaje, a diferencia de los algoritmos específicos de tareas. Se trata de algoritmos de CNN que utilizan 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 Washington


Print article
CIRS
Radcal

Canales

TI en Imaginología

ver canal
Imagen: Cómo funciona el manejo de imágenes médicas de Nucleus.io (Fotografía cortesía de NucleusHealth)

Plataforma para el manejo de imágenes agiliza los planes de tratamiento

Un conjunto de soluciones de software del ecosistema de imágenes proporciona accesibilidad segura a las imágenes médicas, mejorando los flujos de trabajo y la atención a los pacientes. La plataforma... 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 © 2000-2021 Globetech Media. All rights reserved.