تصویربرداری قلب و عروق

خلاصه

تجزیه و تحلیل عملکرد قلب نقش مهمی در قلب و عروق بالینی برای مدیریت بیمار، تشخیص بیماری، ارزیابی خطر و تصمیم گیری در درمان دارد. تعیین حفره های سمت راست و چپ، و همچنین عروق اصلی، گام مهمی در قلب و عروق بالینی برای تشخیص بیماری قلبی است. تصویربرداری پزشکی یک ابزار تشخیصی غیر تهاجمی برای مطالعه آناتومی قلب و تشخیص تغییرات پاتولوژیک که در حالت‌های بیماری مانند کاردیومیوپاتی متسع، کاردیومیوپاتی هیپرتروفیک و اختلال عملکرد بطن راست رخ می‌دهد، فراهم می‌کند. اتوماسیون دقیق کار مربوطه می تواند بخش تشخیصی را تسریع کند و به تصمیم گیری های درمانی کمک کند. در این فصل، رویکردهای اخیر یادگیری ماشینی را که برای تشخیص خودکار قلب بر اساس یادگیری عمیق و شبکه‌های متخاصم مولد استفاده شده‌اند مرور می‌کنیم و کاربرد اخیر شبکه‌های متخاصم مولد (GANs) را برای طبقه‌بندی، تشخیص، تقسیم‌بندی، ثبت، بازسازی تصویر، توضیح می‌دهیم. و سنتز بیشتر در تصویربرداری قلبی عروقی. در ادامه، مجموعه داده‌های عمومی قلب را با چالش‌های باز مرور می‌کنیم و فصل را با محدودیت‌های GAN و جهت‌گیری‌های تحقیقاتی آینده به پایان می‌رسانیم.

یادگیری عمیق برای کاربردهای زیست پزشکی

خلاصه

انواع داده‌هایی که معمولاً برای یادگیری ماشینی در تحقیقات زیست‌پزشکی مورد استفاده قرار می‌گیرند، از جمله پرونده‌های سلامت الکترونیک، تصویربرداری، - omics، داده‌های حسگر و متن پزشکی، پیچیده، ناهمگن، دارای حاشیه‌نویسی ضعیف و عموماً بدون ساختار هستند. با این حال، کسب دانش و بینش عملی از همه این منابع داده، یک چالش کلیدی در اجرای پزشکی شخصی و مراقبت های بهداشتی نسل بعدی است. یادگیری عمیق، که کلاسی از الگوریتم‌های یادگیری ماشین را بر اساس شبکه‌های عصبی توصیف می‌کند، فرصت‌های موثری را برای مدل‌سازی، نمایش و یادگیری از چنین منابع پیچیده و ناهمگونی فراهم می‌کند. در اینجا، ما بررسی می‌کنیم که چگونه این پارادایم قبلاً بر مراقبت‌های بهداشتی تأثیر گذاشته است، محدودیت‌ها و نیازها برای روش‌ها و کاربردهای بهبود یافته را یادداشت می‌کنیم، و چالش‌های پیاده‌سازی و استقرار هوش انسانی تقویت‌شده بر اساس یادگیری عمیق در حوزه بالینی را مورد بحث قرار می‌دهیم.

