تحلیل عکس‌های رادیوگرافی با شبکه‌های عصبی

او می‌گوید: « در دوره رزیدنتی، از من خواسته شد از بیماری که مشکوک به pneumothorax بود ( بیماری که در آن، هوای بیرون ریه بر قلب فشار می‌آورد) عکس رادیوگرافی بگیرم و به‌طور اتفاقی حین گرفتن عکس، من هم در کنار دستگاه دیجیتال رادیوگرافی بودم. با دیدن عکس در همان لحظه‌ای که گرفته شد، از بیماری فرد مطمئن شدم و بدون از دست دادن زمان، سوزنی را در قفسه سینه بیمار وارد کردم تا هوا خارج شود و بدین ترتیب زندگی او نجات پیدا کرد.»
اما در حالت معمول بیماران تا این حد خوش شانس نیستند که یک پزشک متخصص در کنار دستگاه حضور داشته باشد و فوراً عکس را بررسی کند. او ادامه می‌دهد: « به این فکر کردم که کاش می‌توانستیم الگوریتمی طراحی کنیم که قادر باشد به‌طور خودکار و آنی موقعیت‌های اورژانسی را شناسایی کند نه این‌که عکس‌ها در آرشیو قرار گیرند تا دکتر آن‌ها را بعداً ببیند و تجزیه و تحلیل کند و اقدام‌های لازم برای درمان را انجام دهد.» 

مطلب پیشنهادی

ماشین‌ها در کنترل هوش مصنوعی

ابرکامپیوتر Xavier انودیا رانندگی ماشین‌ها را بر عهده می‌گیرد

راج کومار به استفاده از روش «یادگیریِ عمیق» فکر کرد اما مشکلی وجود داشت. آموزش سامانه مبتنی بر یادگیری عمیق نیازمند مجموعه زیادی از عکس‌هاست و در این مورد خاص، تصاویر رادیوگرافی کافی برای آموزش وجود ندارد. جمع‌آوری این حجم بالای تصاویر رادیوگرافی برای آموزش کار ساده‌ای نیست و اگر هم موفق به جمع‌آوری تعداد کافی عکس شدیم، حاشیه نویسی‌های نادرست ممکن است الگوریتم را به اشتباه بیندازد و کار را دشوار کند. بنابراین او تصمیم گرفت برای آموزش الگوریتم، علاوه بر تصاویر رادیوگرافی از تصاویر دیگر هم استفاده کند. با استفاده از چهار پردازنده گرافیکی Titan X و پلتفرم پردازش موازی CUDA او شبکه عصبی را با بیش از یک میلیون تصویر رنگی آموزش داد. بار دیگر شبکه را با برخی از این تصاویر در حالت سیاه و سفید (grayscale ) دوباره آموزش داد و در نهایت تصاویر رادیوگرافی قفسه سینه را به شبکه ارائه کرد. نتیجه کار عالی بود: « با مجموعه‌ای متشکل از هزاران عکس رادیولوژی و میلیون‌ها عکس عادی روزمره نظیر تصاویری از گربه‌ها و قارچ‌ها، به عمل‌کرد بالایی دست یافتیم.»