پزشکی پیشگیری تغذیه خواص گیاهان دسته‌بندی نشده روان شناختی زیبایی ورزش

الگوریتم های خودآموزی داده های تصویربرداری پزشکی را تجزیه و تحلیل می کنند

سریع به زیر پوست نگاه کنید

به لطف هوش مصنوعی ، نرم افزار AIMOS قادر است استخوانها و اندامها را بر روی تصاویر سه بعدی در مقیاس خاکستری تشخیص داده و آنها را تقسیم بندی کند ، که ارزیابی بعدی را بسیار آسان می کند. اعتبار: آسترید اکرت / TUM

تکنیک های تصویربرداری امکان مشاهده دقیق یک موجود زنده را فراهم می کند. اما تفسیر داده ها زمان بر است و نیاز به تجربه زیادی دارد. شبکه های عصبی مصنوعی امکانات جدیدی را ایجاد می کنند: آنها به چند ثانیه زمان برای تفسیر اسکن های کل بدن از موش ها و تقسیم و تصویر اندام ها به جای سایه های مختلف خاکستری ، به رنگ نیاز دارند. این امر به طور قابل توجهی تجزیه و تحلیل را تسهیل می کند.

کبد چقدر بزرگ است؟ آیا در صورت مصرف دارو تغییر می کند؟ آیا کلیه ملتهب است؟ آیا تومور در مغز وجود دارد و آیا متاستازها قبلاً ایجاد شده اند؟ برای پاسخ به چنین س suchالاتی ، دانشمندان علوم زیست شناسی و پزشکان تا به امروز مجبور به بررسی و تفسیر داده های زیادی بودند.

الیور شوپپ توضیح می دهد: “تجزیه و تحلیل فرایندهای تصویربرداری سه بعدی بسیار پیچیده است.” همراه با یک تیم تحقیقاتی میان رشته ای ، محقق TUM اکنون الگوریتم های یادگیری خود را ایجاد کرده است تا در آینده به تجزیه و تحلیل داده های تصویر زیست علمی کمک کند.

در هسته نرم افزار AIMOS – مخفف مخفف AI-based Mouse Organ Segmentation – شبکه های عصبی مصنوعی هستند که مانند مغز انسان قادر به یادگیری هستند. شوپپ می گوید: “شما قبلاً مجبور بودید كه به برنامه های رایانه ای دقیقاً همان چیزی را كه می خواستید بگویید.” “شبکه های عصبی به چنین دستورالعمل هایی احتیاج ندارند:” کافی است چندین بار با ارائه یک مسئله و یک راه حل آنها را آموزش دهید. به تدریج ، الگوریتم ها شروع به شناسایی الگوهای مربوطه می کنند و خودشان می توانند راه حل های مناسب را پیدا کنند. “

آموزش الگوریتم های خودآموزی

در پروژه AIMOS ، الگوریتم ها با کمک تصاویر موش ها آموزش داده شدند. هدف اختصاص دادن نقاط تصویر از اسکن 3-D کل بدن به اندامهای خاص مانند معده ، کلیه ، کبد ، طحال یا مغز بود. بر اساس این انتساب ، برنامه سپس می تواند موقعیت و شکل دقیق را نشان دهد.

شوپپ به یاد می آورد: “ما به اندازه کافی خوش شانس بودیم که از یک پروژه تحقیقاتی متفاوت به چند صد تصویر موش دسترسی پیدا کردیم که همه آنها قبلاً توسط دو زیست شناس تفسیر شده بودند.” این تیم همچنین به اسکن های میکروسکوپی 3-D میکروسکوپ از موسسه مهندسی بافت و پزشکی احیا در Helmholtz Zentrum München دسترسی داشتند.

محققان با استفاده از یک تکنیک خاص توانستند رنگ را کاملاً از موش هایی که قبلاً فوت کرده بودند پاک کنند. می توان اجسام شفاف را با میکروسکوپ گام به گام و لایه به لایه تصویر کرد. فاصله بین نقاط اندازه گیری فقط شش میکرومتر بود – که برابر با اندازه سلول است. زیست شناسان نیز اعضای بدن را در این مجموعه داده ها بومی سازی کرده بودند.

هوش مصنوعی دقت را بهبود می بخشد

در TranslaTUM فناوری اطلاعات داده ها را به الگوریتم های جدید خود ارائه دادند. شوپپ گزارش می دهد: و این سریعتر از حد انتظار آموخته است: “ما قبل از اینکه نرم افزار بتواند داده های تصویر را به صورت خودکار و در عرض چند ثانیه با موفقیت تجزیه و تحلیل کند ، فقط به ده اسکن در بدن نیاز داشتیم. “

این تیم سپس با کمک 200 اسکن موش صحرایی دیگر ، قابلیت اطمینان هوش مصنوعی را بررسی کرد. پروفسور بجورن منزه ، رئیس گروه مدل سازی زیست پزشکی مبتنی بر تصویر در TranslaTUM در دانشگاه فنی مونیخ ، می گوید: “نتیجه نشان می دهد که الگوریتم های خودآموزی نه تنها در تجزیه و تحلیل داده های تصویر بیولوژیکی سریعتر از انسان هستند ، بلکه دقیق تر نیز هستند.” .

این نرم افزار هوشمند قرار است به ویژه در تحقیقات اساسی در آینده مورد استفاده قرار گیرد: “تصاویر موش ها برای مثال برای بررسی اثرات داروهای جدید قبل از اینکه به انسان ها داده شوند بسیار حیاتی هستند. استفاده از الگوریتم های خودآموزی برای تجزیه و تحلیل داده های تصویر در آینده در آینده وقت زیادی را صرفه جویی خواهد کرد “، تأکید می کند منزه.


محققان الگوریتم های خودآموزی را برای تعداد زیادی مجموعه داده تصویربرداری مختلف ارائه می دهند


اطلاعات بیشتر:
الیور شوپپ و همکاران ، تقسیم بندی چند عضوی با قابلیت یادگیری عمیق در اسکن موش های کل بدن ، ارتباطات طبیعت (2020) DOI: 10.1038 / s41467-020-19449-7

تهیه شده توسط دانشگاه فنی مونیخ


استناد: الگوریتم های خودآموزی داده های تصویربرداری پزشکی را تجزیه و تحلیل می کنند (2020 ، 28 دسامبر) بازیابی شده در 29 دسامبر 2020 از https://medicalxpress.com/news/2020-12- self-learning-algorithms-medical-imaging.html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. جدا از هرگونه معامله عادلانه با هدف مطالعه خصوصی یا تحقیق ، هیچ بخشی بدون اجازه کتبی قابل تولید نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.

READ  مطالعه نشان می دهد که داروهای سفارشی اغلب در معرض دمای ناامن قرار دارند