هوش مصنوعی برای تصویربرداری پزشکی

چرا هوش مصنوعی برای تصویربرداری پزشکی امیدوارکننده است؟

یکی از تعریف‌های هوش مصنوعی «علم ساخت ماشین‌ها برای انجام کارهایی است که می‌توان آن‌ها را زمانی که توسط انسان انجام می‌شد هوشمند در نظر گرفت»، اگرچه «هوش» خود را می‌توان اصطلاحی با تعریف ضعیف در نظر گرفت [41]. برنامه های کاربردی هوش مصنوعی به طور فزاینده ای برای حل مشکلات در مراقبت های بهداشتی و پزشکی مورد استفاده قرار می گیرند، همانطور که با افزایش تعداد مطالعات با استفاده از کلمات کلیدی مانند "هوش مصنوعی" یا مراجع روش شناختی "یادگیری ماشینی" (ML) و "یادگیری عمیق" (DL) نشان داده شده است. 16]. اولی به توسعه مدل هایی اشاره دارد که در آن متغیرهای ورودی از پیش تعریف شده اند، به عنوان مثال. استفاده از متغیرهای بالینی، تست استرس و تصویربرداری برای پیش‌بینی حوادث نامطلوب قلبی (MACE) [8]. نوع دوم یادگیری مبتنی بر کشف ذاتی ویژگی‌های مهم در یک مجموعه مدل چندلایه است، به عنوان مثال. استفاده از تصاویر اکوکاردیوگرافی برای طبقه بندی نمای [37].

هدف محققان هوش مصنوعی توسعه و آموزش مدل های خودآموز است. این مدل‌ها شناسایی روابط پیچیده بین یک ورودی داده شده و نتیجه متناظر نمونه‌های متعدد را دنبال می‌کنند. همانطور که قبلا اشاره شد، تعریف هوش مصنوعی بین متخصصان متفاوت است، اما همه آنها به اجرای یک ویژگی مشخص انسانی در مدل ها اشاره می کنند: بهره برداری از تجربه قبلی برای افزایش دانش در مورد نحوه انجام یک کار به منظور افزایش تصمیم گیری در آینده. 55].

مفهوم استفاده از هوش مصنوعی در تصویربرداری پزشکی به دلایل متعددی جذاب است. اول از همه، آشکار می‌شود که مجموعه داده‌های تصویری داده‌های بسیار مفیدتری نسبت به آنچه که یک انسان معمولاً می‌تواند پردازش کند، در خود جای داده است. ثانیاً، کارهای ساده، مانند ترسیم خطوط و اندازه‌گیری‌های بعدی، می‌توانند توسط رایانه‌ها به طور مداوم، بدون وقفه و چندین برابر سریع‌تر از انسان انجام شوند. اگرچه توسعه مدل‌های مفید ML زمان می‌برد، اما فرض بر این است که پیاده‌سازی هوش مصنوعی پزشکان را قادر می‌سازد تا کارآمدتر کار کنند [9، 15].

برای تصویربرداری پزشکی، هوش مصنوعی بر تمام مراحل زنجیره تصویربرداری تأثیر می گذارد (شکل 1). اولین قدم، پشتیبانی تصمیم برای انتخاب روش تصویربرداری تشخیصی مناسب است. در حال حاضر، مراقبت های بهداشتی به طور مداوم به سمت تصمیم گیری مبتنی بر شواهد و استفاده از دستورالعمل ها پیش می رود. ابزارهای پشتیبانی تصمیم گیری مبتنی بر هوش مصنوعی می توانند در انتخاب مناسب ترین تست تصویربرداری برای بیماران فردی کمک کنند. علاوه بر این، فروشندگان در حال حاضر اولین محصولات تجاری را می فروشند که ML را در طول معاینه یک بیمار پیاده سازی می کنند [24، 37]. پس از اکتساب، هوش مصنوعی در بازسازی تصویر (مانند استفاده از توموگرافی کامپیوتری با دوز پایین، CT، برای به دست آوردن بازسازی آناتومیکی بهینه [72])، تفسیر و تشخیص تصویر (مثلاً تشخیص انفارکتوس میوکارد به کمک کامپیوتر، MI، در اکوکاردیوگرافی [72]) اجرا می‌شود. 60]). مرحله نهایی در زنجیره تصویربرداری، شناسایی اطلاعات پیش آگهی و پیش بینی مربوطه از تصویربرداری قلبی است (به عنوان مثال پیش بینی پیامد نامطلوب در بیماران مبتلا به فشار خون ریوی [17]).

