Una revisión del procesamiento y análisis de imágenes tomográficas computarizadas utilizando métodos de aprendizaje...

Área de la Ciencia:

• Inteligencia artificial
• Imágenes médicas
• La radioterapia

Sus antecedentes:

• Los métodos de aprendizaje profundo (DL), especialmente las redes neuronales artificiales, han avanzado significativamente, sobresaliendo en el análisis de datos complejos.
• La atención médica utiliza cada vez más DL para el procesamiento de imágenes debido a la dependencia del campo en los datos de imágenes.
• La radioterapia depende en gran medida de las imágenes anatómicas y funcionales, como la tomografía computarizada (TC).

Objetivo del estudio:

• Revisar las metodologías de aprendizaje profundo y las estructuras de las redes neuronales.
• Para conectar estos conceptos de DL con el procesamiento médico de imágenes de TC en radioterapia.
• Centrarse en las etapas de mejora y análisis de la imagen dentro de la radioterapia.

Principales métodos:

• Revisión de las metodologías de aprendizaje profundo, incluidos los tipos y arquitecturas de redes neuronales.
• Aplicación de los conceptos de DL al procesamiento médico de imágenes de TC para radioterapia.
• Examen de técnicas específicas de mejora y análisis de imágenes.

Principales resultados:

• El aprendizaje profundo sobresale en la extracción de patrones de conjuntos de datos grandes y complejos como imágenes médicas.
• Las técnicas DL son aplicables a diversas tareas de procesamiento de imágenes de radioterapia CT.
• Las aplicaciones específicas incluyen la desnudez de imágenes, la superresolución, la generación, el registro y la segmentación.

Conclusiones:

• El aprendizaje profundo ofrece herramientas poderosas para avanzar en el procesamiento de imágenes CT médicas en radioterapia.
• La comprensión de las metodologías DL es crucial para optimizar los flujos de trabajo de radioterapia.
• Se requiere más investigación y aplicación de DL en imágenes de radioterapia.