گروه آموزشی مهندس شکوفه ساتری

زمینه های تخصص

ردیابی تک ذرات و وضوح فوق العاده

میکروسکوپ های فلورسانس چندوجهی و کمی

میکروسکوپ الکترونی کریو

میکروسکوپ چند مقیاسی و همبستگی

کنتراست جدید و تصویربرداری عمیق

Precinical In Vivo Imaging

توان عملیاتی بالا و نمایش محتوای بالا

توسعه پروب، دستکاری چشمی و اپتوژنتیک

BioImage انفورماتیک، پردازش تصویر و مدیریت داده

نوروفوتونیک

نوروفوتونیک

رویکردهای ترکیبی و چندوجهی برای تصویربرداری عصبی

تصویربرداری همودینامیک نوری و تعاملات عصبی عروقی

تصویربرداری مزوسکوپی، میکروسکوپی و آندوسکوپی از ساختار و عملکرد عصبی

پراکندگی بافت، پاکسازی و پراکندگی زدایی

میکروسکوپ فوق رزولوشن و نانوسکوپی سیستم عصبی

گزارشگران و محرک های جدید، اپتوژنتیک، بیولومینسانس

تجزیه و تحلیل داده ها، یادگیری ماشین و پردازش تصویر

تجزیه و تحلیل مدار، عملکرد شبکه و پردازش اطلاعات

اپتیک و بیماری مغز

شکل دهی نور در مغز، هولوگرافی

اشاعه و تجاری سازی فناوری های BRAIN

رابط های عصبی نوری حلقه بسته

آینده هوش مصنوعی در مراقبت های بهداشتی

حوزه هوش مصنوعی (AI) در دهه گذشته شاهد پیشرفت های قابل توجهی از نظر قدرت محاسباتی و سهولت پیاده سازی هوش مصنوعی در تنظیمات دامنه خاص بوده است. به ویژه حوزه پزشکی شامل نمونه های برجسته بسیاری از این پیشرفت ها است. هوش مصنوعی قبلاً در برخی از تخصص‌ها مانند رادیولوژی جای پای خود را باز کرده است و احتمالاً به گسترش در سایر حوزه‌های بالینی ادامه می‌دهد و رویکردهای ایجاد شده برای تشخیص بیماری، انجام تحقیقات و تعامل با بیماران را تغییر می‌دهد. این فصل یک چشم انداز تاریخی و پیشینه در مورد پیشرفت های محاسباتی اخیر ارائه می دهد که زمینه را برای ظهور هوش مصنوعی در مراقبت های بهداشتی فراهم کرده است، روندهای رو به رشد در اجرای بالینی هوش مصنوعی را توصیف می کند، و برخی از چالش هایی را که با راه اندازی هوش مصنوعی با ارائه دهندگان مراقبت های بهداشتی مواجه خواهد شد، در نظر می گیرد. وارد عمل بالینی روزانه شود.

تصویربرداری هسته ای و هوش مصنوعی

تصویربرداری پرفیوژن میوکارد با توموگرافی کامپیوتری با گسیل تک فوتون و توموگرافی انتشار پوزیترون به تشخیص شدت بیماری عروق کرونر کمک کرده است. هوش مصنوعی در تصویربرداری پزشکی هسته‌ای قلب و عروق شامل روش‌های مختلفی مانند استدلال مبتنی بر قانون، شبکه‌های عصبی مصنوعی، یادگیری ماشینی ساخت‌یافته و شبکه‌های عصبی کانولوشنال عمیق است. این روش‌های هوش مصنوعی در تشخیص نقایص پرفیوژن و سایر نقاط پایانی استفاده شده‌اند. روش‌های یادگیری عمیق در شکل‌گیری تصویر پزشکی هسته‌ای برای کاهش زمان محاسبات، بهبود کیفیت تصویر و کاهش قرار گرفتن در معرض تشعشع در بیماران استفاده شده است. این فصل روش‌های هوش مصنوعی به کار رفته در تجزیه و تحلیل تصویر و بازسازی تصویر برای تصویربرداری پزشکی هسته‌ای قلب و عروق را خلاصه می‌کند.

تصویربرداری رزونانس مغناطیسی و هوش مصنوعی

خلاصه

رزونانس مغناطیسی قلبی (CMR) بهترین روش تصویربرداری قلبی برای ارائه اطلاعات قابل اعتماد و قابل تکرار در مورد حجم قلب، عملکرد و خصوصیات بافت است. در عمل بالینی، هوش مصنوعی (AI) در CMR را می توان برای کل فرآیند، از بازسازی توالی، تجزیه و تحلیل تصویر، و گزارش یافته ها به کار برد. در بازسازی توالی، کاربرد هوش مصنوعی عمدتاً بر روی سرعت بازسازی متمرکز است، در حالی که در تجزیه و تحلیل تصویر و گزارش، هدف اصلی هوش مصنوعی خودکار کردن فرآیند تقسیم‌بندی هر دو بطن و همچنین بافت فیبروتیک است. در قلمرو توصیف بافت، هوش مصنوعی همچنین می تواند در به تصویر کشیدن ناهنجاری های بافتی از تصاویر بدون کنتراست مفید باشد. در نهایت، هوش مصنوعی می تواند برای طبقه بندی پیش آگهی مفید باشد.

