Wspólnotowy Serwis Informacyjny Badan i Rozwoju - CORDIS

FP7

AKMI Wynik w skrócie

Project ID: 303655
Źródło dofinansowania: FP7-PEOPLE
Kraj: Dania

W jądrze obrazowania medycznego

Hamulcem dla innowacji w technologii obrazowania medycznego jest niemożność wyekstrahowania z obrazów danych potrzebnych do rozpoznania choroby lub monitorowania stanu pacjenta, w tym danych krytycznie istotnych. W ramach finansowanego przez UE projektu opracowano technikę uczenia maszynowego na bazie jądra, aby rozpoznawać chorobę zwyrodnieniową stawów i przewidywać ryzyko raka sutka.
W jądrze obrazowania medycznego
Choroba zwyrodnieniowa stawów i rak sutka należą do chorób związanych z dużymi kosztami społeczno-ekonomicznymi. Wczesne rozpoznanie w dużej mierze polepsza prognozy dla pacjentów i ich jakość życia. Jednakże obrazowanie medyczne nie jest jeszcze wystarczająco zaawansowane, aby wykrywać te choroby u wszystkich pacjentów z racji heterogenności tkanek i małej dokładności metody. Projekt AKMI (Advanced kernel-methods for medical imaging) miał za zadanie rozwiązać te problemy.

Naukowcy z projektu AKMI prowadzili wszechstronne badania różnych architektur do wyboru cech, w tym hierarchiczne metody jądra, ograniczone maszyny Boltzmanna (RBM) i konwolucyjne sieci neuronowe (CNN). Ich rozwiązania na bazie RBM zostały już sprawdzone w rozlicznych zadaniach polegających na rozpoznaniu wzorca i stanowią elementy budulcowe tworzonych głębokie sieci przekonań (ang. Deep Belief Network, DBN)

Uczestnicy również stosowali i analizowali korzystające z funkcji jądra algorytmy uczenia, np. maszyny oparte na wektorach podtrzymujących (ang. Support Vector Machine, SVM). Opublikowali artykuł opisujący ryzyko nadmiernego dopasowania przy niewłaściwym doborze modelu i przedstawili wytyczne pozwalające uniknąć tego problemu.

Kolejnym ważnym osiągnięciem było opracowanie strategii porównywania i doboru modeli, którą opisano w publikacji w czasopiśmie Journal of Machine Learning Research w 2015 roku. Korzystając z klasyfikatorów liniowych, jak SVM i funkcja kosztu krawędzi rho, udowodnili, że minimalizacja podstawowego ograniczenia krawędzi stanowi problem NP-trudny. Ponadto stosowali algorytmy haszujące, aby przyspieszyć metody jądra do obliczania podobieństwa zestawów i ciągów bitów.

Uczestnicy projektu AKMI z powodzeniem zastosowali algorytmy uczenia maszynowego na bazie architektury CNN do skutecznego obrazowania 3D choroby zwyrodnieniowej stawów i oceny ilościowej uszkodzenia chrząstki. To podejście dało dokładniejsze wyniki niż obrazowanie RM, które jest obecnie najnowocześniejszą metodą rozpoznawania choroby zwyrodnieniowej stawów. Zastosowanie metod CNN do oceny ryzyka raka sutka okazało się również bardzo użyteczne.

Badanie AKMI stanowi dowód, że metody uczenia maszynowego rozpoznawania i analizy wzorców mogą znacząco ulepszyć analizę wyników obrazowania medycznego. Wdrożenie tych narzędzi do postępowania w leczeniu pacjentów przyspieszy rozpoznawanie chorób, umożliwi włączenie leczenia na czas i poprawi jego skuteczność.

Powiązane informacje

Słowa kluczowe

Jądro, obrazowanie medyczne, uczenie maszynowe, choroba zwyrodnieniowa stawów, rak sutka, AKMI
Numer rekordu: 190801 / Ostatnia aktualizacja: 2016-12-23
Śledź nas na: RSS Facebook Twitter YouTube Zarządzany przez Urząd Publikacji UE W górę