الگوریتم های خودآموزی داده های تصویر پزشکی را تجزیه و تحلیل می کنند – ScienceDaily

[ad_1]

تکنیک های تصویربرداری امکان مشاهده دقیق بدن را فراهم می کند. اما تفسیر داده ها زمان بر است و نیاز به تجربه زیادی دارد. شبکه های عصبی مصنوعی امکانات جدیدی را ایجاد می کنند: برای تفسیر اسکن کل بدن موش ها و تقسیم و تصویر اندام ها به جای سایه های مختلف خاکستری ، فقط به چند ثانیه زمان نیاز است. این تجزیه و تحلیل را بسیار ساده می کند.

کبد چقدر بزرگ است؟ آیا در صورت مصرف دارو تغییر می کند؟ آیا کلیه ملتهب است؟ آیا تومور مغزی وجود دارد و متاستاز قبلاً ایجاد شده است؟ برای پاسخ به چنین س questionsالاتی ، زیست شناسان و پزشکان تاکنون مجبور شده اند اطلاعات زیادی را بررسی و تفسیر کنند.

الیور چوپه توضیح می دهد: “تجزیه و تحلیل فرایندهای تصویر سه بعدی بسیار پیچیده است.” همراه با یک تیم تحقیقاتی میان رشته ای ، محقق TUM اکنون الگوریتم های یادگیری خود را برای کمک به تجزیه و تحلیل داده های تصویربرداری بیولوژیکی در آینده ایجاد کرده است.

در قلب این نرم افزار ، AIMOS – مخفف تقسیم ماوس مبتنی بر هوش مصنوعی – شبکه های عصبی مصنوعی هستند که مانند مغز انسان قادر به یادگیری هستند. چوپه می گوید: “پیش از این ، شما مجبور بودید دقیقاً به برنامه های رایانه بگویید که می خواهید چه کاری انجام دهند.” “شبکه های عصبی به چنین دستورالعمل هایی احتیاج ندارند:” کافی است با ارائه چندین بار مسئله و راه حل آنها را آموزش دهید. به تدریج ، الگوریتم ها شروع به شناسایی مدل های مربوطه می کنند و می توانند به تنهایی راه حل های مناسب را پیدا کنند. “

آموزش الگوریتم های خودآموزی

در پروژه AIMOS ، الگوریتم ها با استفاده از تصاویر ماوس آموزش داده شدند. هدف از این کار اختصاص دادن نقاط تصویر از اسکن سه بعدی کل بدن به اندام های خاص مانند معده ، کلیه ها ، کبد ، طحال یا مغز بود. بر اساس این وظیفه ، برنامه می تواند موقعیت و شکل دقیق را نشان دهد.

چوپه یادآور شد: “ما به اندازه کافی خوش شانس بودیم که از یک پروژه تحقیقاتی متفاوت به چند صد تصویر موش دسترسی پیدا کردیم ، که همه آنها قبلا توسط دو زیست شناس تفسیر شده بودند.” این تیم همچنین به اسکن های میکروسکوپی فلورسنت سه بعدی از انستیتوی مهندسی بافت و پزشکی بازساختی در Helmholtz Zentrum München دسترسی داشتند.

محققان با استفاده از یک تکنیک خاص توانستند رنگ را کاملاً از موش های از قبل مرده پاک کنند. می توان اجسام شفاف را با میکروسکوپ گام به گام و لایه به لایه تصویربرداری کرد. فاصله بین نقاط اندازه گیری فقط شش میکرومتر بود – که برابر با اندازه سلول است. زیست شناسان نیز اعضای بدن را در این مجموعه داده ها قرار داده بودند.

هوش مصنوعی دقت را بهبود می بخشد

در TranslaTUM ، تکنسین های اطلاعات داده های الگوریتم های جدید خود را ارائه دادند. شوپ گفت: “آنها سریعتر از حد انتظار یاد گرفتند:” ما فقط قبل از اینکه نرم افزار بتواند داده های تصویر را به تنهایی – و در عرض چند ثانیه تجزیه و تحلیل کند ، فقط به ده اسکن کامل بدن نیاز داشتیم. ساعتها بشر طول می کشد تا این کار را انجام دهد. “

سپس این تیم با استفاده از 200 اسکن اضافی از کل بدن موش ها ، قابلیت اطمینان هوش مصنوعی را آزمایش کردند. پروفسور بوئنر منزه ، رئیس گروه مدل سازی زیست پزشکی مبتنی بر تصاویر در TranslaTUM ، گفت: “نتیجه نشان می دهد که الگوریتم های خودآموزی نه تنها در تجزیه و تحلیل داده های بیولوژیکی تصاویر سریعتر از انسان هستند ، بلکه دقیق تر نیز هستند.” دانشگاه فنی مونیخ.

در آینده باید از نرم افزار هوشمند استفاده شود ، خصوصاً در تحقیقات بنیادی: «تصاویر موشها برای مثال بررسی تأثیر داروهای جدید قبل از اینکه به انسانها داده شوند حیاتی هستند. استفاده از الگوریتم های خودآموزی برای تجزیه و تحلیل داده های تصویر در آینده باعث صرفه جویی در وقت زیادی در آینده خواهد شد. “

[ad_2]

منبع: unbox-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>