Deep Learning

Les méthodes d’apprentissage du Deep Convolutional Neural Network (DCNN) sont capables de traiter d’énormes quantités de données grâce à un réseau de nœuds décisionnels, ou neurones, et sont réputées pour leurs excellentes performances dans les applications basées sur la reconnaissance d’images.

RECONSTRUCTION PAR DEEP LEARNING (DLR)

AiCE a été formé sur de grandes quantités d’images de haute qualité reconstruites avec un algorithme MBIR avancé qui est trop gourmand en calculs pour une utilisation clinique. Cette formation a permis à AiCE de distinguer le signal réel du bruit. Les résultats ont été validés par une équipe de radiologues, de physiciens médicaux, de scientifiques en IA et de chercheurs cliniques, produisant un algorithme de reconstruction rapide, entièrement formé et prêt pour l’utilisation clinique.

Le DCNN apprend quelles méthodes sont les mieux appliquées pour maintenir la résolution spatiale et les propriétés de faible bruit contenues dans l’algorithme avancé du MBIR. Plus les données fournies pendant l’apprentissage varient, plus l’algorithme final sera performant en termes de qualité d’image et de vitesse de traitement.


La DCNN se programme essentiellement au fur et à mesure qu’elle apprend, pour devenir plus précise et plus efficace à chaque nouvelle tâche de l’apprentissage. L’apprentissage est suivi par un ingénieur spécialisé dans l’IA et la DCNN, qui peut faire varier certaines conditions de fonctionnement pour garantir des performances optimales.

Le logiciel est ensuite soumis à une validation importante, où il n’est fourni qu’avec des données de faible qualité à reconstruire en fonction de ce qu’il a appris. Les images cibles de haute qualité ne doivent pas être connues de la DCNN et sont utilisées par l’ingénieur en IA pour évaluer la précision et les performances en fonction de diverses mesures de la qualité de l’image. Une fois validé, le réseau neuronal au maximum de ses performances où il contient toutes les connaissances nécessaires pour effectuer une reconstruction avancée et de qualité à partir de pratiquement toutes les variations anatomiques du patient et de la dose d’exposition.

Livre blanc

Reconstruction de l’apprentissage en profondeur (AiCE) :
Apporter la puissance de la tomodensitométrie ultra-haute résolution à l’imagerie quotidienne

Kirsten Boedeker, PhD, DABR
Senior Manager, Physique médicale
Canon Medical Systems Corporation

Cliquez ICI pour télécharger le livre blanc.