Nowy system AI z MIT przyspiesza i ułatwia segmentację obrazów

Badacze z MIT opracowali system AI, który pomaga ekspertom medycznym przyspieszyć swoje badania poprzez szybką analizę obrazów danych medycznych.

Narzędzie o nazwie MultiverSeg pozwala naukowcom zaznaczać konkretne obszary obrazu, poprzez proste kliknięcie lub bazgraninę, a system wykorzystuje te informacje do generowania prognoz dla nadchodzących wyników.

MIT wyjaśnia, że początkowy i najbardziej pracochłonny proces w badaniach klinicznych wymaga anotacji obrazów medycznych, znanej również jako segmentacja. Na przykład, aby zbadać, jak hipokamp w mózgu zmienia się z wiekiem, badacze muszą go ręcznie śledzić na różnych skanach.

„Wielu naukowców może mieć tylko czas na segmentację kilku obrazów dziennie dla swoich badań, ponieważ ręczna segmentacja obrazów jest bardzo czasochłonna. Mamy nadzieję, że ten system umożliwi nowe odkrycia naukowe, pozwalając badaczom klinicznym na przeprowadzenie badań, których wcześniej nie mogli przeprowadzić z powodu braku efektywnego narzędzia.” – powiedziała Hallee Wong, główna autorka i studentka wydziału inżynierii elektrycznej i informatyki.

W przeciwieństwie do poprzednich systemów, MultiverSeg nie wymaga od badaczy szkolenia go na dużych zestawach danych presegmentowanych. System tworzy „zestaw kontekstowy” z wcześniejszych obrazów segmentowanych i wykorzystuje je do poprawy przyszłych prognoz. Badacze wyjaśniają, że system wymaga prawie żadnej interakcji użytkownika w miarę upływu czasu.

Badacze przetestowali MultiverSeg w porównaniu z najnowocześniejszymi narzędziami, i stwierdzili, że wymagał on mniej kliknięć i szkiców, a także dawał dokładniejsze wyniki. Rzeczywiście, system AI wymagał tylko jednej lub dwóch ręcznych segmentacji rentgenowskich, zanim mógł dokonać dokładnych prognoz dla pozostałych obszarów.

„Z MultiverSeg, użytkownicy zawsze mogą dostarczyć więcej interakcji, aby usprawnić predykcje AI. To nadal znacznie przyspiesza proces, ponieważ zazwyczaj jest szybciej poprawić coś, co już istnieje, niż zaczynać od zera,” wyjaśniła Wong.

Zespół planuje przetestować system w warunkach klinicznych, z nadzieją, że może to również poprawić efektywność w obszarach takich jak planowanie leczenia radiacyjnego.