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.
Le RNCP apprend quelles méthodes sont les plus efficaces pour maintenir la résolution spatiale et les propriétés de faible bruit qui caractérisent les images par résonance magnétique à rapport signal sur bruit élevé. Plus les données transmises pendant l’apprentissage sont variées, plus l’algorithme final fournira des images de qualité et des vitesses de traitement élevées.
Essentiellement, le RNCP s’autoprogramme à mesure qu’il apprend, de sorte qu’il gagne en précision et en efficience à mesure qu’il exécute des tâches. L’apprentissage est surveillé par un ingénieur expert en IA et en RNCP, qui peut faire varier les conditions d’utilisation pour veiller à l’atteinte de rendements de pointe.
Le logiciel est alors soumis à un important processus de validation, où il reçoit exclusivement des données de basse qualité pour effectuer la reconstruction en se basant sur ce qu’il a appris. Les images cibles de haute qualité doivent être inconnues du RNCP, et sont utilisées par l’ingénieur en IA afin d'évaluer la précision et le rendement selon divers paramètres de qualité d’image. Une fois validé, il est déterminé que le réseau neuronal est à son rendement optimal et qu’il contient toutes les connaissances requises pour effectuer une reconstruction avancée et de qualité, à partir de pratiquement n’importe quelle anatomie de patient.
Le RNCP apprend quelles méthodes sont les plus efficaces pour maintenir la résolution spatiale et les propriétés de faible bruit qui caractérisent les images par résonance magnétique à rapport signal sur bruit élevé. Plus les données transmises pendant l’apprentissage sont variées, plus l’algorithme final fournira des images de qualité et des vitesses de traitement élevées.
Essentiellement, le RNCP s’autoprogramme à mesure qu’il apprend, de sorte qu’il gagne en précision et en efficience à mesure qu’il exécute des tâches. L’apprentissage est surveillé par un ingénieur expert en IA et en RNCP, qui peut faire varier les conditions d’utilisation pour veiller à l’atteinte de rendements de pointe.
Le logiciel est alors soumis à un important processus de validation, où il reçoit exclusivement des données de basse qualité pour effectuer la reconstruction en se basant sur ce qu’il a appris. Les images cibles de haute qualité doivent être inconnues du RNCP, et sont utilisées par l’ingénieur en IA afin d'évaluer la précision et le rendement selon divers paramètres de qualité d’image. Une fois validé, il est déterminé que le réseau neuronal est à son rendement optimal et qu’il contient toutes les connaissances requises pour effectuer une reconstruction avancée et de qualité, à partir de pratiquement n’importe quelle anatomie de patient.
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.
AiCE rehausse la robustesse de l’imagerie en parallèle
AiCE permet la réduction du bruit au centre de l’image, ce qui est directement en lien avec les techniques d’imagerie en parallèle. AiCE peut, de manière évolutive, réduire le bruit non uniforme décrit par le facteur G en imagerie en parallèle.
