Gyurkity Péter
Gépi tanulás teszi jobbá a komputertomográfiát
Az így kapott képek ugyanis a kisebb dózisú sugárzás mellett is jobb minőséget mutatnak.
Az orvostudomány területén a Röntgen-átvilágítási technika továbbfejlesztéseként megjelent komputertomográfia (CT) komoly előrelépést jelentett, többek között azért, mert a szakemberek gyakorlatilag a teljes emberi szervezet szeletekre felbontott részletes képeit kaphatták így meg. Továbbra is problémát jelent viszont a sugárzás mértéke, amelynek kapcsán komoly kritikák is elhangoztak, viszont most egy új eljárás révén nyújtanák megoldást erre.
A több különböző intézetben dolgozó amerikai kutatók közösen dolgoztak ki egy új alternatívát, amely a gépi tanulás folyamatának bevonásával nyújthat optimális megoldást a sugárzással és a képminőséggel kapcsolatos problémákra. A kritikákra ugyanis a szakemberek eleinte a dózis csökkentésével igyekeztek válaszolni, ami viszont érzékelhető módon rontotta a képek minőségét, amit az ezt követően kidolgozott eljárások (iteratív algoritmusok) révén sem sikerült teljes mértékben kiküszöbölni. Jelen pillanatban is komoly fejtörést okoz, hogy a felvételek javítására bevetett különböző számítógépes algoritmusok nemcsak a zajt távolítják el az egyes képekről, de egyes esetekben hasznos információkat törölnek, illetve káros módon változtatják meg a végeredményt. Ideális megoldást tehát eddig nem találtunk, a gépi tanulás viszont elhozhatja az arany középutat.
A hivatalos közlemény szerint a kutatók ugyanis ezáltal javítani tudtak a felvételek minőségén, ez minden esetben legalább olyan jó eredményt mutatott, mint az eddig használt algoritmusok (számos alkalommal pedig sokkal pontosabbnak bizonyult), ráadásul a képeket gyorsabban kapták meg, ami viszont azt is lehetővé tenné az orvosok számára, hogy a klinikai követelményeknek megfelelően tovább finomítsák azokat. Kiemelték, hogy a munka során nem fértek hozzá az eredeti, nyers adatokhoz, vagyis ezek bevonásával, valamint a gépi tanulási folyamat további optimalizálásával idővel még jobb eredményeket kaphatunk.
Arról egyelőre nem esett még szó, hogy a technika mikor jelenhet meg a hétköznapokban, a munka eddigi gyümölcsei azonban biztató fejleménynek minősülnek, így a résztvevők pozitívan állnak ehhez hozzá.
Az orvostudomány területén a Röntgen-átvilágítási technika továbbfejlesztéseként megjelent komputertomográfia (CT) komoly előrelépést jelentett, többek között azért, mert a szakemberek gyakorlatilag a teljes emberi szervezet szeletekre felbontott részletes képeit kaphatták így meg. Továbbra is problémát jelent viszont a sugárzás mértéke, amelynek kapcsán komoly kritikák is elhangoztak, viszont most egy új eljárás révén nyújtanák megoldást erre.
A több különböző intézetben dolgozó amerikai kutatók közösen dolgoztak ki egy új alternatívát, amely a gépi tanulás folyamatának bevonásával nyújthat optimális megoldást a sugárzással és a képminőséggel kapcsolatos problémákra. A kritikákra ugyanis a szakemberek eleinte a dózis csökkentésével igyekeztek válaszolni, ami viszont érzékelhető módon rontotta a képek minőségét, amit az ezt követően kidolgozott eljárások (iteratív algoritmusok) révén sem sikerült teljes mértékben kiküszöbölni. Jelen pillanatban is komoly fejtörést okoz, hogy a felvételek javítására bevetett különböző számítógépes algoritmusok nemcsak a zajt távolítják el az egyes képekről, de egyes esetekben hasznos információkat törölnek, illetve káros módon változtatják meg a végeredményt. Ideális megoldást tehát eddig nem találtunk, a gépi tanulás viszont elhozhatja az arany középutat.
A hivatalos közlemény szerint a kutatók ugyanis ezáltal javítani tudtak a felvételek minőségén, ez minden esetben legalább olyan jó eredményt mutatott, mint az eddig használt algoritmusok (számos alkalommal pedig sokkal pontosabbnak bizonyult), ráadásul a képeket gyorsabban kapták meg, ami viszont azt is lehetővé tenné az orvosok számára, hogy a klinikai követelményeknek megfelelően tovább finomítsák azokat. Kiemelték, hogy a munka során nem fértek hozzá az eredeti, nyers adatokhoz, vagyis ezek bevonásával, valamint a gépi tanulási folyamat további optimalizálásával idővel még jobb eredményeket kaphatunk.
Arról egyelőre nem esett még szó, hogy a technika mikor jelenhet meg a hétköznapokban, a munka eddigi gyümölcsei azonban biztató fejleménynek minősülnek, így a résztvevők pozitívan állnak ehhez hozzá.