Des images avec rapport signal sur bruit élevé grâce à la reconstruction par l’apprentissage profond

Apprentissage profond

Les méthodes d'apprentissage mises en œuvre par réseau neuronal convolutif profond (RNCP) peuvent traiter d’énormes quantités de données grâce à un réseau de nœuds ou de neurones de prise de décisions. Ces méthodes sont réputées pour leur excellent rendement dans les applications axées sur la reconnaissance d’images.

Reconstruction par l’apprentissage profond (RAP)

AiCE a « appris » par l’intégration de vastes quantités d’images d’IRM à rapport signal sur bruit élevé reconstruites grâce à un algorithme avancé à intensité de calcul trop élevée pour être utilisé cliniquement. Grâce à cet apprentissage, AiCE est en mesure de distinguer le vrai signal du bruit qui l’accompagne. Les résultats ont été validés par une équipe de radiologues, de physiciens médicaux, de scientifiques de l’IA et de chercheurs cliniques. Il en résulte un algorithme de reconstruction rapide et pleinement formé pour être utilisé dans un contexte clinique.

Élimination intelligente du bruit

Les photos suivantes comparent deux images : l’image d’origine avec élimination du bruit à l’aide d’un filtre conventionnel, et une image acquise avec AiCE. Sur l’image avec filtre conventionnel, de l’information anatomique nécessaire a été éliminée en même temps que le bruit. De son côté, AiCE identifie le bruit de manière intelligente sur l’image d’origine en recourant aux algorithmes d’apprentissage profond.

PIQE — une reconstruction haute résolution par apprentissage profond pour l'IRM

PIQE augmente la taille de la matrice, supprime le bruit et fournit des images anatomiques nettes afin de faire passer l'imagerie RM à un niveau supérieur.
Nous contacter