机器学习有可能通过减少辐射暴露和提高图像质量来大大推进医学成像，特别是计算机断层扫描(CT)扫描。
这些新研究成果刚刚由伦斯勒理工学院的工程师和麻省总医院和哈佛医学院的放射科医生在Nature Machine Intelligence上发表。
该研究小组表示，这篇高影响力的期刊发表的结果为利用人工智能的力量改善低剂量CT扫描提供了有力的证据。
“辐射剂量对于接受CT扫描的患者来说是一个重要的问题。我们的机器学习技术优于，或者至少可以与本研究中用于实现低辐射剂量CT的迭代技术相媲美，”葛望说。 ，Rensselaer的生物医学工程教授，以及本文的相应作者。“这是一个高层次的结论，传达了一个强有力的信息。现在是机器学习快速起飞，并希望接管的时候了。”
在过去几年中，低剂量CT成像技术一直是一个重要的焦点，旨在减轻患者对广泛使用的CT扫描相关的X射线照射的担忧。但是，减少辐射会降低图像质量。
为了解决这个问题，全世界的工程师都设计了迭代重建技术来帮助筛选和消除CT图像的干扰。Wang说，问题在于这些算法有时会删除有用的信息或错误地改变图像。
该团队着手使用机器学习框架解决这一持久性挑战。具体而言，他们开发了专用的深度神经网络，并将其最佳结果与三种主要商用CT扫描仪通过迭代重建技术生成的最佳结果进行了比较。
这项工作是与马萨诸塞州综合医院和哈佛医学院放射学教授Mannudeep Kalra博士密切合作完成的，他也是该论文的通讯作者。
研究人员正在寻求确定他们的深度学习方法的性能与目前临床使用的所选代表性迭代算法的比较。
来自马萨诸塞州综合医院和哈佛医学院的几位放射科医师评估了所有CT图像。Wang说，Rensselaer团队开发的深度学习算法与绝大多数情况下的当前迭代技术一样或更好。
Kalra博士说，研究人员发现他们的深度学习方法也更快，并允许放射科医师根据临床要求对图像进行微调。
无需访问所有CT扫描仪的原始数据或原始数据即可实现这些积极结果。Wang指出，如果提供原始CT数据，更专业的深度学习算法应该表现得更好。
“这让放射科医生处于循环中，”王说。“换句话说，这意味着我们可以将机器智能和人类智能整合在深度学习框架中，促进临床翻译。”
他说，这些结果证实深度学习有助于产生更安全，更准确的CT图像，同时比迭代算法运行更快。
“我们很高兴向社区展示机器学习方法可能比传统方法更好，”王说。“这给科学界带来了强烈的信号。我们应该去机器学习。”
Wang的团队进行的这项研究是Rensselaer生物技术和跨学科研究中心(CBIS)生物医学成像中心的教师们不断取得的重大进展。
“王教授的工作是一个很好的例子，说明人工智能，机器和深度学习的进步如何通过解决难题来改善生物医学工具和实践 - 在这种情况下，有助于使用较低的辐射剂量提供高质量的CT图像。来自这些协作团队将带来更精确和个性化的医学，“CBIS主任Deepak Vashishth说。