TrueFidelity

Repoussant encore les limites de la technologie de reconstruction d'image, les images TrueFidelity proposent des améliorations radicales et novatrices. Ce bond en avant dans la reconstruction d'image vous permet d’obtenir toujours plus, et offre des avantages sans précédent pour les patients, ainsi que pour les radiologues et les manipulateurs qui les prennent en charge.
En bref

Une vision qui révolutionne la radiologie

Les images TrueFidelity vous permettent d’exploiter encore mieux la reconstruction d'image par apprentissage profond (DLIR).

Quand l’apprentissage profond fait la différence.

Notre formation DLIR exclusive témoigne d’une compréhension approfondie de ce que nécessite une DLIR réussie.

Fiabilité. Pas de compromis.

Une expérience qui peut aider à améliorer les temps de lecture des acquisitions et à lutter contre la fatigue des radiologues.

TrueFidelity pour GSI offre désormais la possibilité de réduire considérablement le bruit dans l'image, pour tous les types d'images spectrales

Depuis les images monochromatiques virtuelles jusqu’aux paires d'images matérielles et aux images virtuelles sans produit de contraste, avec et sans réduction des artefacts métalliques. Plus précisément, la réduction du bruit dans l’image inhérent aux images à faible keV résout l'un des problèmes majeurs liés à l'adoption de protocoles à double énergie pour l'ensemble de la population de patients.
Caractéristiques

Quand l’apprentissage profond fait la différence.

L'efficacité d'une application de reconstruction d'image par apprentissage profond 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.
 

« La netteté des images constitue une avancée remarquable dans les algorithmes de reconstruction d'images. Nous voyons des détails que nous n'avions jamais vus auparavant. Cette technologie bénéficie principalement à l'imagerie abdominale, pulmonaire et cardiaque. Je m'intéresse essentiellement à l'imagerie cardiaque et cardiovasculaire. Nous avons constaté des améliorations significatives en termes de qualité d'image, de représentation des détails et de netteté de l'image pour les valvules cardiaques, les plaques graisseuses et sclérotiques dans les vaisseaux cardiaques et extracardiaques, ainsi qu’une réduction des artefacts autour des endoprothèses et des greffes d'endoprothèses. L’application de la technologie DECT pour les embolies pulmonaires a facilement convaincu tout le monde dans notre service. »

Professeur Klaus Hergan

Hôpital universitaire de Salzbourg, Autriche Département de radiologie de l'Hôpital universitaire de Salzbourg (1 200 lits)

Des questions ? Votre avis nous intéresse.

JB02854FR