Top

Gepubliceerd in:

2019 | OriginalPaper | Hoofdstuk

19. Kunstmatige intelligentie in de radiologie

Auteurs : drs. Maarten van de Weijer, dr. Merel Huisman, Erik Ranschaert, MD PhD, dr. Paul Algra

Gepubliceerd in: De dokter en digitalisering

Uitgeverij: Bohn Stafleu van Loghum

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.

vorige hoofdstuk Beslisondersteuning patiënt

volgende hoofdstuk Big data in de zorg

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.CrossRef

Bryan, R. N. (2016). Machine learning applied to Alzheimer disease. Radiology, 281, 665–668.

Chartrand, G., et al. (2017). Deep learning: A primer for radiologists. Radiographics, 37(7), 2113–2131.CrossRef

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.CrossRef

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.CrossRef

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.CrossRef

Gaonkar, B., et al. (2015). Automated tumor volumetry using computer-aided image segmentation. Academic Radiology, 22, 653–666.CrossRef

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.

Huisman, M., et al. (2018). Artificiële intelligentie moet in opleiding tot radioloog. Memorad, 23(2), 23–26.

Kooi, T., et al. (2017). Large scale deep learning for computer aided detection of mammographic lesions. Medical Image Analysis, 35, 303–312.CrossRef

Lecun, Y., et al. (2015). Deep learning. Nature, 521(7553), 436–444.CrossRef

McBee, M. P., et al. (2018). Deep learning in radiology. Academic Radiology. pii:S1076-6332(18)30104-1.

Nibali, A., et al. (2017). Pulmonary nodule classification with deep residual networks. International Journal of Computer Assisted Radiology and Surgery, 12(10), 1799–1808.

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.

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.

Rajkomar, A., et al. (2016). High-throughput classification of radiographs using deep convolutional neural networks. Journal of Digit Imaging, 30(1), 95–101.

Summers, R. M. (2016). Progress in fully automated abdominal CT interpretation. AJR American Journal of Roentgenology, 207, 67–79.CrossRef

Wang, S., & Summers, R. M. (2012). Machine learning and radiology. Medical Image Analysis, 16, 933–951.CrossRef

Titel: Kunstmatige intelligentie in de radiologie
Auteurs: drs. Maarten van de Weijer
dr. Merel Huisman
Erik Ranschaert, MD PhD
dr. Paul Algra
Uitgeverij: Bohn Stafleu van Loghum
Boek: De dokter en digitalisering
Print ISBN: 978-90-368-2160-5

Elektronisch ISBN: 978-90-368-2161-2

Copyright: 2019
DOI: https://doi.org/10.1007/978-90-368-2161-2_19

Bohn Stafleu van Loghum

Deel dit onderdeel of sectie (kopieer de link)

Samenvatting

Log in om toegang te krijgen