使用基于人工智能的学习将超声图像转换为 CT 格式成像

医学实验的背景和原理：

超声成像是一种利用声波来表征健康和疾病状态下各种器官的结构和功能的成像方法。 该技术在临床日常生活中应用广泛，益处多多。 该检查不涉及电离辐射的使用，因此它的使用比 X 射线或 CT 扫描（计算机断层扫描）等其他技术更安全。 在超声设备上获取和查看的图像是实时的，因此可以识别变化，这在许多情况下会影响最终诊断。 该测试是非侵入性的，也不需要使用含有可能引起过敏反应或损害肾功能的物质的造影剂。 此外，该设备应用广泛，床边也可使用。 除了上述优点外，超声检查也有明显的缺点。 超声波不能很好地穿透骨骼或空气，从而影响测试质量。 此外，该方法高度依赖于操作者的技能，因此需要丰富的经验才能产生足够的质量信息并做出准确的诊断。 测试的质量还取决于被试在测试过程中的配合，例如姿势的变化和深呼吸。

与超声检查相比，CT扫描的解剖视野更广，不受骨骼和空气等生理因素的限制。 CT 扫描最显着的缺点包括测试需要电离辐射，这不可避免地对患者的健康造成直接和间接的危害。 此外，该测试需要更多的财力和人力资源，这限制了它在医院外或社会经济地位较差的国家的使用。

在这项研究中，研究人员旨在弥合这两种技术之间的差距，并创建一个利用这两种技术的统一系统。 这是通过从超声图像创建 CT 图像来完成的。 这个过程将涉及使用人工智能方法，即机器学习算法。

总体而言，机器学习，尤其是深度学习，近年来在计算机视觉领域以及最近在医学成像领域获得了发展势头。 此外，人们已经可以看到在视网膜疾病分类方面取得了重大成功，其中传感器是眼底相机或光学相干断层扫描 (OCT)，在乳房 MRI 成像 3 的分类中，以及最近，在使用胸部 X 光和超声波扫描对冠状病毒引起的疾病的严重程度进行分类。

机器学习包括两个阶段。 在第一阶段，该算法使用架构和目标函数对标记数据进行训练，从而实现高精度。 在第二步中，研究人员将针对尚未观察到的数据测试算法。 需要注意的是，大量的标记数据对算法的开发非常有帮助，但与此同时，生成标记数据可能很困难，而且可能是一个漫长而昂贵的过程。 因此，调查人员将使用无监督或半监督的方法。

医学研究的目标：向人工智能系统提供超声和射线照相信息，以便从超声图像创建 CT 图像，以便更好地定位空间以及更好地表征扫描的解剖结构。

研究类型：一项前瞻性、开放标签研究，医生和患者都知道扫描的方式和目的。

实验程序：符合研究标准的参与者将在 Haemek 医学中心的影像研究所使用临床超声设备对腹部器官进行完整的超声扫描。 预计考试时间为 20 分钟。 使用位于上述超声设备中的融合系统，超声图像将在检查时与同一患者的先前 CT 图像视觉耦合。

请注意，如果参与者是来参加无论如何都应该进行的临床超声检查，他将照常通过临床检查，然后将作为研究的一部分单独进行上述检查。

耦合的 CT 和超声图像将被编码并发送到魏茨曼研究所的 SAMPL 实验室，在那里图像将作为人工智能系统的学习平台。 只有在受试者个人详细信息编码为 EXCEL 文件并由主要研究者保存后，才会传输图像。 只有首席研究员和二级研究员会接触到预编码信息，这些信息将存储在首席研究员的专用计算机上，并受密码保护。

收集到的编码信息将在研究过程中不断传递给魏茨曼研究所，以确保信息的良好获取以及实时反馈给首席研究员的可能性，以获取更好的质量信息以进行数据分析。

在 SAMPL 实验室未来任何有关参与者详细信息的应用程序中，当编码密钥仅在临床现场（Haemek 医院）时，它必须与序列号联系。 魏茨曼研究所的 SAMPL 实验室在实验的任何阶段都不会以任何方式暴露参与者的身份信息。

监测参与者和报告医疗结果

如果在研究过程中发现对患者健康很重要的意外医学发现，则主要研究者有责任立即将其转交给主治医师，以进行进一步的随访和必要的标准医疗护理治疗。 作为临床试验的一部分，在实验扫描后不会对参与者进行跟进。