Op kunstmatige intelligentie gericht point-of-care echografie beeldinterpretatiesysteem

Echografie is een niet-invasief en niet-bestraald diagnostisch hulpmiddel in de spoedeisende hulp en de intensive care. In de klinische praktijk is tijdige interpretatie van echografische beelden essentieel om de besluitvorming te vergemakkelijken. Het hangt echter af van de ervaring van de operators. Zoals gewoonlijk kost het tijd voor junior spoedartsen om een ​​goede diagnostische nauwkeurigheid te hebben door middel van traditioneel echografisch onderwijs. Hoe het leren te verkorten Dit voorstel is voor een eenjarig project. In dit project willen we de haalbaarheid onderzoeken van het gebruik van AI voor sonografische beeldinterpretatie. Het hoofdproject is verantwoordelijk voor de coördinatie tussen de twee subprojecten en het hoofdproject, het leveren van beeldbronnen en het gebruik van U-Net (Convolutional Networks for Biomedical Image Segmentation) en Transfer Learning om de modellen voor beeldherkenning op te bouwen en de werkzaamheid te valideren van de modellen. Het doel van Deelproject 1 is het ontwikkelen van een beeldherkenningssysteem voor dynamische beelden: pericardiale effusie. Na het opbouwen van het model zal de werkzaamheid worden gevalideerd en zal toekomstige herziening plaatsvinden. Deelproject 2 komt uit op een beeldherkenningssysteem voor statische beelden: hydronefrose. Na het opbouwen van het model zal de werkzaamheid worden gevalideerd en zal toekomstige herziening plaatsvinden.

Deze baanbrekende studie kan twee AI-ondersteunde echografie-beeldherkenningssystemen bieden in echte klinische omstandigheden. Ze kunnen ervaring opdoen met klinische toepassingen en bijdragen aan het huidige medische onderwijs. Bovendien kan het het besluitvormingsproces en de kwaliteit van de zorg op de spoedeisende hulp en intensive care-afdelingen verbeteren. Bovendien kunnen de opstellingsmodellen in de toekomst worden gebruikt bij andere doel-echografiebeeldherkenning.