Recent CT Metal Artifacts Reduction (MAR) methods are often based on image-to-image convolutional neural networks for adjustment of corrupted sinograms or images themselves. In this paper we are exploring the capabilities of a multi domain method which consists of both sinogram correction (projection domain step) and restored image correction (image domain step). Moreover, we propose a formulation of the first step problem as a sinogram inpainting which allows us to use methods of this specific field such as partial convolutions. The proposed method allows to achieve state-of-the-art (−75% MSE) improvement in comparison with a classic benchmark -Li-MAR.

No abstract

In the last years, neural networks have proven to be a powerful framework for various image analysis problems. However, some application domains have specific limitations. Notably, digital pathology is an example of such fields due to tremendous image sizes and quite limited number of training examples available. In this paper, we adopt state-of-the-art convolutional neural networks (CNN) architectures for digital pathology images analysis. We propose to classify image patches to increase effective sample size and then to apply an ensembling technique to build prediction for the original images. To validate the developed approaches, we conducted experiments with Breast Cancer Histology Challenge dataset and obtained 90% accuracy for the 4-class tissue classification task.

No abstract

Цель: оценить диагностическую точность оригинального алгоритма выявления РС в условиях отделения лучевой диагностики медицинской организации, оказывающей первичную (амбулаторно-поликлиническую) медицинскую помощь. Материалы и методы. Проведен анализ деперсонализированных результатов МР-исследований головного мозга, выполненных 93 пациентам в период с 22.08.2019 г. по 26.09.2019 г., из которых 42 мужчины (средний возраст 47,5±15,9 лет) и 51 женщина (средний возраст 52,3±16,8 лет); лица европеоидной расы, жители г. Москвы. Все пациенты подписали добровольное информированное согласие. Исследования проводились на томографе VANTAGE Atlas (Toshiba, Япония) с индукцией магнитного поля 1,5 Тл по стандартному протоколу. Результаты. Все МР-исследования проанализированы с применением оригинального алгоритма «искусственного интеллекта» (ИИ). Решения алгоритма (индекс-теста) сопоставлены с референс-тестом, значения которого приняты за истинный статус обследуемых лиц. Чувствительность индекс-теста-100%, специфичность-75,3%, точность-76,3%, прогностическая ценность отрицательного результата-100%, площадь под характеристической кривой-0,861. Результаты свидетельствуют о надежном «отсеивании» алгоритмом результатов исследований без признаков РС. Показано достаточное качество и отличная воспроизводимость результатов работы алгоритма на независимых данных. Заключение. Разработанный алгоритм ИИ обеспечивает эффективную сортировку МР-исследований в условиях первичного звена здравоохранения с поддержанием оптимального уровня настороженности относительно РС. Ключевые слова: искусственный интеллект, нейронная сеть, рассеянный склероз, магнитно-резонансная томография Контакт: Бабкин Владимир Андреевич,