• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • Aider à améliorer l'analyse d'images médicales grâce à l'apprentissage en profondeur

    Un exemple de visualisation utilisant l'architecture de réseau de neurones proposée, avec une vue axiale (en haut) et une vue 3D (en bas). Gris cérébral, blanc cérébral, et les matières grises cérébelleuses sont cachées pour une meilleure illustration. Crédit :IBM

    L'imagerie médicale génère d'énormes quantités de données :de nombreux radiologues des salles d'urgence doivent examiner jusqu'à 200 cas chaque jour, et certaines études médicales en contiennent jusqu'à 3, 000 images. La collection d'images de chaque patient peut contenir 250 Go de données, créant finalement des collections dans des organisations de plusieurs pétaoctets. Au sein d'IBM Research, nous voyons un potentiel dans l'application de l'IA pour aider les radiologues à passer au crible ces informations, y compris l'analyse d'imagerie du sein, le foie, et examens pulmonaires.

    Les chercheurs d'IBM appliquent l'apprentissage en profondeur pour découvrir des moyens de surmonter certains des défis techniques auxquels l'IA peut être confrontée lors de l'analyse de rayons X et d'autres images médicales. Leurs dernières découvertes seront présentées à la 21e Conférence internationale sur l'informatique médicale et l'intervention assistée par ordinateur à Grenade, Espagne, du 16 au 20 septembre.

    Les réseaux de neurones artificiels peuvent souvent avoir du mal à apprendre lorsqu'ils sont confrontés à une quantité insuffisante de données d'entraînement. Ces réseaux sont également confrontés au défi d'identifier de très petites régions dans des images représentant des anomalies, tels que les nodules et les masses, qui pourraient représenter des cancers.

    Au MICCAI 2018, des chercheurs d'IBM Research-Almaden et d'IBM Research-Haifa présenteront des articles décrivant de nouvelles approches de l'apprentissage en profondeur qui pourraient potentiellement aider à relever certains de ces défis.

    Apprendre à partir de données incomplètes

    Le boursier IBM Research-Almaden Tanveer Syeda-Mahmood présentera une nouvelle conception de réseau d'IA qui s'est révélée dans une étude capable d'analyser deux fois plus de marqueurs de maladie potentiels dans des images 3D, ainsi que de petites structures segmentées avec précision dans ces images, en deux fois moins de temps que les architectures de réseau basées sur l'IA précédemment étudiées.

    Des exemples de résultats d'une nouvelle architecture de réseau montrent le quadrilatère estimé en rouge et celui marqué par un radiologue en bleu. La performance est une amélioration significative par rapport à une architecture précédente. Crédit :IBM

    Les réseaux de neurones profonds utilisés pour entraîner les systèmes d'IA peuvent parfois avoir des difficultés à décomposer les images médicales, un processus appelé segmentation. Cela peut présenter des défis pour identifier avec précision les petits marqueurs de la maladie, limiter l'utilisation de ces réseaux en milieu clinique. Le projet est notre premier effort visant directement ce défi.

    Entraîner l'IA avec un minimum de données

    Mehdi Moradi, Responsable de l'analyse d'images et de la recherche en apprentissage automatique chez IBM Research-Almaden, et ses collègues discuteront de leur étude des architectures de réseaux neuronaux qui ont été formées à l'aide d'images et de texte pour marquer automatiquement les régions de nouvelles images médicales que les médecins peuvent examiner de près pour détecter les signes de maladie.

    Les chercheurs ont formé un réseau en utilisant des données d'images et de texte combinées et un deuxième réseau en utilisant du texte et des images séparés, car il existe différentes manières pour un système d'imagerie basé sur l'IA de recevoir des données à analyser. Dans l'étude, les deux réseaux ont localisé de manière autonome les menaces potentielles pour la santé dans les radiographies pulmonaires avec un niveau de précision comparable à celui de radiologues expérimentés analysant et annotant les mêmes images.

    Dans ces exemples de détection de lésions, les contours rouges indiquent des paires détectées automatiquement qui correspondent à la vérité terrain ; les contours cyan sont des détections automatiques faussement positives qui ont été réduites par l'algorithme à double vue. Crédit :IBM

    Reconnaître des anomalies obscures

    Des scientifiques d'IBM Research-Haifa en Israël ont développé un réseau de neurones profonds spécialisé conçu pour la détection et la localisation de masse dans la mammographie mammaire et présenteront leurs résultats au 4e atelier d'analyse d'images mammaires de MICCAI.

    Le dépistage standard du cancer du sein consiste à prendre deux projections de rayons X par mammographie pour chaque sein et à comparer les vues pour identifier les zones d'intérêt. La conception du nouveau réseau comprenait des sous-réseaux « siamois » identiques, à partir desquelles les analyses ont été comparées pour produire des évaluations d'images. L'étude a suggéré un moyen efficace d'entraîner l'IA pour signaler les zones de tissu mammaire anormaux et potentiellement cancéreux.

    Alors que le nombre d'images médicales prises aux États-Unis atteint des dizaines de millions chaque année, les organisations de santé se tournent de plus en plus vers l'IA pour les aider à analyser avec précision et efficacité les informations vitales contenues dans les IRM des patients, tomodensitométrie, et d'autres aides visuelles au diagnostic. Une enquête menée par Consumer Reports en 2015 a révélé que 80 millions de tomodensitogrammes à eux seuls sont effectués chaque année aux États-Unis. planifier les options de traitement, et réaliser des études cliniques.

    Cette histoire est republiée avec l'aimable autorisation d'IBM Research. Lisez l'histoire originale ici.




    © Science https://fr.scienceaq.com