TrueFidelity™ GSI images

Pour en savoir plus*

TrueFidelity – Reconstruction d’image en Deep learning *

Quand le Deep learning fait la différence.

L'efficacité d'une application de reconstruction d'image par Deep learning dépend de la formation de cette application. Pour entraîner son moteur de reconstruction, GE Healthcare a choisi une une base de données de milliers d'images à faible bruit issues de la rétroprojection filtrée (filtered back projection, ou FBP). Ces images sont considérées comme la référence en matière de qualité d'image.

  • Conception

    Création de couches d'équations mathématiques, d'un Deep Neural Network (réseau de neurones profond, ou DNN) qui peut traiter des millions de paramètres.

  • Formation

    Traitement d'un sinogramme à bruit élevé via un réseau de neurones profond (DNN) et comparaison de l'image résultante avec une version à faible bruit de la même image. Ces deux images sont comparées sur de nombreux paramètres, comme le bruit dans l’image, la résolution à faible contraste, la détectabilité à faible contraste, la texture du bruit, etc. L’image obtenue indique les différences détectées au réseau par rétropropagation, permettant ainsi d’enrichir le réseau DNN, qui va apprendre en fonction des résultats souhaités.

  • Vérification

    Le réseau doit reconstruire des cas cliniques et fantômes jamais vus auparavant, y compris des cas extrêmement rares pensés pour pousser le réseau dans ses retranchements et confirmer sa robustesse.

Fiabilité. Pas de compromis.

Comparées à la reconstruction itérative à base de modèles la plus sophistiquée qui soit, les images TDM TrueFidelity propulsent l'acquisition à un autre niveau. La visualisation des contrastes est maintenue, le bruit et les artefacts sont minimisés, les contours sont conservés, et ce juste assez pour bénéficier d'une clarté remarquable, en évitant les compromis liés à une texture de bruit inconnue¹.

Témoignages

Dhiraj Baruah, MD Froedtert & the Medical College of Wisconsin « La réduction du bruit dans les images cardiaques avec Deep learning permet de réduire les valeurs kVp sans compromis sur la qualité de l’image. »

Galerie d'images : Comparaison de différentes technologies de reconstruction

  • FBP | 2,5 mm

  • ASiR-V 50% | 2,5 mm

  • Reconstruction d'image par Deep learning | 2,5 mm

  • FBP | 0,625 mm

  • ASiR-V 50 % | 0,625 mm

  • Reconstruction d'image par Deep learning | 0,625 mm

  • FBP | 0,625 mm

  • ASiR-V 50 % | 0,625 mm

  • Reconstruction d'image par le Deep learning | 0,625 mm

  • FBP

  • ASiR-V 50 %

  • La reconstruction d'image avecle Deep learning 

Voyez par vous-même

Pour les utilisateurs actuels de scanner GE : contactez votre représentant pour voir vos propres images reconstruites à l'aide de TrueFidelity.
En savoir plus sur les images TrueFidelity de GE Healthcare

Ressources*

1. Comme démontré lors d'un essai clinique sur 60 cas et avec le concours de 9 médecins, où chaque cas a été reconstruit avec la technique DLIR ainsi que la technique ASiR‐V, et évalué par 3 de ces médecins. Dans 100 % des interprétations, la netteté d'image de la DLIR était égale ou supérieure à celle de l'ASiR-V. Dans 91 % des interprétations, la texture du bruit de la DLIR était supérieure à la texture du bruit de l'ASiR-V. Cette notation est basée sur les préférences de chaque médecin.

* contenu en anglais
MENTIONS LEGALES

True Fidelity est le nom commercial de DLIR ( Reconstruction d’image par Deep learning) utilisé avec le Revolution CT est intégré dans le CT SW en option. Deep Learning Image Reconstruction Utilisation prévue Le logiciel DLIR (Deep Learning Image Reconstruction) est une méthode de reconstruction basée sur le deep learning destinée à produire des images en coupe transversale de la tête et du corps entier par reconstruction informatique de données de transmission de rayons X prises à différents angles et plans, y compris axial, hélicoïdal ( volumétrique) et acquisitions cardiaques, pour tous les âges. Classe/Organisme de notification : IIa / GMED 0459 FABRICANT: GE Healthcare Japan Corporation. Veuillez toujours consulter le Manuel de l’utilisateur complet avant toute utilisation et lire attentivement toutes les instructions pour assurer l’emploi correct de votre dispositif médical. Dernière révision : 26 Novembre 2020
Revolution Apex: Le système est destiné à produire des images transversales du corps par reconstruction informatique de données de projection par transmission radiographique issues du même plan axial pris sous différents angles. Le système peut réaliser l’imagerie des organes entiers en une seule rotation. Les organes entiers comprennent le cerveau, le cœur, le foie, les reins, le pancréas, etc. (liste non exhaustive). Le système peut acquérir des données à l'aide de techniques d'acquisition TDM axiale, cinétique, hélicoïdale, cardiaque et synchronisée pour des patients de tous âges. Ces images peuvent être obtenues avec ou sans produit de contraste. Ce dispositif peut inclure du matériel d’analyse et d’affichage des signaux, des supports, des composants et des accessoires pour le patient et le matériel. Ce dispositif peut comprendre un traitement de données et d’images permettant de produire des images dans divers plans transaxiaux et reformatés. En outre, les images peuvent être post-traitées pour produire des plans d'imagerie ou des résultats d'analyse supplémentaires. Le système est indiqué pour les applications de tomographie à rayons X assistées par ordinateur pour la tête, le corps entier, le cœur et le système vasculaire. Le sortie du système est un outil médical précieux pour les diagnostiques de maladie, de trauma, d'anomalie ou pour la planification, guidance, et suivi de thérapie.  Si le système est équipé de l'option d'imagerie spectrale, il peut acquérir des images de tomodensitométrie en utilisant différents niveaux de kV sur la même région anatomique du patient, en une seule rotation provenant d'une seule source. Les différences de dépendance énergétique du coefficient d’atténuation des diverses matières corporelles fournissent des informations sur leur composition chimique. Cette approche permet de générer des images à différents niveaux d’énergie, pour visualiser et analyser les informations sur les structures anatomiques et pathologiques. GSI fournit des informations sur la composition chimique des calculs rénaux en calculant et en affichant graphiquement le spectre du numéro atomique effectif. La caractérisation GSI des calculs rénaux fournit des informations supplémentaires pour faciliter la caractérisation de l'acide urique par rapport aux calculs exempts d'acide urique. Elle est destinée à être utilisée comme complément des méthodes standard actuelles d'évaluation de la composition et de l'étiologie des calculs rénaux.
Classe / organisme notifié : IIb / CE 0459. Fabricant: GE Medical Systems LLC 3000 N. Grandview Blvd Waukesha, WI 53188 États-Unis

JB04212XX