Ders 90.png görseli
Yapay zeka uygulaması tıbbi görüntü tanısını destekliyor. Fotoğraf: Midjourney

Tıbbi görüntülerde ilgi çekici bölgelerin açıklanması, yani segmentasyon olarak bilinen bir işlem, klinik araştırmacıların biyomedikal görüntülemeyle ilgili yeni bir çalışma yürütürken attıkları ilk adımdır.

Örneğin, bir hastanın hipokampüsünün boyutunun yaşla birlikte nasıl değiştiğini belirlemek için bilim insanlarının her hipokampüsü bir dizi beyin taramasıyla haritalandırması gerekir. Görüntülemenin birçok yapısı ve türü olduğu göz önüne alındığında, özellikle de ilgi alanları yeterince belirgin olmadığında, bu genellikle zaman alıcı bir manuel işlemdir.

Bu süreci basitleştirmek için MIT araştırmacıları, bilim insanlarının yeni biyomedikal görüntüleme veri kümelerini tıklayarak, karalayarak veya görüntülere kutular çizerek hızla segmentlere ayırmalarına olanak tanıyan yapay zeka tabanlı bir sistem geliştirdiler. Yapay zeka modeli, segmentasyonu tahmin etmek için bu etkileşimleri kullanır.

Kullanıcı daha fazla görseli etiketledikçe, gereken etkileşim sayısı azalır ve sonunda sıfıra düşer. Böylece model, kullanıcıdan herhangi bir ek girdi almadan yeni görselleri doğru bir şekilde segmentlere ayırabilir.

Bu, model mimarisinin, daha önce segmentlere ayrılmış görüntülerden elde edilen bilgileri kullanarak sonraki görüntüler için tahminlerde bulunmak üzere özel olarak tasarlanmış olması sayesinde mümkündür. Diğer tıbbi görüntü segmentasyon modellerinin aksine, bu sistem kullanıcıların her görüntü için aynı işlemi tekrarlamak zorunda kalmadan tüm veri setini segmentlere ayırmasına olanak tanır.

Ayrıca, bu etkileşimli araç, eğitim için önceden segmentlere ayrılmış bir veri kümesi gerektirmediğinden, kullanıcıların makine öğrenimi uzmanlığına veya karmaşık hesaplama kaynaklarına ihtiyacı yoktur. Modeli yeniden eğitmek zorunda kalmadan sistemi yeni bir segmentasyon görevi için kullanabilirler.

Uzun vadede bu araç, yeni tedavilere yönelik araştırmaları hızlandırabilir ve klinik deneylerin ve tıbbi araştırmaların maliyetlerini azaltabilir. Ayrıca, doktorlar tarafından radyasyon tedavisi planlaması gibi klinik uygulamaların verimliliğini artırmak için de kullanılabilir.

Elektrik mühendisliği ve bilgisayar bilimleri alanında doktora öğrencisi ve modeli tanıtan makalenin başyazarı Hallee Wong, "Birçok bilim insanı, manuel segmentasyon çok zaman aldığı için araştırmaları için günde yalnızca birkaç görüntüyü segmentlere ayırabiliyor. Bu sistemin, klinik araştırmacıların daha önce etkili araçların eksikliği nedeniyle yapamadıkları çalışmaları yürütmelerine olanak tanıyarak yeni bilimsel fırsatlar sunmasını umuyoruz," dedi.

Segment optimizasyonu

Araştırmacıların yeni tıbbi görüntü kümelerini segmentlere ayırmak için kullandıkları iki ana yöntem bulunmaktadır:

Etkileşimli segmentasyon: Kullanıcı, yapay zeka sistemine bir görüntü girer ve ilgi alanlarını işaretler. Model, bu etkileşimlere dayanarak bir segment öngörür. MIT ekibi tarafından daha önce geliştirilen ScribblePrompt adlı bir araç bunu mümkün kılar, ancak her yeni görüntü için işlemin tekrarlanması gerekir.

Görev Tabanlı Otomatik Segmentasyon : Segmentasyonu otomatikleştirmek için özel bir yapay zeka modeli oluşturun. Bu yöntem, bir eğitim veri kümesi oluşturmak için yüzlerce görüntünün manuel olarak segmentasyonunu ve ardından makine öğrenimi modelinin eğitilmesini gerektirir. Her yeni görev ortaya çıktığında, kullanıcı tüm bu karmaşık süreci yeniden başlatmak zorundadır ve model yanlışsa, doğrudan düzenlemenin bir yolu yoktur.

Yeni sistem MultiverSeg, her iki dünyanın en iyilerini bir araya getiriyor. Etkileşimlere (örneğin çizim) dayanarak yeni bir görüntü için bir segment öngörüyor, ancak aynı zamanda her segmente edilmiş görüntüyü daha sonra başvurmak üzere bir bağlam kümesine kaydediyor.

Kullanıcılar yeni fotoğraflar yükleyip işaretledikçe, model daha az emek harcayarak daha doğru tahminler yapmak için bağlam kümesine güvenir. Mimari tasarımı, her boyutta bağlam kümesine olanak tanıyarak aracı birçok uygulama için esnek hale getirir.

Wong, "Bir noktada, birçok görev için ek etkileşim sağlamanıza gerek kalmayacak. Bağlam kümesinde yeterli örnek varsa, model segmenti kendi başına doğru bir şekilde tahmin edebilir," diye açıklıyor.

Model, kullanıcı geri bildirimlerine göre tahminlerin kademeli olarak iyileştirilmesini sağlamak için çeşitli veri kümeleri üzerinde eğitilmiştir. Kullanıcıların yeni veriler için modeli yeniden eğitmesine gerek yoktur; yeni tıbbi görüntüleri yükleyip etiketlemeye başlamaları yeterlidir.

Diğer son teknoloji araçlarla yapılan karşılaştırmalı testlerde MultiverSeg'in verimlilik ve doğruluk açısından üstün performans gösterdiği görülmektedir.

Daha az iş, daha iyi sonuçlar

Mevcut araçların aksine, MultiverSeg görüntü başına daha az girdi gerektirir. 9. görüntüde, göreve özgü bir modele kıyasla daha doğru bir segmentasyon oluşturmak için yalnızca 2 tıklama yeterlidir.

X-ışınları gibi bazı görüntü türlerinde, kullanıcının modelin geri kalanını tahmin edebilecek kadar doğru olmasını sağlamak için yalnızca 1-2 görüntüyü manuel olarak segmentlere ayırması gerekebilir.

Etkileşim, kullanıcıların tahminleri değiştirmelerine ve istenen doğruluğa ulaşana kadar yinelemelerine olanak tanır. MultiverSeg, önceki sistemle karşılaştırıldığında, vuruşların yalnızca 2/3'ü ve tıklamaların 3/4'ü ile %90 doğruluk elde etti.

Wong, "MultiverSeg ile kullanıcılar, yapay zeka tahminlerini iyileştirmek için her zaman etkileşimler ekleyebilir. Bu, düzenlemenin sıfırdan başlamaktan çok daha hızlı olması nedeniyle süreci önemli ölçüde hızlandırır," diye ekledi.

Ekip, gelecekte aracı klinik pratikte test etmek, geri bildirimlere göre geliştirmek ve segmentasyon yeteneklerini 3 boyutlu biyomedikal görüntülemeye genişletmek istiyor.

Araştırmanın bir kısmı Quanta Computer, Inc., ABD Ulusal Sağlık Enstitüleri (NIH) ve Massachusetts Yaşam Bilimleri Merkezi'nin donanımı tarafından desteklendi.

(Kaynak: MIT Haberleri)

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