هوش مصنوعی در تصویربرداری قلب و عروق: وضعیت هنر و مفاهیم برای متخصص قلب تصویربرداری

هوش مصنوعی در تصویربرداری قلب و عروق: وضعیت هنر و مفاهیم برای متخصص قلب تصویربرداری

خلاصه

مراقبت های بهداشتی، به طور قابل تصور، بیش از هر حوزه دیگری از تلاش های انسانی، دارای بیشترین پتانسیل برای تحت تاثیر قرار گرفتن توسط هوش مصنوعی (AI) است. این پتانسیل توسط چندین گزارش نشان داده شده است که عملکرد برابر یا فوق بشری را در وظایف پزشکی که هدف آنها بهبود کارایی، تشخیص و پیش آگهی است، نشان می دهد. این بررسی بر روی وضعیت هنر کاربردهای هوش مصنوعی در تصویربرداری قلب و عروق تمرکز دارد. این یک نمای کلی از برنامه‌های کاربردی و مطالعات انجام‌شده فعلی، از جمله ارزش بالقوه، پیامدها، محدودیت‌ها و جهت‌های آینده هوش مصنوعی در تصویربرداری قلبی عروقی را ارائه می‌کند.

پیش‌بینی می‌شود که هوش مصنوعی شیوه‌ی طبابت پزشکان را به طرز چشمگیری تغییر دهد. در کوتاه مدت، به پزشکان در انجام کارهای آسان، مانند خودکارسازی اندازه‌گیری‌ها، پیش‌بینی‌های مبتنی بر داده‌های بزرگ، و قرار دادن یافته‌های بالینی در یک زمینه مبتنی بر شواهد کمک می‌کند. در درازمدت، هوش مصنوعی نه تنها به پزشکان کمک می‌کند، بلکه این پتانسیل را دارد که دسترسی به داده‌های سلامتی و سلامتی بیماران و مراقبان آنها را به میزان قابل توجهی بهبود بخشد. این به بیماران توانمند می شود. از دیدگاه یک پزشک، کمک قابل اعتماد هوش مصنوعی برای حمایت از تصمیم گیری بالینی در دسترس خواهد بود. اگرچه تعداد مطالعات قلبی عروقی که هوش مصنوعی را پیاده‌سازی می‌کنند در حال افزایش است، برنامه‌های کاربردی تازه شروع به نفوذ به مراقبت‌های بالینی معاصر کرده‌اند.

معرفی

هر سال، بیشتر و بیشتر بررسی های تصویربرداری قلب انجام می شود [52]. این امر تحت تأثیر عوامل متعددی مانند افزایش پذیرش تصویربرداری است که در طول سال‌ها نقش فزاینده‌ای در تشخیص، مدیریت و نظارت بر نتیجه درمان ایفا کرده است. علاوه بر این، تصویربرداری به طور گسترده‌تری در دسترس قرار گرفته است و تجهیزات تصویربرداری نه تنها دقیق‌تر، بلکه سریع‌تر و ارزان‌تر شده‌اند. بهبود کیفیت و تفسیرپذیری مطالعات تصویربرداری نه تنها منجر به افزایش رضایت بیمار شده است، بلکه می تواند به افزایش اطمینان پزشک از منظر بالینی و قانونی منجر شود. از منظر اقتصادی، افزایش جهانی هزینه های مراقبت های بهداشتی تا حدی به افزایش تعداد واحدهای تصویربرداری موجود در بیمارستان و در نتیجه افزایش تعداد مطالعات تصویربرداری انجام شده مربوط می شود [50]. با این حال، گسترش قابلیت های تصویربرداری و تجزیه و تحلیل های بعدی، محدودیت های بهره وری یک متخصص تصویربرداری متوسط ​​را افزایش می دهد. هوش مصنوعی پزشکی (AI) راه حلی برای ارزیابی استاندارد تعداد فزاینده تصاویر پزشکی است. ادبیات علمی نشان می‌دهد که رایانه‌های هوشمندی که از هوش مصنوعی استفاده می‌کنند، می‌توانند راهنمایی و کمک در حین کسب و ارزیابی تصویر ارائه دهند. این به طور بالقوه تأثیر قابل توجهی بر حجم کاری پزشک دارد.

