Speaker
Description
Wstęp: Zastosowanie sztucznej inteligencji można coraz częściej zaobserwować w medycynie m.in. w wspomaganiu decyzji czy polepszaniu jakości obrazowania. Zastosowanie tych metod pozwala na szybszą i celniejszą diagnozę, co przenosi się na efektywną terapię, która pozwoli uratować życie i zdrowie chorego. Do niedawna wykorzystanie sztucznej inteligencji było wręcz niemożliwe, jednak rozwój technologii informatycznych oraz nowe i wydajne serwery obliczeniowe umożliwiły wykonywanie wielu obliczeń w tym samym czasie, co pozwoliło na uczenie programów do celów medycznych.
Cel: Celem niniejszej pracy było przygotowanie odpowiedniego algorytmu, a następnie, w oparciu o oprogramowanie YOLO, nauczenie sieci neuronowej, a w efekcie końcowym przeprowadzenie wysoce dokładnej identyfikacji zmian nowotworowych uwidocznionych na obrazach medycznych pozyskanych z badań PET/CT.
Materiały i Metody: W pracy wykorzystano obrazy pochodzące z badania PET/CT pacjentów z podejrzeniem choroby nowotworowej. Dane zostały podzielone na osoby zdrowe, które nie posiadały ognisk patologicznego wychwytu radioznacznika oraz pacjentów z trwającą chorobą nowotworową. Do nauczenia sieci neuronowej wykorzystano obrazy pacjentów zdrowych, a następnie za pomocą YOLO nauczono algorytm, aby wyznaczał w ciele pacjenta obszary fizjologicznego wychwytu radioznacznika (m.in. mózg, serce, drogi moczowe). Obraz pacjenta po wykryciu i usunięciu sygnału pochodzącego z fizjologicznego wychwytu radioznacznika pozwolił na uwidocznienie podejrzanych miejsc charakteryzujących się jego zwiększonym wychwytem, co mogło wskazywać na aktywny proces nowotworowy.
Wyniki: Pierwsze otrzymane wyniki pozwoliły zauważyć, że opracowany algorytm ma bardzo duży potencjał, a wraz z większą liczbą danych, zwiększa się jego dokładność. Osiągnięcie wiarygodnych wyników wymaga zebrania bardzo dużej bazy danych wejściowych oraz powtórzenia procesu uczenia sieci neuronowej, celem jej zastosowania w praktyce klinicznej.
| Sesja | Medycyna Nuklearna |
|---|
