Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
Pew-Thian Yap, Ph.D., profesor asociado de Radiolog\u00eda y director del Grupo de An\u00e1lisis de Im\u00e1genes de la UNC (BRIC), es el autor principal de los resultados experimentales publicados en Nature Machine Intelligence que demuestran el uso efectivo de una red neuronal de correcci\u00f3n de artefactos retrospectiva (RAC) aprendida con datos no emparejados para desenredar y eliminar artefactos de imagen no deseados. <\/p>\n
La imagen por resonancia magn\u00e9tica (MRI) es susceptible a artefactos causados por el movimiento que pueden inutilizar las im\u00e1genes y causar p\u00e9rdidas financieras en los estudios de im\u00e1genes. En el Centro de im\u00e1genes de investigaci\u00f3n biom\u00e9dica (BRIC) de la UNC, el director principal de an\u00e1lisis de im\u00e1genes Pew-Thian Yap, Ph.D. lidera un equipo que explora el uso del aprendizaje profundo para identificar im\u00e1genes de baja calidad con una precisi\u00f3n casi humana en milisegundos. Su trabajo de investigaci\u00f3n tiene como objetivo aumentar la toma de decisiones oportunas en la repetici\u00f3n de la resonancia magn\u00e9tica.<\/p>\n
La correcci\u00f3n retrospectiva de artefactos (RAC) es una t\u00e9cnica cada vez m\u00e1s investigada en la resonancia magn\u00e9tica para la correcci\u00f3n de artefactos inducidos por el movimiento. En la edici\u00f3n del 19 de enero de 2021 de Nature Machine Intelligence, el equipo de investigaci\u00f3n del Dr. Yap public\u00f3 resultados experimentales con datos del Proyecto UNC\/UMN Baby Connectome que demostraron el uso efectivo de una red neuronal RAC aprendida con datos no emparejados para desenredar y eliminar artefactos de imagen no deseados. Sus hallazgos tambi\u00e9n revelaron la capacidad de la red RAC para retener detalles anat\u00f3micos en im\u00e1genes de RM con diferentes contrastes, mejorar la calidad posterior a la adquisici\u00f3n de im\u00e1genes de RM y mejorar la usabilidad de la imagen.<\/p>\n
El impacto de este Instituto Nacional de Im\u00e1genes Biom\u00e9dicas y Bioingenier\u00eda (NIBIB) estudio de im\u00e1genes aplicadas evidencia una correcci\u00f3n de movimiento superior a trav\u00e9s de t\u00e9cnicas de inteligencia artificial para RAC. Esta investigaci\u00f3n demuestra que se justifica un mayor estudio de t\u00e9cnicas confiables de inteligencia artificial para RAC para beneficiar la correcci\u00f3n y reconstrucci\u00f3n de im\u00e1genes en futuros estudios de IRM.<\/p>\n
Dr. Yap se\u00f1al\u00f3: \u00abEl RAC impulsado por IA puede recuperar innumerables im\u00e1genes con artefactos de movimiento para aumentar significativamente la cantidad de im\u00e1genes utilizables y reducir las p\u00e9rdidas financieras para los estudios de im\u00e1genes\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Definici\u00f3n de im\u00e1genes cl\u00ednicas con IA y tintes de contraste actualmente aprobados M\u00e1s informaci\u00f3n:<\/strong> Siyuan Liu et al. Aprendizaje de la eliminaci\u00f3n de artefactos de resonancia magn\u00e9tica con datos no emparejados, Nature Machine Intelligence (2021). DOI: 10.1038\/s42256-020-00270-2 Informaci\u00f3n de la revista:<\/strong> Nature Machine Intelligence <\/p>\n Proporcionado por la Facultad de Medicina de la Universidad de Carolina del Norte en Chapel Hill Cita<\/strong>: Investigaci\u00f3n encuentra la eficacia de la inteligencia artificial en la eliminaci\u00f3n de artefactos de resonancia magn\u00e9tica (28 de enero de 2021) consultado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-01-efficacy-artificial-intelligence-mri-artefact.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico Pew-Thian Yap, Ph.D., profesor asociado de Radiolog\u00eda y director del Grupo de An\u00e1lisis de Im\u00e1genes de la UNC (BRIC), es el autor principal de los resultados experimentales publicados en Nature Machine Intelligence que demuestran el uso efectivo de una red neuronal de correcci\u00f3n de artefactos retrospectiva (RAC) aprendida con datos no … Continuar leyendo \u00abLa investigaci\u00f3n encuentra la eficacia de la inteligencia artificial en la eliminaci\u00f3n de artefactos de resonancia magn\u00e9tica\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-12419","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/12419","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=12419"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/12419\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=12419"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=12419"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=12419"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}