کاربردهای هوش مصنوعی در تصویربرداری پزشکی

کاربردهای هوش مصنوعی در تصویربرداری پزشکی

در حال حاضر، هوش مصنوعی، چه در قالب یادگیری ماشینی سنتی، چه به شکل یادگیری عمیق جدیدتر، انواع دیگر یادگیری، نشان داده شده است که با موفقیت مناطق آسیب شناسی را شناسایی و مشخص می کند، مناطقی از آسیب شناسی یا اندام ها را به طور دقیق تقسیم می کند. اطلاعاتی برای تشخیص، برچسب زدن انواع و مکان های آسیب شناسی و آناتومی، کاهش نویز کوانتومی در تصاویر، و حتی بازسازی تصاویر مقطعی از چندین نما (یا برآمدگی) اطراف بیمار. این مقاله روش‌های هوش مصنوعی موجود را توصیف می‌کند که بهینه‌سازی دوز تشعشع بیمار از تصویربرداری CT را تسهیل می‌کند. کلمه "بهینه سازی" در مقابل کلمه "کاهش" استفاده می شود، زیرا هدف تصویربرداری پزشکی رسیدن به تشخیص دقیق با استفاده از کمترین دوز پرتویی است که دستیابی به آن منطقی است. یعنی سود (یعنی دستیابی به تشخیص دقیق) به حداکثر می رسد و خطر بالقوه (یعنی دوز پرتو یا مواد حاجب یددار برای بیمار) به حداقل می رسد. همانطور که در بخش پایانی این مقاله تاکید خواهد شد، کاهش دوز پرتو یا محیط های یددار به سطحی که تشخیص دقیق آن دشوار است یا نمی توان به دست آورد، نامناسب است، زیرا مراقبت کلی از بیمار را به خطر می اندازد.

شبکه های عصبی و یادگیری عمیق

شبکه های عصبی و یادگیری عمیق

شبکه‌های عصبی مصنوعی مجموعه‌ای از پیش‌گویی‌های ریاضی آبشاری هستند که برای مدل‌سازی آزادانه درخت‌های تصمیم‌گیری پیچیده مغز انسان طراحی شده‌اند. شبکه از تعدادی لایه تشکیل شده است که هر کدام یک وظیفه را در یک سری طولانی از وظایف آبشاری انجام می دهند. عبارت "یادگیری عمیق" برای توصیف یک شبکه عصبی با تعداد زیادی لایه پنهان، علاوه بر لایه های ورودی و خروجی استفاده می شود. در CT، بیشتر برنامه‌های کاربردی یادگیری عمیق از نوعی شبکه عصبی مصنوعی استفاده می‌کنند که به عنوان «شبکه عصبی کانولوشنال» شناخته می‌شود. در طول فرآیند آموزش، داده‌های ورودی به شبکه‌های آبشاری وارد می‌شوند، که هر کدام از مجموعه‌ای از گره‌های عصبی تشکیل شده‌اند که به گره‌های پایین‌دستی متصل هستند که عملکردهای مختلف ریاضی ساده‌ای مانند کانولوشن را انجام می‌دهند. در طول فرآیند، برخی از گره ها و اتصالات گره بریده می شوند و برخی دیگر تقویت می شوند، و وزنه های مرتبط کننده یک گره به گره دیگر به گونه ای تنظیم می شوند که در پایان آموزش، وزن ها یا پارامترهای شبکه عصبی به گونه ای تنظیم شوند که تفاوت بین خروجی شبکه و داده های خروجی ("حقیقت") مورد استفاده برای آموزش برای یک ورودی معین به حداقل می رسد. متعاقباً، داده‌های جدیدی که شبکه قبلاً روی آن‌ها آموزش ندیده است، می‌تواند به شبکه وارد شود تا اطلاعات خروجی به دست آید که به نظر می‌رسد منعکس کننده حقیقت پیش‌بینی شده است. تعداد کلی وزن‌ها در یک شبکه می‌تواند میلیون‌ها نفر باشد، و اگرچه عملیات کانولوشن اساساً خطی است، فرآیند کلی به دلیل وجود توابع فعال‌سازی غیرخطی بسیار غیرخطی می‌شود.

