Neues AI-Tool revolutioniert die medizinische Bildsegmentierung für die klinische Forschung

Der mühsame Prozess der Segmentierung - oder Kommentierung - bestimmter Bereiche in medizinischen Scans spielt bei vielen biomedizinischen Forschungsprojekten eine entscheidende Rolle. Ob bei der Untersuchung von Veränderungen in Gehirnstrukturen wie dem Hippocampus oder bei der Verfolgung des Fortschreitens einer Krankheit - Forscher müssen diese Regionen oft mühsam von Hand umreißen. Diese Methode kann besonders mühsam sein, vor allem wenn die Strukturen, die sie in den komplexen medizinischen Bildern hervorheben wollen, schwer zu unterscheiden sind.

Stellen Sie sich vor, wie es wäre, eine Studie darüber durchzuführen, wie sich der Hippocampus des Gehirns mit dem Alter verändert. Ein Forscher müsste in der Regel den Hippocampus auf unzähligen Gehirnscans durchforsten und mühsam umreißen. Glücklicherweise hat eine Gruppe von Forschern des MIT eine spannende Lösung für dieses Problem gefunden.

Um diesen Herausforderungen zu begegnen, hat das MIT-Team Folgendes entwickelt MultiverSegein ausgeklügeltes KI-basiertes System, das den Prozess der Bildsegmentierung viel schneller und benutzerfreundlicher machen soll. Mithilfe von Eingaben wie Klicks, Kritzeleien und Begrenzungsrahmen können die Nutzer Bilder interaktiv kommentieren. Je mehr Bilder mit Anmerkungen versehen werden, desto mehr lernt das KI-Modell aus diesen Interaktionen und reduziert den Bedarf an weiteren Eingaben, bis es schließlich neue Bilder selbstständig segmentieren kann.

Im Gegensatz zu früheren Tools, wie z. B. ScribblePromptMultiverSeg speichert jedes segmentierte Bild in einem eindeutigen "Kontextset", das bei jedem neuen Bild manuell eingegeben werden musste. Wenn also ein neues Bild hochgeladen wird, verwendet das Modell diesen Satz für genauere Vorhersagen. Die Forscher müssen den Segmentierungsprozess nicht mit jedem neuen Bild wiederholen.

Ein weiterer großer Vorteil von MultiverSeg ist, dass es weder einen vorsegmentierten Datensatz noch technisches Know-how im Bereich des maschinellen Lernens erfordert. Forscher können sofort damit loslegen, ohne dass ein Umlernen oder spezielle Hardware erforderlich ist.

"Viele Wissenschaftler haben vielleicht nur die Zeit, ein paar Bilder pro Tag für ihre Forschung zu segmentieren, weil die manuelle Bildsegmentierung so zeitaufwändig ist. Wir glauben, dass dieses System neue wissenschaftliche Erkenntnisse ermöglicht, indem es klinischen Forschern erlaubt, Studien durchzuführen, die sie bisher aufgrund des Fehlens eines effizienten Werkzeugs nicht durchführen konnten", sagt Hallee Wong, die Hauptautorin der Studie und Doktorandin der Elektrotechnik und Informatik am MIT.

In der Vergangenheit haben sich die Forscher entweder auf die interaktive Segmentierung verlassen, bei der ein KI-Modell durch Eingaben wie Kritzeleien geleitet wird, oder ein aufgabenspezifisches KI-Modell anhand von Hunderten von manuell segmentierten Bildern trainiert. Beide Ansätze haben ihre eigenen Probleme - entweder sind wiederholte Eingaben oder ein umfangreicher, fehleranfälliger Trainingsprozess erforderlich. MultiverSeg kombiniert die besten Aspekte dieser Methoden, indem es aus früheren Beispielen lernt, die in seinem Kontextset gespeichert sind, und gleichzeitig Benutzerinteraktionen nutzt, um Segmentierungen vorherzusagen.

Bei den Tests übertraf MultiverSeg andere moderne Tools sowohl bei der interaktiven als auch bei der kontextbezogenen Segmentierung. Bis zum neunten Bild benötigte das Modell nur zwei Klicks, um eine genauere Segmentierung als aufgabenspezifische Modelle zu erzielen.

Für die Zukunft plant das Forschungsteam, mit Klinikern zusammenzuarbeiten, um MultiverSeg in realen Umgebungen zu testen und Nutzerfeedback für weitere Verbesserungen zu sammeln. Sie sind auch daran interessiert, die Fähigkeiten des Tools zu erweitern, um biomedizinische 3D-Bilder einzubeziehen. Diese laufende Arbeit wird großzügig von Quanta Computer, Inc., den National Institutes of Health und dem Massachusetts Life Sciences Center unterstützt.

Wenn Sie mehr über dieses bemerkenswerte Projekt erfahren möchten, lesen Sie bitte den Originalartikel hier auf der Website von MIT News.