Santé
❯
Analyse d'images
❯Médecin augmenté
❯Diagnostic assisté par ordinateur en imagerie médicale basé sur l'apprentissage automatique
Génération de tomodensitométries à partir d'images de résonance magnétique
Pour:
Hôpitaux d'oncologie, oncologues
But:
Entraînez un modèle qui génère des images CT à partir d'examens IRM. Des images CT synthétiques peuvent être utilisées pour le calcul de la dose de rayonnement en radiothérapie.
Objectif:
Amélioration de l'efficacité des employés
Acquisition accélérée d'images par résonance magnétique
Pour:
Services de radiologie, fournisseurs d'IRM
But:
Innovations dans la formation d'images IRM
Objectif:
Amélioration de l'efficacité des employés
Plateforme d'IA pour l'analyse du scanner thoracique (détection précoce du cancer du poumon)
Pour:
Autorités sanitaires
But:
Détecter les néoplasmes malins (poumons) sur les tomodensitogrammes thoraciques
Objectif:
Anticiper les risques, améliorer l'efficacité des employés
Solution d'IA pour le traitement de bout en bout des images de microscopie cellulaire
Pour:
Branches biochimiques, métabolomiques et d'imagerie de la biomédecine
But:
Restauration d'images de microscopie naturellement déformées pour la visualisation et l'analyse suivantes de modèles significatifs de formation de protéines à l'intérieur des cellules vivantes.
Objectif:
Amélioration du développement de produits / R&D
Diagnostic assisté par ordinateur en imagerie médicale basé sur l'apprentissage automatique
But:
Détection des anomalies d'image.
Objectif:
Améliorer l'efficacité des opérations
Diagnostic assisté par ordinateur en imagerie médicale basé sur l'apprentissage automatique
Objectif:
Améliorer l'efficacité des opérationsProblème adressé
Fournir une méthode d'IA pour alléger le fardeau croissant du diagnostic histopathologique par les humains.
But du cas d'usage
Détection des anomalies d'image.
Description
Dans le diagnostic histopathologique, un pathologiste clinique fait la distinction entre les tissus normaux et les tissus cancéreux. Cependant, récemment, la pénurie de pathologistes cliniques pose un fardeau croissant pour répondre aux demandes de tels diagnostics, et cela devient un problème social sérieux. Actuellement, il est nécessaire de développer de nouvelles technologies médicales pour aider à réduire ces charges. Par conséquent, en tant que technologie d'aide au diagnostic, ce projet propose une méthode étendue d'extraction de caractéristiques d'autocorrélation locale d'ordre supérieur (HLAC) pour la classification des images histopathologiques en normal et en anomalie. La méthode proposée peut classer automatiquement les images cancéreuses en tant qu'anomalies en utilisant des caractéristiques HLAC invariantes géométriques étendues avec des propriétés invariantes de rotation et de réflexion à partir d'images histopathologiques à trois niveaux, qui sont segmentées en noyau, cytoplasme et arrière-plan. Dans les expériences menées, nous démontrons une réduction du taux non seulement d'erreurs de faux négatifs mais aussi d'erreurs de faux positifs, où une image normale est faussement classée comme une image avec une anomalie suspectée d'être cancéreuse.
Voir -Vidéo
IA: Percevoir
Vision par ordinateur
IA: Comprendre