La nouvelle méthode de fusion d’images médicales s’appuie sur l’apprentissage en profondeur pour améliorer les résultats des patients

par KeAi Communications Co., Ltd.

La nouvelle méthode de fusion d'images médicales s'appuie sur l'apprentissage en profondeur pour améliorer les résultats des patients

Modèle de fusion d’images basé sur le deep learning. Crédit: KeAi Communications Co., Ltd.

La fusion d’images est un processus qui peut améliorer la valeur clinique des images médicales, améliorant la précision des diagnostics médicaux et la qualité des soins aux patients.

Des chercheurs du College of Data Science Software Engineering de l’Université chinoise de Qingdao ont développé une nouvelle méthode de fusion d’images «multimodale» basée sur un apprentissage en profondeur supervisé qui améliore la clarté de l’image, réduit les fonctionnalités d’image redondantes et prend en charge le traitement par lots. Leurs résultats viennent d’être publiés dans KeAi’s Journal international de calcul cognitif en ingénierie.

L’auteur Yi Li explique: «La plupart des images médicales ont un contenu d’information unilatéral ou limité; par exemple, les positions de mise au point varient, ce qui peut rendre certains objets flous. Avoir des informations importantes dispersées sur un certain nombre d’images peut entraver le jugement du médecin. La fusion d’images est un moyen efficace solution: il détecte automatiquement les informations contenues dans ces images séparées et les intègre pour produire une image composite. « 

Les chercheurs se tournent de plus en plus vers l’apprentissage profond pour améliorer la fusion d’images. L’apprentissage en profondeur, un sous-ensemble de l’apprentissage automatique, s’appuie sur des réseaux de neurones artificiels conçus pour imiter la façon dont les humains pensent et apprennent. Cela signifie qu’il est capable d’apprendre à partir de données non structurées ou non étiquetées.

Cependant, une grande partie de la recherche actuelle se concentre sur l’application de l’apprentissage en profondeur dans le traitement de fusion d’image unique. Les études qui l’utilisent pour le traitement par lots multi-images sont beaucoup plus rares.

Li explique: «Les images médicales ont des exigences pratiques spécifiques, y compris la richesse des informations et une grande clarté. Au cours de notre étude, nous avons utilisé des résultats de fusion d’images réussis pour créer une base de données de formation d’images. Nous avons ensuite pu utiliser cette base de données pour fusionner des images médicales par lots. . « 

Li ajoute: «Notre méthode améliore également la clarté de la fusion d’images IRM, CT et SPECT, améliorant la précision du diagnostic médical. Nous avons atteint des performances de pointe en termes de qualité visuelle et de mesures d’évaluation quantitatives. Par exemple, les images fusionnées que nous avons produites semblent plus naturelles, avec des bords plus nets et une résolution plus élevée. De plus, les informations détaillées et les caractéristiques intéressantes sont mieux préservées.  »


Discerner les faux profonds numériquement


Plus d’information:
Yi Li et al, Méthode de fusion d’images médicales par apprentissage profond, Revue internationale de calcul cognitif en ingénierie (2021). DOI: 10.1016/j.ijcce.2020.12.004

Fourni par KeAi Communications Co., Ltd.

Citation: Une nouvelle méthode de fusion d’images médicales s’appuie sur l’apprentissage en profondeur pour améliorer les résultats pour les patients (2021, 17 mai) récupéré le 17 mai 2021 sur https://techxplore.com/news/2021-05-medical-image-fusion-method-deep.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.