معرفی

هوش مصنوعی (AI) به عنوان یک رشته دانشگاهی در اواسط قرن بیستم شناخته شد و به دنبال آن چرخه‌های خوش‌بینی و ناامیدی با پیشرفت این رشته به شهرت امروزی خود همراه بود، جایی که عناصر مختلف هوش مصنوعی تقریباً بر هر جنبه‌ای از فناوری مدرن تأثیر می‌گذارد. بسیاری از موفقیت های این حوزه در دهه های اخیر را می توان به پیشرفت در قدرت محاسباتی، مجموعه داده های دیجیتالی گسترده، و ظهور زیرساخت های محاسبات ابری، در ترکیب با درک بهبود یافته از جنبه های نظری هوش مصنوعی و الگوریتم های قابل پیاده سازی نسبت داد. در اوایل قرن بیست و یکم، هوش مصنوعی به طور جدی توسط رهبران فناوری مانند IBM، گوگل، مایکروسافت، اپل و فیسبوک توسعه یافت. امروزه، ما می توانیم از گفتار برای هدایت دستگاه های الکترونیکی برای انجام وظایف برای ما استفاده کنیم. نرم‌افزار می‌تواند ویژگی‌های تصاویر را برای شناسایی افراد فردی در عکس‌ها یا در پزشکی، ویژگی‌های پاتولوژیک خاص در توموگرافی کامپیوتری (CT) یا سایر تصاویر بدن انسان را تشخیص دهد.

استفاده از هوش مصنوعی در بهینه سازی دوز توموگرافی کامپیوتری

خلاصه

حوزه هوش مصنوعی (AI) تقریباً همه جنبه های جامعه مدرن از جمله تصویربرداری پزشکی را متحول می کند. در توموگرافی کامپیوتری (CT)، هوش مصنوعی نوید کاهش بیشتر دوز تشعشع بیمار را از طریق اتوماسیون و بهینه‌سازی فرآیندهای جمع‌آوری داده‌ها، از جمله موقعیت‌یابی بیمار و تنظیمات پارامترهای اکتساب، می‌دهد. پس از جمع‌آوری داده‌ها، بهینه‌سازی پارامترهای بازسازی تصویر، الگوریتم‌های بازسازی پیشرفته، و روش‌های حذف نویز تصویر، چندین جنبه از کیفیت تصویر را بهبود می‌بخشد، به ویژه در کاهش نویز تصویر و امکان استفاده از دوزهای تشعشع پایین‌تر برای جمع‌آوری داده‌ها. در نهایت، روش‌های مبتنی بر هوش مصنوعی برای تقسیم‌بندی خودکار اندام‌ها یا شناسایی و مشخص کردن آسیب‌شناسی به خارج از محیط تحقیق و به عمل بالینی ترجمه شده‌اند تا اتوماسیون، افزایش حساسیت و کاربردهای بالینی جدید را برای مراقبت از بیمار به ارمغان بیاورند و در نهایت مزیت را برای بیمار افزایش دهند. معاینات سی تی با توجیه پزشکی به طور خلاصه، از زمان معرفی CT، تعداد زیادی از پیشرفت‌های فنی باعث افزایش مزایای بالینی و کاهش خطر ابتلا به بیمار شده است، نه تنها با کاهش دوز پرتو، بلکه با کاهش احتمال خطا در عملکرد و تفسیر معاینات CT که از نظر پزشکی موجه هستند. .

