Advertisement

Kunstmatige intelligentie in de radiologie

Chapter
  • 653 Downloads

Samenvatting

Kunstmatige intelligentie (KI; artificial intelligence, AI) is overal om ons heen en heeft inmiddels ook zijn intrede gedaan binnen de beeldvormende medische specialismen zoals de radiologie. De verwachting is dat binnen een paar jaar alle medische beeldvorming zal worden ondersteund door KI. Tot die tijd zal er nog een aantal uitdagingen overwonnen moeten worden, zoals het door training verbeteren van het algoritme en het valideren van het algoritme voor implementatie in de kliniek. De radiologie is voornamelijk een datagestuurd specialisme en daarom uitermate geschikt voor het gebruik van kunstmatige intelligentie en deep learning (DL). Kunstmatige intelligentie en DL hebben de grootste invloed op de gebieden detectie van ziekten, classificatie en segmentatie.

Geraadpleegde literatuur

  1. Anthimopoulos, M., et al. (2016). Lung pattern classification for interstitial lung diseases using a deep convolutional neural network. IEEE Transactions on Medical Imaging, 35(5), 1207–1216.CrossRefGoogle Scholar
  2. Bryan, R. N. (2016). Machine learning applied to Alzheimer disease. Radiology, 281, 665–668.Google Scholar
  3. Chartrand, G., et al. (2017). Deep learning: A primer for radiologists. Radiographics, 37(7), 2113–2131.CrossRefGoogle Scholar
  4. Cheng, J. Z., et al. (2016). Computer-aided diagnosis with deep learning architecture: Applications to breast lesions in us images and pulmonary nodules in CT scans. Scientific Reports, 6, 24454.CrossRefGoogle Scholar
  5. Coroller, T. P., Grossmann, P., Hou, Y., et al. (2015). CT-based radiomic signature predicts distant metastasis in lung adenocarcinoma. Radiotherapy and Oncology, 114, 345–350.CrossRefGoogle Scholar
  6. Dou, Q., et al. (2017). Multilevel contextual 3-D CNNs for false positive reduction in pulmonary nodule detection. IEEE Transactions on Biomedical Engineering, 64, 1558–1567.CrossRefGoogle Scholar
  7. Gaonkar, B., et al. (2015). Automated tumor volumetry using computer-aided image segmentation. Academic Radiology, 22, 653–666.CrossRefGoogle Scholar
  8. Hua, K. L., et al. (2015). Computer-aided classification of lung nodules on computed tomography images via deep learning technique. Onco Targets and Therapy, 8, 2015–2022.Google Scholar
  9. Huisman, M., et al. (2018). Artificiële intelligentie moet in opleiding tot radioloog. Memorad, 23(2), 23–26.Google Scholar
  10. Kooi, T., et al. (2017). Large scale deep learning for computer aided detection of mammographic lesions. Medical Image Analysis, 35, 303–312.CrossRefGoogle Scholar
  11. Lecun, Y., et al. (2015). Deep learning. Nature, 521(7553), 436–444.CrossRefGoogle Scholar
  12. McBee, M. P., et al. (2018). Deep learning in radiology. Academic Radiology. pii:S1076-6332(18)30104-1.Google Scholar
  13. Nibali, A., et al. (2017). Pulmonary nodule classification with deep residual networks. International Journal of Computer Assisted Radiology and Surgery, 12(10), 1799–1808.Google Scholar
  14. Obermeyer, Z., & Emanuel, E. J. (2016). Predicting the future – Big data, machine learning, and clinical medicine. New England Journal of Medicine, 375(13), 1216–1219.Google Scholar
  15. Pruppers, M. J. M. (2013). Analyse van trends in de stralingsbelasting als gevolg van beeldvormende diagnostiek. Verkregen van https://www.rivm.nl/Onderwerpen/M/Medische_Stralingstoepassingen/Trends_en_stand_van_zaken/Diagnostiek/Computer_Tomografie/Trends_in_het_aantal_CT_onderzoeken.
  16. Rajkomar, A., et al. (2016). High-throughput classification of radiographs using deep convolutional neural networks. Journal of Digit Imaging, 30(1), 95–101.Google Scholar
  17. Summers, R. M. (2016). Progress in fully automated abdominal CT interpretation. AJR American Journal of Roentgenology, 207, 67–79.CrossRefGoogle Scholar
  18. Wang, S., & Summers, R. M. (2012). Machine learning and radiology. Medical Image Analysis, 16, 933–951.CrossRefGoogle Scholar

Copyright information

© Bohn Stafleu van Loghum is een imprint van Springer Media B.V., onderdeel van Springer Nature 2019

Authors and Affiliations

  1. 1.Noordwest ZiekenhuisgroepAlkmaarNederland
  2. 2.UMC UtrechtUtrechtNederland
  3. 3.Elisabeth TweeSteden ZiekenhuisTilburgNederland

Personalised recommendations