Framework di Deep Learning Rileva Anomalie in Risonanze Magnetiche Pelviche e Cerebrali

Un framework completamente automatizzato e non supervisionato per il rilevamento di anomalie in risonanze magnetiche pelviche e cerebrali è stato creato da ricercatori, mirando ai punti deboli dei sistemi di radioterapia potenziati dall'IA. Questo modello a due stadi ha utilizzato immagini di riferimento da dataset pubblici: LUND-PROBE per la risonanza pelvica e IXI, fastMRI e fastMRI+ per quella cerebrale. Inizialmente, le fette di risonanza vengono trasformate in token discreti, seguiti dalla modellazione della distribuzione dei token normali. Il rilevamento delle anomalie è ottenuto integrando le differenze percettive dell'immagine con i punteggi di sorpresa dei token derivati dalla log-verosimiglianza negativa. La ricerca approfondisce il rilevamento di anomalie basato su deep learning per la risonanza pelvica, un'area che ha visto una limitata esplorazione, e valuta il suo potenziale per la completa automazione, con l'obiettivo di identificare immagini fuori distribuzione che potrebbero interrompere le operazioni cliniche.