کلید واژه ها

هوش مصنوعی، یادگیری عمیق، توموگرافی کامپیوتری اشعه ایکس، بهینه سازی دوز، دوز بیمار

یادگیری ماشینی در پزشکی قلب و عروق

شرح

یادگیری ماشینی در پزشکی قلب و عروق به کاربردهای در حال گسترش هوش مصنوعی (AI)، به ویژه یادگیری ماشینی (ML)، در مراقبت های بهداشتی و پزشکی قلب و عروق می پردازد. این کتاب بر تأکید بر ML برای کاربردهای زیست‌پزشکی متمرکز است و خلاصه‌ای جامع از گذشته و حال هوش مصنوعی، مبانی ML و کاربردهای بالینی ML در پزشکی قلبی عروقی برای تجزیه و تحلیل پیش‌بینی‌کننده و پزشکی دقیق ارائه می‌کند. این به خوانندگان کمک می کند تا نحوه عملکرد ML همراه با محدودیت ها و نقاط قوت آن را درک کنند، به طوری که می توانند از قدرت محاسباتی آن برای ساده کردن گردش کار و بهبود مراقبت از بیمار استفاده کنند. هم برای پزشکان و هم برای مهندسان مناسب است. ارائه الگویی برای پزشکان برای درک زمینه های کاربرد یادگیری ماشینی در تحقیقات قلبی عروقی؛ و به دانشمندان و مهندسان کامپیوتر در ارزیابی تأثیر فعلی و آتی یادگیری ماشینی بر پزشکی قلبی عروقی کمک کند.

شرح

یادگیری ماشینی در پزشکی قلب و عروق به کاربردهای در حال گسترش هوش مصنوعی (AI)، به ویژه یادگیری ماشینی (ML)، در مراقبت های بهداشتی و پزشکی قلب و عروق می پردازد. این کتاب بر تأکید بر ML برای کاربردهای زیست‌پزشکی متمرکز است و خلاصه‌ای جامع از گذشته و حال هوش مصنوعی، مبانی ML و کاربردهای بالینی ML در پزشکی قلبی عروقی برای تجزیه و تحلیل پیش‌بینی‌کننده و پزشکی دقیق ارائه می‌کند. این به خوانندگان کمک می کند تا نحوه عملکرد ML همراه با محدودیت ها و نقاط قوت آن را درک کنند، به طوری که می توانند از قدرت محاسباتی آن برای ساده کردن گردش کار و بهبود مراقبت از بیمار استفاده کنند. هم برای پزشکان و هم برای مهندسان مناسب است. ارائه الگویی برای پزشکان برای درک زمینه های کاربرد یادگیری ماشینی در تحقیقات قلبی عروقی؛ و به دانشمندان و مهندسان کامپیوتر در ارزیابی تأثیر فعلی و آتی یادگیری ماشینی بر پزشکی قلبی عروقی کمک کند.

ویژگی های کلیدی

یک نمای کلی از یادگیری ماشین را برای مخاطبان بالینی و مهندسی ارائه می دهد

پیشرفت های اخیر در پزشکی قلب و عروق و هوش مصنوعی را خلاصه کنید

در مورد مزایای استفاده از یادگیری ماشین برای تحقیقات نتایج و پردازش تصویر بحث می کند

به کاربرد روزافزون این فناوری جدید می پردازد و برخی از چالش های منحصر به فرد مرتبط با چنین رویکردی را مورد بحث قرار می دهد.

خوانندگان

محققان قلب و عروق، پزشکان شاغل، و مهندسان درگیر در تحقیقات زیست پزشکی. دانشمندان کامپیوتر

فهرست مطالب

1. پیشرفت های تکنولوژیکی در پزشکی دیجیتال

2. مروری بر هوش مصنوعی: مبانی و الگوریتم های پیشرفته

3. یادگیری ماشینی برای تجزیه و تحلیل پیشگو

4. یادگیری عمیق برای کاربردهای زیست پزشکی

5. شبکه متخاصم مولد برای تصویربرداری قلب و عروق

6. پردازش زبان طبیعی

7. پیشرفت های معاصر در تصویربرداری پزشکی

8. اولتراسوند و هوش مصنوعی

9. توموگرافی کامپیوتری و هوش مصنوعی

10. تصویربرداری تشدید مغناطیسی و هوش مصنوعی

11. تصویربرداری هسته ای و هوش مصنوعی

12. رادیومیک در تصویربرداری قلب و عروق: اصول و پیامدهای بالینی

13. تفسیر خودکار ردیابی های الکتروکاردیوگرافی

14. یادگیری ماشینی در ژنومیک قلبی عروقی، پروتئومیکس و کشف دارو

15. دستگاه های پوشیدنی و الگوریتم های یادگیری ماشینی برای ارزیابی سلامت قلب و عروق

