人工智能和医学技术
医学领域的人工智能
我们的主要兴趣焦点之一是利用创新的人工智能方法,结合独特的信号处理工具,解决现实世界的健康挑战。通过与以色列和国外的放射科医生和临床医生的密切合作,我们发现未满足的临床需求,并参与临床项目,旨在加强疾病的早期发现,减少诊断错误,支持医生的决策,并创造更高质量的成像设备。
我们的研究课题包括
- 多模式深度学习:结合从不同成像方式获得的信息,以获得更好的诊断。例如,医生使用各种成像方式(乳房x光检查、超声、核磁共振)来诊断乳腺癌。在我们的研究中,我们试图整合从这些不同的模式中获得的信息,以提高诊断。
- 人工智能方法在超声“通道数据”分析中的应用(超声机接收到的预波束形成射频数据):试图提取重要的组织特性,以支持疾病诊断和评估,例如,帮助确定病变是良性还是恶性,或帮助量化肝脏脂肪。
- 使用人工智能进行成像模式之间的转换:例如,利用深度学习将超声图像综合转换为CT图像。
- 人工智能引导超声图像采集:我们的目标是克服超声对操作员的依赖,使非专业的超声医师也能进行高质量的扫描。
- 深度学习用于超分辨率血管超声成像:应用基于模型的深度学习方法处理从对比增强超声接收的数据,以创建血管重建具有高分辨率。
- 人工智能在Covid-19诊断和预后预测中的应用:支持抗击全球疫情。
参考文献
- D. Keidar等人,《基于深度神经网络的COVID-19 x射线图像分类》,欧洲放射学,第1-10页,2021年5月。
- O.弗兰克等人。”将领域知识集成到肺部超声深度网络中,并应用于COVID-19, IEEE医学影像汇刊,第41卷,第3期,第571-581页,2022年3月。
- 一个电影展示了我们在Covid-19领域的工作。
O. Bar-Shira, A. Grubstein, Y. Rapson, D. Suhami, E. Atar, K. Peri-Hanania, R. Rosen, Y. C. Eldar,“学习超分辨率超声改善乳腺病变特征”, miccai 2021。
B. Luijten, R. Cohen, F. J. de Bruijn, H. A. W. Schmeitz, M. Mischi, Y. C. Eldar和R. J. G. Van Sloun,基于深度学习的自适应超声波束形成, IEEE医学影像汇刊,第39卷,第12期,第3967-3978页,2020年12月。
r·j·g·范·斯洛恩,r·科恩,y·c·埃尔达,“超声成像中的深度学习”,《IEEE学报》,第108卷,第1期,第11-29页,2020年1月。
医用雷达
在过去十年中,小型、复杂和强大的毫米波雷达系统不断发展,这为新兴和令人兴奋的应用打开了大门。医疗保健部门是这一发展的最大受益者之一。这些雷达系统的一个基本应用是远程监测生命体征,不需要有线连接,产生不适或刺激,这是受接触方式的影响,可以很容易地分离。今天,诊所和医院的监测设备通过医务人员与患者连接,这种互动消耗了工作人员和患者的宝贵时间,并增加了传染病传播的风险,特别是在COVID-19等大流行时期。这种技术在这些情况下是理想的,因为雷达系统不需要用户佩戴、携带或与任何额外的电子设备交互。我们开发了使用最少数量的样本和比特来监测心率和呼吸的有效方法。我们研究的目的是实现对多人同时进行有效的远程生命体征监测,实现实时实现。