Зображення уроку 90.png
Застосунок штучного інтелекту підтримує діагностику медичних зображень. Фото: Midjourney

Анотування областей інтересу на медичних зображеннях, процес, відомий як сегментація, часто є першим кроком, який роблять клінічні дослідники під час проведення нового дослідження, що включає біомедичну візуалізацію.

Наприклад, щоб визначити, як змінюється розмір гіпокампу пацієнта з віком, вчені повинні скласти карту кожного гіпокампу за допомогою серії сканувань мозку. З огляду на велику кількість структур і типів візуалізації, це часто є трудомістким ручним процесом, особливо коли області інтересу погано розмежовані.

Щоб спростити цей процес, дослідники Массачусетського технологічного інституту розробили систему на основі штучного інтелекту, яка дозволяє вченим швидко сегментувати нові набори біомедичних зображень, клацаючи, малюючи каракулі або рамки на зображеннях. Модель штучного інтелекту використовує ці взаємодії для прогнозування сегментації.

Коли користувач додає теги до більшої кількості зображень, кількість необхідних взаємодій зменшується, зрештою падаючи до нуля. Модель може точно сегментувати нові зображення без будь-яких додаткових дій з боку користувача.

Це можливо завдяки тому, що архітектура моделі спеціально розроблена для використання інформації з попередньо сегментованих зображень для прогнозування наступних зображень. На відміну від інших моделей сегментації медичних зображень, ця система дозволяє користувачам сегментувати весь набір даних без необхідності повторювати роботу для кожного зображення.

Крім того, цей інтерактивний інструмент не вимагає попередньо сегментованого набору даних для навчання, тому користувачам не потрібні знання машинного навчання чи складні обчислювальні ресурси. Вони можуть використовувати систему для нового завдання сегментації без необхідності перенавчати модель.

У довгостроковій перспективі цей інструмент може пришвидшити дослідження нових методів лікування та зменшити витрати на клінічні випробування та медичні дослідження. Його також можуть використовувати лікарі для підвищення ефективності клінічних застосувань, таких як планування променевої терапії.

«Багато вчених можуть сегментувати лише кілька зображень на день для своїх досліджень, оскільки ручна сегментація займає забагато часу. Ми сподіваємося, що ця система відкриє нові наукові можливості, дозволивши клінічним дослідникам проводити дослідження, які вони не могли робити раніше через брак ефективних інструментів», – сказала Халлі Вонг, аспірантка з електротехніки та інформатики, провідний автор статті, в якій представлена ​​модель.

Оптимізація сегментів

Наразі існує два основні методи, які дослідники використовують для сегментації нових наборів медичних зображень:

Інтерактивна сегментація: Користувач вводить зображення в систему штучного інтелекту та позначає області інтересу. Модель прогнозує сегмент на основі цих взаємодій. Інструмент ScribblePrompt, раніше розроблений командою MIT, дозволяє це зробити, але його необхідно повторювати для кожного нового зображення.

Автоматична сегментація на основі завдань : створення спеціалізованої моделі штучного інтелекту для автоматизації сегментації. Цей метод вимагає ручної сегментації сотень зображень для створення навчального набору даних, а потім навчання моделі машинного навчання. Щоразу, коли виникає нове завдання, користувачеві доводиться запускати весь цей складний процес заново, і якщо модель неправильна, немає можливості безпосередньо її редагувати.

Нова система, MultiverSeg, поєднує найкраще з обох світів. Вона передбачає сегмент для нового зображення на основі взаємодій (наприклад, малювання каракулів), але також зберігає кожне сегментоване зображення в наборі контексту для подальшого використання.

Коли користувачі завантажують нові фотографії та додають до них позначки, модель спирається на набір контексту, щоб робити точніші прогнози з меншими зусиллями. Архітектурний дизайн дозволяє використовувати набори контексту будь-якого розміру, що робить інструмент гнучким для багатьох застосувань.

«У певний момент для багатьох завдань вам не знадобиться забезпечувати жодної додаткової взаємодії. Якщо в контексті достатньо прикладів, модель може точно передбачити сегмент самостійно», – пояснює Вонг.

Модель навчається на різноманітних наборах даних, щоб забезпечити поступове покращення прогнозів на основі відгуків користувачів. Користувачам не потрібно перенавчати модель для нових даних — просто завантажте нові медичні зображення та почніть маркування.

У порівняльних тестах з іншими сучасними інструментами MultiverSeg перевершує їх за ефективністю та точністю.

Менше роботи, кращі результати

На відміну від існуючих інструментів, MultiverSeg вимагає менше вводу даних для кожного зображення. До 9-го зображення для створення точнішої сегментації потрібно лише 2 кліки, ніж для моделі, орієнтованої на конкретне завдання.

З деякими типами зображень, такими як рентгенівські знімки, користувачеві може знадобитися вручну сегментувати лише 1-2 зображення, перш ніж модель стане достатньо точною, щоб передбачити решту.

Інтерактивність дозволяє користувачам змінювати прогнози, повторюючи їх, доки вони не досягнуть бажаної точності. Порівняно з попередньою системою, MultiverSeg досягла 90% точності лише з 2/3 штрихів та 3/4 кліків.

«Завдяки MultiverSeg користувачі завжди можуть додавати взаємодії для уточнення прогнозів ШІ. Це все одно значно пришвидшує процес, оскільки редагування набагато швидше, ніж починати з нуля», – додав Вонг.

У майбутньому команда хоче випробувати інструмент у клінічній практиці, вдосконалити його на основі відгуків та розширити його можливості сегментації для 3D-біомедичної візуалізації.

Дослідження частково підтримувалося компанією Quanta Computer, Inc., Національними інститутами охорони здоров'я США (NIH) та обладнанням Центру наук про життя Массачусетсу.

(Джерело: Новини MIT)

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