Facebook and NYU believe AI can make MRIs way, way faster

Si vous avez déjà subi une IRM, vous savez que le processus peut être long, long et très bruyant. Étant donné que vous ne feriez même pas d’IRM à moins que vous et vos médecins ne soyez préoccupés par quelque chose, il peut être stressant – sans parler de la claustrophobie – d’être coincé dans la chambre de l’appareil pendant une heure au maximum.

C’est pourquoi les scientifiques de Facebook AI Research (FAIR) et de la Faculté de médecine de l’Université de New York ont mis au point une technologie qui pourrait aider à rendre l’IRM 10 fois plus rapide qu’il n’est actuellement possible. De plus, ils affirment que l’effort pourrait permettre à un plus grand nombre de personnes d’avoir accès à la technologie diagnostique et qu’elle pourrait éventuellement remplacer les appareils de radiographie et de tomodensitométrie dans certains cas, ce qui permettrait aux patients d’éviter d’être exposés à la radiation. On ne sait pas exactement combien de temps cela pourrait prendre pour que la recherche soit mise en œuvre dans les hôpitaux.

Pour Facebook, ce projet n’a rien à voir avec ses résultats financiers ni même avec sa mission de connecter le monde. Il s’agit simplement d’étendre les capacités de l’IA. L’entreprise a réalisé de nombreux projets de recherche avec des groupes tiers, en particulier dans le domaine de l’IA, mais c’est la première fois qu’un tel projet aspire à résoudre un problème ayant un impact sociétal aussi important et s’appuie sur des éléments concrets.

“Dans FAIR, notre mission est d’explorer les problèmes scientifiques de l’IA, à la fois fondamentaux et pratiques “, ont déclaré les scientifiques de FAIR et le chef de projet Larry Zitnick. “Mais nous ne pouvons pas le faire seuls, c’est pourquoi nous publions, utilisons des logiciels libres et collaborons souvent avec d’autres. Le projet FastMRI est unique en ce sens qu’il nous force à explorer la compréhension de l’image d’une manière inédite, et le partenariat avec NYU offre une voie tangible pour améliorer la société.”

Dans un article de blog sur le projet de recherche, Zitnick et Dan Sodickson et Michael Recht de l’École de médecine de l’Université de New York ont parlé des avantages et des inconvénients de la technologie de l’IRM. Il produit des images qui capturent des images beaucoup plus détaillées dans les tissus mous comme les organes et les vaisseaux sanguins que les systèmes d’imagerie comme les rayons X ou les tomodensitogrammes. Mais cela présente l’inconvénient d’être beaucoup plus lent.

Beaucoup de gens, bien sûr, supporteront la lenteur de la procédure en raison de la capacité de diagnostic, mais les auteurs du blog écrivent que les IRM peuvent être particulièrement difficiles pour les enfants ou ceux qui souffrent de claustrophobie ou de douleur en s’allongeant. En outre, écrivent-ils, de nombreuses zones rurales et de nombreux pays aux ressources limitées manquent souvent d’appareils d’IRM. Ils espèrent que leur travail pourra se traduire par une augmentation considérable du nombre de personnes qui pourront bénéficier de cette technologie.

Facebook and NYU believe AI can make MRIs way, way faster

La raison pour laquelle les IRM prennent autant de temps, affirment Zitnick, Sodickson et Recht, c’est que les machines travaillent lentement pour recueillir des données brutes dans de nombreuses vues séquentielles, puis pour convertir ces données en images des structures corporelles internes des gens qui sont utiles aux médecins. Plus la zone du corps qui est scannée est grande, plus l’IRM sera longue, ce qui explique pourquoi elle varie dans le temps, de 15 minutes à plus d’une heure.
Moins de données, moins de temps

Selon les chercheurs du projet, l’intelligence artificielle pourrait permettre de produire des images IRM identiques, voire meilleures, tout en capturant moins de données et en prenant moins de temps. Ils soutiennent que la formation de réseaux neuronaux pour comprendre la structure sous-jacente des images pourrait combler les lacunes laissées par un balayage plus rapide. Les auteurs expliquent que cette méthode est semblable à la façon dont les gens assimilent l’information sensorielle, notre cerveau complétant des images incomplètes, comme des objets bloqués ou mal éclairés. Ils affirment également que leurs premiers travaux sur le sujet montrent que des réseaux de neurones bien formés sont capables d’effectuer de telles tâches et de produire des images de haute qualité en utilisant beaucoup moins de données qu’on croyait autrefois nécessaires.

Leave a Reply

Your email address will not be published. Required fields are marked *