Deep Learning
Le Deep Learning, Aprentissage Profond, est une technique de Machine Learning utilisant la combinaison d’algorithmes d’apprentissage automatique sur plusieurs couches de traitements dans lequel les réseaux de neurones profonds (DCNN) s’adaptent et apprennent sur la base de vastes quantités de données.
Deep Learning Reconstruction (DLR)
AiCE a été entrainé avec un grand nombre d’images de scanner d’excellente qualité reconstruites avec l’algorithme avancé MBIR (Model Based Iterativ Reconstruction). Cette étape d’apprentissage automatique permet de distinguer le bruit du signal utile et de le supprimer sélectivement . Les résultats sont validés par une large communauté de scientifiques, radiologues, médecins, experts de l’IA et chercheurs afin de proposer un algorithme parfaitement entrainé pour une utilisation sécurisée en routine clinique.
Le réseau de neurones profonds (DCNN) est entrainé pour préserver la résolution spatiale et les propriétés de faible bruit intrinsèques à l’algorithme avancé MBIR.
Plus le volume de données fournies pendant la phase d’entraînement est important, meilleures seront les performances de l’algorithme AiCE final en termes de qualité d’image et de vitesse de reconstruction.
Le réseau de neurones profonds (DCNN) est auto-entraîné pour s’enrichir et devenir plus performant à chaque nouvelle tâche. La phase d’entrainement est monitorée par un expertt de l’IA et des DCNN qui peut ajuster les paramètres de calculs pour garantir le niveau de performances à atteindre.
L’algorithme subit ensuite une phase de validation intense pendant laquelle il doit identifier et isoler le bruit contenu dans les images standard. La haute qualité image à atteindre par l’AiCE est monitorée, évaluée et potentiellement ajustée par l’expert IA.
Une fois l’algorithme validé, le DCNN est porté à un niveau de performances avancées maximum pour garantir la qualité des images reconstruites indépendamment du volume des patients et de la dose RX.