ش | ی | د | س | چ | پ | ج |
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
هوش مصنوعی (AI) به شدت مورد مطالعه ، ارزیابی و کاربرد در مراقبت های بهداشتی و به ویژه در تصویربرداری پزشکی است. با نشان دادن عملکرد برابر با رادیولوژیست های مجرب در کارهایی مانند تشخیص ذات الریه در اشعه ایکس قفسه سینه و تشخیص ندول های سرطانی طولانی در اشعه ایکس ، هوش مصنوعی آماده بهینه سازی بسیاری از زمینه های عمل پزشکی از تشخیص زودهنگام بیماری تا پیش بینی پیشرفت و پیشرفت است. شخصی سازی استراتژی درمانی هوش مصنوعی تکنیک های آماری کلاسیک و یادگیری ماشینی را گسترش می دهد ، که هر دو به طور مشخص شامل ایجاد ویژگی های تصویری دستی هستند که برای تعدیل یک نتیجه مشخص فرض شده است. با هوش مصنوعی ، ویژگی های پیش بینی به طور خودکار به شیوه ای مبتنی بر داده ایجاد می شوند ، که به نوبه خود به این معنی است که می توان از داده های خام پردازش نشده به طور کامل استفاده کرد ، از سوگیری انسان اجتناب کرد و مکانیسم های بیماری که قبلاً تحقق نیافته بود به طور بالقوه می تواند کشف شود. در اینجا ما در مورد کاربردهای هوش مصنوعی در تصویربرداری PET برای بازسازی تصویر ، اصلاح ضعیف بدون CT ، کاهش دوز ، شناسایی خودکار آسیب شناسی و تمایز پیشرفت بیماری بحث می کنیم. یکی از هزینه های تجزیه و تحلیل خودکارتر و دقت بهتر با هوش مصنوعی در مقایسه با یادگیری ماشین کلاسیک ، حجم بیشتری از داده های آموزشی است. با این حال ، این زمینه به سرعت در حال تکامل است و ما در مورد کاهش احتمالی و سایر جهتهای کاربردهای ارزشمند آینده هوش مصنوعی در تصویربرداری PET بحث می کنیم.