هوش مصنوعی با یادگیری عمیق در پزشکی هسته ای و رادیولوژی

هوش مصنوعی با یادگیری عمیق در پزشکی هسته ای

خلاصه

استفاده از یادگیری عمیق در تصویربرداری پزشکی در چند سال گذشته به سرعت افزایش یافته است و کاربردهایی را در کل خط لوله رادیولوژی پیدا کرده است، از بهبود عملکرد اسکنر گرفته تا تشخیص و تشخیص خودکار بیماری. این پیشرفت ها منجر به ایجاد طیف گسترده ای از رویکردهای یادگیری عمیق شده است که چالش های منحصر به فرد را برای روش های مختلف تصویربرداری حل می کند. این مقاله مروری بر این تحولات از نقطه نظر فنی ارائه می‌کند، روش‌های مختلف را دسته‌بندی می‌کند و اجرای آنها را خلاصه می‌کند. ما مقدمه ای بر طراحی شبکه های عصبی و روش آموزش آنها ارائه می دهیم، پس از آن نگاهی گسترده به کاربرد آنها در تصویربرداری پزشکی می اندازیم. ما بخش‌های مختلف خط لوله رادیولوژی را پوشش می‌دهیم، برخی از آثار تأثیرگذار را برجسته می‌کنیم و در مورد محاسن و محدودیت‌های رویکردهای یادگیری عمیق در مقایسه با سایر روش‌های سنتی بحث می‌کنیم. به این ترتیب، این بررسی در نظر گرفته شده است تا یک نمای کلی و در عین حال مختصر برای خواننده علاقه مند ارائه دهد، که پذیرش و تحقیقات بین رشته ای یادگیری عمیق در زمینه تصویربرداری پزشکی را تسهیل می کند.

زمینه

هوش مصنوعی (AI) در چند دهه اخیر پیشرفت سریعی داشته است که به دلیل افزایش روزافزون توان محاسباتی، الگوریتم‌های جدید و داده‌های موجود امکان‌پذیر شده است. این حجم رو به رشد داده در تمام صنایع از جمله مراقبت های بهداشتی مشاهده می شود. انواع داده‌های بیمار ثبت و در پرونده‌های سلامت الکترونیکی مانند نتایج آزمایشگاهی، گزارش‌ها، تجزیه و تحلیل DNA و داده‌های فعالیت و سلامت از پوشیدنی‌ها ثبت و ذخیره می‌شوند. حجم عمده ای از داده های مراقبت های بهداشتی از تصویربرداری پزشکی به دست می آید. با توجه به پیشرفت‌هایی که در کسب تصویر پزشکی صورت گرفته، روش‌های تصویربرداری جدید معرفی شده‌اند و میزان روش‌های تصویربرداری تشخیصی به سرعت در حال رشد است [1]. از پرتوهای ایکس دو بعدی در روزهای اولیه، تصویربرداری پزشکی به توموگرافی کامپیوتری چندوجهی، دینامیک و سه بعدی (CT)، تصویربرداری تشدید مغناطیسی (MRI)، توموگرافی کامپیوتری گسیل تک فوتون (SPECT) و توموگرافی گسیل پوزیترون (PET) تکامل یافت. این افزایش حجم و پیچیدگی داده های تصویربرداری، بار کاری رادیولوژیست ها را افزایش می دهد. ب