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.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Geraadpleegde literatuur
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.
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.
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.
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.
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.
Gaonkar, B., et al. (2015). Automated tumor volumetry using computer-aided image segmentation. Academic Radiology, 22, 653–666.
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.
Lecun, Y., et al. (2015). Deep learning. Nature, 521(7553), 436–444.
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.
Wang, S., & Summers, R. M. (2012). Machine learning and radiology. Medical Image Analysis, 16, 933–951.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2019 Bohn Stafleu van Loghum is een imprint van Springer Media B.V., onderdeel van Springer Nature
About this chapter
Cite this chapter
van de Weijer, M., Huisman, M., Ranschaert, E., Algra, P. (2019). Kunstmatige intelligentie in de radiologie. In: Kreier, F., Verberk-Jonkers, I. (eds) De dokter en digitalisering. Bohn Stafleu van Loghum, Houten. https://doi.org/10.1007/978-90-368-2161-2_19
Download citation
DOI: https://doi.org/10.1007/978-90-368-2161-2_19
Published:
Publisher Name: Bohn Stafleu van Loghum, Houten
Print ISBN: 978-90-368-2160-5
Online ISBN: 978-90-368-2161-2
eBook Packages: Dutch language eBook collection