16. آینده هوش مصنوعی در مراقبت های بهداشتی

17. چالش های اخلاقی و قانونی

مجله تصویربرداری پزشکی

محدوده

مجله تصویربرداری پزشکی (JMI) امکان ارتباط و بایگانی تحقیقات بنیادی و ترجمه ای و همچنین برنامه های کاربردی متمرکز بر تصویربرداری پزشکی را فراهم می کند، زمینه ای که همچنان از پیشرفت های تکنولوژیک بهره می برد و پیشرفت های زیست پزشکی را در تشخیص زودهنگام به ارمغان می آورد. ، تشخیص و درمان بیماری و همچنین درک شرایط عادی. دامنه JMI شامل مطالعات عمیق از موارد زیر است:

فیزیک تصویربرداری و سیستم اکتساب در مدالیته‌ها و مقیاس‌های فضایی مختلف مانند رادیوگرافی اشعه ایکس، CT (توموگرافی کامپیوتری)، تصویربرداری اولتراسونیک، تصویربرداری پزشکی هسته‌ای از جمله PET (توموگرافی گسیل پوزیترون) و SPECT (توموگرافی کامپیوتری با گسیل تک فوتون)، MRI (توموگرافی کامپیوتری با گسیل فوتون) پیشرفت می‌کند. تصویربرداری رزونانس مغناطیسی)، تصویربرداری نوری شامل OCT (توموگرافی همدوسی نوری)، تصویربرداری فوتوآکوستیک، و سیستم‌های اکتسابی ترکیبی مانند PET/CT و PET/MRI

الگوریتم های بازسازی توموگرافی (مانند CT، MRI و OCT)

پیشرفت در سفارشی سازی و کاربرد پردازش تصویر و یادگیری عمیق در کنار عناصر مختلف زنجیره تصویربرداری، مانند طراحی آشکارساز، بازسازی توموگرافی، هوش مصنوعی و گردش کار

پیشرفت در تشخیص به کمک رایانه و تجزیه و تحلیل کمی تصویر از جمله سفارشی سازی و استفاده از بینایی رایانه، یادگیری ماشین و یادگیری عمیق در پشتیبانی تصمیم گیری

پیشرفت در تجسم و مدل سازی سیستم چشم و مغز انسان، از جمله مطالعات در درک تصویر و عملکرد مشاهده گر

پیشرفت در روش و کاربردهای ارزیابی فناوری

پیشرفت در آرشیو تصاویر و سیستم های ارتباطی (PACS)

پیشرفت در تصویربرداری اولتراسونیک از جمله سونوگرافی و تصویربرداری فوتو آکوستیک

پیشرفت در سیستم های هدایت شده با تصویر و روش های هدفمند، به عنوان مثال، در برنامه ریزی جراحی، برنامه ریزی پرتودرمانی و ترانوستیک

پیشرفت در آسیب شناسی دیجیتال و محاسباتی، از کسب داده های آسیب شناسی تا مدیریت، تجزیه و تحلیل و تفسیر آن توسط ناظران. موضوعات خاص شامل اکتساب تصویر، نمایش، تفسیر، تشخیص به کمک کامپیوتر، تجزیه و تحلیل کمی تصویر نمونه های آسیب شناسی، و تعامل بین سیستم های یادگیری ماشین و هوش انسانی در تجزیه و تحلیل تصاویر میکروسکوپی است.

پیشرفت در کاربردهای زیست پزشکی همه روش های تصویربرداری برای درک بیشتر مکانیسم های بیماری و همچنین فیزیولوژی طبیعی