توموگرافی کامپیوتری و هوش مصنوعی

در 2 دهه گذشته، پیشرفت های قابل توجهی در سخت افزار و نرم افزار توموگرافی کامپیوتری (CT) کاربرد بالینی تصویربرداری CT را گسترش داده است. پیشرفت‌های سخت‌افزاری شامل چرخش دروازه‌ای سریع‌تر با وضوح زمانی بهبود یافته، وضوح فضایی بهبود یافته و پوشش بیشتر بیمار است که امکان جذب سریع‌تر را فراهم می‌کند. همزمان، کاربردهایی از هوش مصنوعی (AI) در تمام جنبه‌های تصویربرداری CT - کسب، بازسازی، تجزیه و تحلیل و اندازه‌گیری ویژگی‌های جدید تصویر - وجود دارد که ممکن است ارزش را بیشتر بهبود بخشد و هزینه را کاهش دهد. فصل 9 پیشرفت های اخیر در هوش مصنوعی به کار رفته در چندین جنبه کلیدی تصویربرداری، تفسیر و تجزیه و تحلیل CT را خلاصه می کند.

سونوگرافی و هوش مصنوعی

سونوگرافی پزشکی (US) یک روش تصویربرداری پزشکی ضروری است. غیریونیزه کننده، قابل حمل است و می تواند تجسم در زمان واقعی پویایی بافت را ارائه دهد. به طور خاص، تصویربرداری از قلب، معروف به اکوکاردیوگرافی، به طور معمول در تشخیص، مدیریت و درمان بیماران مبتلا به بیماری قلبی استفاده شده است. بنابراین از تنوع بالای درون و متغیر رنج می برد. با بهره گیری از پیشرفت های اخیر در هوش مصنوعی، یادگیری ماشین برای دور زدن محدودیت های موجود در تصویربرداری مستقر به کار گرفته شده است. در این فصل، پیشرفت های اخیر را برجسته می کنیم و چالش های باقی مانده و همچنین فرصت های آینده را مورد بحث قرار می دهیم. تمرکز بر روی کاربردهای قلبی عروقی است، اما تم ها و تفاوت های رایج برای کاربردهای غیر قلبی عروقی نیز خلاصه شده است.

توموگرافی انسجام نوری (OCT)

توموگرافی انسجام نوری (OCT)

1. فناوری جدید، دستگاه ها، روش ها و مدل ها

اپتیک تطبیقی

تصویربرداری با سرعت بالا

تصویربرداری با وضوح بالا

پروب های تصویربرداری و سنجش (کاتتر، آندوسکوپ، پروب تصویربرداری مغز و غیره)

2. چند وجهی

سونوگرافی

فلورسانس

طیف سنجی

فوتو آکوستیک

بریلوین

سیستم های یکپارچه

3. OCT عملکردی

داپلر

اپتورتینوگرافی

قطبی شدن

الاستوگرافی

حساس به فاز

طیف سنجی

عوامل کنتراست

کنتراست پویا سلولی

دینامیک لکه

4. پردازش سیگنال و تصویر

لک زدایی

تقسیم بندی

رویکردهای یادگیری ماشینی

هوش مصنوعی

طبقه بندی بافت خودکار

تشخیص

5. کم هزینه، سیستم های OCT کوچک

برنامه های OCT در کشورهای در حال توسعه و مناطق کم منابع

اجزای سیستم OCT مبتنی بر تراشه

سیستم های تشخیصی خانگی (خود).

6. کاربردهای پیش بالینی و بالینی

مدل های حیوانی

تصویربرداری بافت بیولوژیکی ex-vivo و in-vitro

تصویربرداری از انسان

راهنمایی جراحی

تصویربرداری تشخیصی

چالش‌هایی برای ترجمه in vivo

توموگرافی انسجام نوری (OCT)

توموگرافی انسجام نوری (OCT)

بر پیشرفت ها و کاربردهای جدید توموگرافی انسجام نوری (OCT) تمرکز می کند.

موضوعات اصلی این جلسه منابع نور OCT جدید، پروب‌های تصویربرداری و سیستم‌ها، الگوریتم‌های پردازش تصویربرداری و مدل‌سازی محاسباتی، فناوری‌های چندوجهی، کاربردهای پایه و ترجمه هستند.