“用于低剂量CT成像的机器学习做法产生优异的结果”

机器学习可以通过减少辐射暴露，提高图像质量来极大地推进医学图像，特别是计算机断层扫描( ct )扫描。

这些新的研究成果刚刚由伦斯勒理工学院的工程师、麻省理工学院和哈佛医学院的放射科医生在nature machine intelligence上发表。

该研究小组表示，这份影响力较大的期刊发表的结果为利用人工智能的力量改善低剂量ct扫描提供了有力的证据。

辐射剂量对接受ct扫描的患者来说是个重要的问题。 葛望说，我们的机器学习技术至少与本研究中用于实现低剂量ct的迭代技术有很大差别吗？ 、rensselaer的生物医学工程教授，以及本文的相应作者。 这是一个高层次的结论，传达着强有力的消息。 现在是机器学习迅速起飞，希望交接的时候了。

近年来，低剂量ct成像技术一直是重要焦点，旨在减轻患者对广泛采用的ct扫描相关x线照射的担忧。 但是，减少放射线会降低画质。

为了解决这个问题，全世界的工程师都设计了可以帮助筛选和消除ct图像干扰的迭代重建技术。 wang表示，这些算法存在删除有效信息或意外更改图像的问题。

该小组使用了一个机器学习框架来应对这一持久的挑战。 具体地说，开发了专用的深度神经网络，并将其最佳结果与三种主要商用ct扫描仪通过迭代重建技术生成的最佳结果进行了比较。

这项工作是与马萨诸塞州综合医院和哈佛医学院放射学教授mannudeep kalra博士密切合作完成的，他也是这篇论文的通讯作者。

研究人员要求明确他们深入学习方法的性能与目前临床上采用的所选典型迭代算法的比较。

来自马萨诸塞州综合医院和哈佛医学院的数名放射科医生对全ct影像进行了判断。 wang表示，rensselaer团队开发的深度学习算法大多数情况下与目前的迭代技术相同或更高。

kalra博士说，研究人员发现他们的深度学习方法也更快，放射科医生可以根据临床要求对图像进行微调。

这些积极的结果可以在不访问所有ct扫描仪的原始数据和原始数据的情况下实现。 wang指出，如果提供原始的ct数据，更专业的深度学习算法应该得到更好的表现。

这使放射科医生循环，国王说。 换言之，这意味着我们可以将机器智能和人类智能整合到深入的学习框架中，促进临床翻译。

这些结果表明，深度学习可以生成更安全、准确的ct图像，并且比迭代算法更快地执行。

我们很高兴向社区展示机器学习的方法可能比以前更好。 国王说。 这给科学界带来了强烈的信号。 我们应该去机器学习。

wang团队进行的这项研究，rensselaer生物技术和跨学科研究中心( cbis )生物医学成像中心的教师们不断取得重大进展。

王教授的工作就是一个很好的例子，证明了人工智能的进步、机器和深度的学习是如何处理难题来改善生物医学的工具和实践的。 在这种情况下，有助于以低放射线量提供优质的ct图像。 这些合作团队的迅速发展将带来更加准确和个性化的医学。 cbis主任deepak vashishth说。