Afbeelding van les 90.png
AI-applicatie ondersteunt medische beelddiagnostiek. Foto: Midjourney

Het annoteren van interessante regio's in medische beelden, een proces dat segmentatie wordt genoemd, is vaak de eerste stap die klinische onderzoekers nemen bij het uitvoeren van een nieuw onderzoek met biomedische beeldvorming.

Om bijvoorbeeld te bepalen hoe de grootte van de hippocampus van een patiënt verandert naarmate hij ouder wordt, moeten wetenschappers elke hippocampus in kaart brengen met een reeks hersenscans. Gezien de vele structuren en soorten beeldvorming is dit vaak een tijdrovend handmatig proces, vooral wanneer de interessegebieden slecht afgebakend zijn.

Om dit proces te vereenvoudigen, hebben onderzoekers van MIT een AI-systeem ontwikkeld waarmee wetenschappers snel nieuwe datasets met biomedische beeldvorming kunnen segmenteren door op de beelden te klikken, te tekenen of er vakjes op te tekenen. Het AI-model gebruikt deze interacties om segmentatie te voorspellen.

Naarmate de gebruiker meer afbeeldingen tagt, neemt het aantal benodigde interacties af en daalt uiteindelijk tot nul. Het model kan vervolgens nieuwe afbeeldingen nauwkeurig segmenteren zonder extra invoer van de gebruiker.

Dit is mogelijk omdat de modelarchitectuur specifiek is ontworpen om informatie uit eerder gesegmenteerde beelden te gebruiken om voorspellingen te doen voor volgende beelden. In tegenstelling tot andere modellen voor medische beeldsegmentatie stelt dit systeem gebruikers in staat om de volledige dataset te segmenteren zonder het werk voor elk beeld te hoeven herhalen.

Bovendien vereist deze interactieve tool geen vooraf gesegmenteerde dataset om te trainen, waardoor gebruikers geen expertise op het gebied van machine learning of complexe rekenkracht nodig hebben. Ze kunnen het systeem gebruiken voor een nieuwe segmentatietaak zonder het model opnieuw te hoeven trainen.

Op de lange termijn zou de tool het onderzoek naar nieuwe behandelingen kunnen versnellen en de kosten van klinische studies en medisch onderzoek kunnen verlagen. Artsen zouden de tool ook kunnen gebruiken om de efficiëntie van klinische toepassingen, zoals de planning van bestralingsbehandelingen, te verbeteren.

"Veel wetenschappers kunnen mogelijk maar een paar beelden per dag segmenteren voor hun onderzoek, omdat handmatige segmentatie te tijdrovend is. We hopen dat dit systeem nieuwe wetenschappelijke mogelijkheden biedt door klinisch onderzoekers in staat te stellen studies uit te voeren die ze voorheen niet konden uitvoeren vanwege een gebrek aan effectieve tools", aldus Hallee Wong, promovendus elektrotechniek en computerwetenschappen, hoofdauteur van een artikel waarin het model wordt geïntroduceerd.

Segmentoptimalisatie

Er zijn momenteel twee hoofdmethoden die onderzoekers gebruiken om nieuwe sets medische beelden te segmenteren:

Interactieve segmentatie: Een gebruiker voert een afbeelding in het AI-systeem in en markeert de gewenste gebieden. Het model voorspelt een segment op basis van die interacties. Een tool die eerder door het MIT-team is ontwikkeld, ScribblePrompt, maakt dit mogelijk, maar het moet voor elke nieuwe afbeelding worden herhaald.

Taakgebaseerde automatische segmentatie : bouw een gespecialiseerd AI-model om segmentatie te automatiseren. Deze methode vereist het handmatig segmenteren van honderden afbeeldingen om een ​​trainingsdataset te creëren en vervolgens het machine learning-model te trainen. Elke keer dat er een nieuwe taak ontstaat, moet de gebruiker dit hele complexe proces opnieuw starten, en als het model onjuist is, is er geen manier om het direct te bewerken.

Het nieuwe systeem, MultiverSeg, combineert het beste van twee werelden. Het voorspelt een segment voor een nieuwe afbeelding op basis van interacties (zoals krabbelen), maar slaat elke gesegmenteerde afbeelding ook op in een contextset voor latere referentie.

Wanneer gebruikers nieuwe foto's uploaden en deze van commentaar voorzien, maakt het model gebruik van de contextset om nauwkeurigere voorspellingen te doen met minder werk. Het architectuurontwerp maakt contextsets van elke grootte mogelijk, waardoor de tool flexibel is voor veel toepassingen.

"Op een gegeven moment hoef je voor veel taken geen extra interactie meer te bieden. Als er voldoende voorbeelden in de contextset staan, kan het model het segment zelfstandig nauwkeurig voorspellen", legt Wong uit.

Het model wordt getraind met diverse datasets om ervoor te zorgen dat de voorspellingen stapsgewijs worden verbeterd op basis van gebruikersfeedback. Gebruikers hoeven het model niet opnieuw te trainen voor nieuwe gegevens: ze kunnen gewoon nieuwe medische beelden laden en beginnen met labelen.

In vergelijkingstests met andere geavanceerde tools presteert MultiverSeg beter op het gebied van efficiëntie en nauwkeurigheid.

Minder werk, betere resultaten

In tegenstelling tot bestaande tools vereist MultiverSeg minder invoer per afbeelding. Bij de negende afbeelding zijn slechts twee klikken nodig om een ​​nauwkeurigere segmentatie te genereren dan een taakspecifiek model.

Bij sommige typen afbeeldingen, zoals röntgenfoto's, hoeft de gebruiker slechts handmatig 1-2 afbeeldingen te segmenteren voordat het model nauwkeurig genoeg is om de rest te voorspellen.

Interactiviteit stelt gebruikers in staat om voorspellingen aan te passen en te herhalen tot de gewenste nauwkeurigheid is bereikt. Vergeleken met het vorige systeem behaalde MultiverSeg een nauwkeurigheid van 90% met slechts 2/3 van de slagen en 3/4 van de klikken.

"Met MultiverSeg kunnen gebruikers altijd interacties toevoegen om de AI-voorspellingen te verfijnen. Dit versnelt het proces aanzienlijk, omdat bewerken veel sneller gaat dan helemaal opnieuw beginnen", voegde Wong eraan toe.

In de toekomst wil het team de tool in de klinische praktijk testen, deze verbeteren op basis van feedback en de segmentatiemogelijkheden uitbreiden naar 3D-biomedische beeldvorming.

Het onderzoek werd gedeeltelijk ondersteund door Quanta Computer, Inc., de Amerikaanse National Institutes of Health (NIH) en hardware van het Massachusetts Life Sciences Center.

(Bron: MIT News)

Bron: https://vietnamnet.vn/he-thong-ai-moi-ho-tro-day-nhanh-nghien-cuu-lam-sang-2450462.html