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.