源之原味

 

这篇文章来自 nvidia.com。原始 url 是: https://blogs.nvidia.com/blog/2018/06/15/fast-ai-ultrasounds/

以下内容由机器翻译生成。如果您觉得可读性不好, 请阅读原文或 点击这里.

在过去的十年里, 腹部超声检查器官异常的情况没有多大变化, 医生用魔杖在病人的腹部上移动, 凝视着模糊的图像。但是在美国研究人员的深入学习的基础上, 这一过程的准确性提高了1000倍。

测试通常需要大约半小时。这似乎不是很长的时间, 但鉴于医院每年进行数以千计的扫描, 他们最终会花费大量的时间提供这个程序, 当他们可能会看到更多的病人。

这些检查是为了诊断包括肾脏、肝脏或胆囊在内的各种内脏器官的异常, 需要那些必须找到正确角度进行超声成像的从业者进行大量的努力, 并在文本中标注这些观点, 并记录相关测量结果。

西门子和范德比尔特大学的研究人员正努力在深入学习的帮助下自动化这些任务。他们用 NVIDIA 泰坦 X GPUs 以及该 cuDNN加速 PyTorch 深入学习的框架, 开发第一个系统, 可以同时分类和检测器官和任何异常。

与他们的模型, 整个过程也更快-病人可能永远不需要坐在腹部超声, 持续超过几秒钟。这意味着, 在需要医院进行一次超声检查的时候, 团队的系统可以执行近30。

"我的目标是开发一些健壮和有效的医学图像分析算法, 以了解大规模医学图像数据," 鲍元恺说, 研究和研究助理教授的研究员, 电气工程和计算机范德比尔特大学的科学。

机器人的多任务教学

到目前为止, 以前在自动化医学成像过程中的尝试已经部署了多个网络, 一个用于分类和标志性检测任务。然而, 由于大多数超声扫描仪的计算和内存资源有限, 这些努力是不切实际的。

为了克服这些限制, 研究小组的新的基于深度学习的系统通过一个单一的网络处理所有任务, 提高效率和实用性。他们训练了系统使用超过18.7万张图片从706个患者, 这是唯一可能的, 因为 NVIDIA 泰坦 X GPUs 能够以更快的速度加速事情的进行。

腹部超声分析任务概述。右上角表示相关的地标检测任务, 而长-短-轴地标对分别以红色和绿色着色。

在一项实验研究中, 该系统的任务是分类和检测患者扫描器官, 小组的研究和开发工作得到了奖励: 他们的系统不仅优于以前的神经网络, 但也优于人类正确诊断异常的专家。

"NVIDIA GPUs 对计算能力的改进帮助我们实现了以前不可能达到的科学目标," 霍说。"我觉得整个医学图像分析社区已经被改造的计算能力的进步。

由于医学领域的进步和深入的学习技术, 患者可能永远不会再坐在冗长的超声波, 医生将有更多的时间来咨询病人和制定适当的治疗计划。

Leave A Reply

Your email address will not be published.