Усовершенствованный интеллектуальная система Advanced intelligent Clear-IQ Engine (AiCE)

AiCE * – это первая в мире технология глубокого обучения, основанная на реконструкции томографических медицинских изображений. AiCE производит качественные МРТ-изображения, которые характеризуются исключительной детализацией с высоким отношением сигнал-шум (SNR).

Четкие, чистые и ясные изображения. Видимость сквозь шум.

Интегрированный интеллект

Используя огромные вычислительные возможности глубокой сверточной нейронной сети (DCNN), AiCE обучается восстанавливать данные МРТ, имеющие низкие показатели SNR, для обработки изображений и улучшения показателей SNR.

Особенности AiCE:

  • Интеллектуальное удаление шума
  • Увеличение SNR
  • Повышение разрешения изображений

45.png

Исходное изображение

Интеллектуальное удаление шума

47.png

Исходное изображение — Обычный фильтр — Вычитание изображения

Исходное изображение — AiCE — Вычитание изображения

Приводит к увеличению отношения сигнал-шум (SNR)

46.png

Позволяет получать изображения с высоким пространственным разрешением и высоким SNR

48.png

Исходное изображение — AiCE

Глубокое обучение

Методы глубокого обучения Глубокой Сверточной Нейронной Сети (DCNN) способны обрабатывать огромные объемы данных через сеть узлов принятия решений, или нейронов, и хорошо известны своей превосходной производительностью в программах, основанных на распознавании изображений.

49.png

Искусственный интеллект — Машинное обучение — Глубокое обучение — AiCE

Технология Deep Learning Reconstruction (DLR)

Искусственный интеллект AiCE был обучен на большом количестве изображений МРТ с высоким SNR, реконструированных с использованием продвинутого алгоритма с высокой интенсивностью  в вычислительном отношении для клинического использования. Это обучение научило AiCE отличать истинный сигнал от шума. Результаты были подтверждены группой рентгенологов, медицинских физиков, ученых ИИ и клинических исследователей, которые разработали быстрый, полностью обученный алгоритм реконструкции, готовый для клинического использования.

DCNN узнает, какие методы лучше всего применять для поддержания пространственного разрешения и свойств с низким уровнем шума, содержащихся в МРТ-изображениях с высоким SNR. Чем больше вариаций данных, предоставляемых во время обучения, тем лучше будет работать конечный алгоритм с точки зрения качества изображения и скорости обработки.

DCNN, по сути, корректирует себя в процессе обучения, чтобы стать более точным и эффективным с каждым новым учебным заданием. Обучение контролируется инженером с опытом в области искусственного интеллекта и DCNN, изменяя вариацию некоторых рабочих условий, позволяя обеспечивать достижение максимальной производительности.

Затем программное обеспечение проходит важную проверку, где предоставляется только низкокачественные данные для восстановления на основе того, что оно изучило. Целевые изображения высокого качества не должны быть известны DCNN и используются инженером ИИ для оценки точности и производительности на основе различных показателей качества изображения. После проверки нейронная сеть работает с максимальной производительностью, применяя накопленные алгоритмы, необходимые для выполнения расширенной, качественной реконструкции практически из любых начальных данных.

50.png

Этап обученияИспользуя изображения с высоким SNR, AiCE обучается различать сигнал и шум на изображениях с низким SNR → Глубокое обучение → Рабочий этапИспользуя данные, полученные на этапе обучения, AiCE убирает шумы, приводя к повышению SNR


Узнать подробнее Получить КП