por KeAi Communications Co., Ltd.
Modelo de fusión de imágenes basado en deep learning. Fuente: KeAi Communications Co., Ltd.
La fusión de imágenes es un proceso que puede aumentar el valor clínico de las imágenes médicas al mejorar la precisión de los diagnósticos médicos y la calidad de la atención al paciente.
Investigadores de la Facultad de Ingeniería de Software de Ciencia de Datos de la Universidad de Qingdao en China han desarrollado una nueva imagen “multimodal” conexión método basado en supervisado aprendizaje profundo lo que mejora la claridad de la imagen, reduce las funciones de imagen redundantes y admite el procesamiento por lotes. Sus hallazgos acaban de ser publicados en KeAi. Revista Internacional de Computación Cognitiva en Ingeniería.
El autor Yi Li explica: “La mayoría de las imágenes médicas contienen información unilateral o limitada; por ejemplo, las posiciones de enfoque son diferentes y algunos sujetos pueden aparecer borrosos. Tener información importante dispersa en muchas fotos puede dificultar que su médico juzgue. La fusión de imágenes es una solución eficaz: detecta automáticamente la información contenida en estas imágenes separadas y las integra para crear una imagen compuesta “.
Los investigadores recurren cada vez más al aprendizaje profundo para mejorar la fusión de imágenes. El aprendizaje profundo, un subconjunto del aprendizaje automático, se basa en redes neuronales artificiales diseñado para imitar la forma en que las personas piensan y aprenden. Esto significa que puede aprender de datos que no están estructurados o no están marcados.
Sin embargo, la mayor parte de la investigación actual se centra en la aplicación del aprendizaje profundo al procesamiento de fusión de una sola imagen. Los estudios que lo utilizan para procesar por lotes múltiples imágenes son mucho menos frecuentes.
Li explica: “Las imágenes médicas tienen requisitos prácticos específicos, incluida una gran cantidad de información y una gran claridad. En nuestro estudio, utilizamos los resultados exitosos de la fusión de imágenes para crear una base de datos para el entrenamiento de imágenes. Luego pudimos usar esta base de datos para combinar imágenes médicas en lotes. “.
Li agrega: “Nuestro método también mejora la claridad de la fusión de imágenes de MRI, CT y SPECT, mejorando la precisión de un diagnóstico médico. Hemos logrado resultados de vanguardia en términos tanto de calidad visual como de indicadores de cuantificación. Por ejemplo: las imágenes combinadas que creamos se ven más naturales, tienen bordes más nítidos y mayor resolución. Además, la información detallada y las características que nos interesan se conservan mejor ”.
Yi Li et al., Método médico de fusión de imágenes mediante aprendizaje profundo, Revista Internacional de Computación Cognitiva en Ingeniería (2021). DOI: 10.1016 / j.ijcce.2020.12.004
Proporcionado por KeAi Communications Co., Ltd.