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

Der mühsame Prozess der Segmentierung – oder Annotation – bestimmter Bereiche in medizinischen Aufnahmen spielt in vielen biomedizinischen Forschungsprojekten eine entscheidende Rolle. Ob es nun darum geht, Veränderungen in Gehirnstrukturen wie dem Hippocampus zu untersuchen oder den Verlauf einer Krankheit zu verfolgen – Forscher müssen diese Bereiche oft mühsam von Hand einzeichnen. Diese Methode kann besonders anstrengend sein, vor allem wenn die Strukturen, die sie in den komplexen medizinischen Bildern hervorheben möchten, schwer zu unterscheiden sind.

Stellen Sie sich zum Beispiel vor, wie es wäre, eine Studie darüber durchzuführen, wie sich der Hippocampus des Gehirns mit zunehmendem Alter verändert. Normalerweise müsste ein Forscher dazu unzählige Gehirnscans durchsehen und den Hippocampus mühsam nachzeichnen. Glücklicherweise hat eine Forschergruppe vom 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. ScribblePrompt, Im Gegensatz zu früheren Methoden, bei denen für jedes neue Bild wiederholt manuelle Eingaben erforderlich waren, speichert MultiverSeg jedes segmentierte Bild in einem eindeutigen “Kontextsatz”. Wenn also ein neues Bild hochgeladen wird, nutzt das Modell diesen Satz für genauere Vorhersagen. Forscher müssen den Segmentierungsprozess somit nicht bei jedem neuen Bild wiederholen.

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

“Viele Wissenschaftler haben möglicherweise nur Zeit, täglich wenige Bilder für ihre Forschung zu segmentieren, da die manuelle Bildsegmentierung so zeitaufwendig ist. Wir glauben, dass dieses System neue wissenschaftliche Erkenntnisse ermöglichen wird, indem es klinischen Forschern die Durchführung von Studien ermöglicht, die sie bisher aufgrund des Fehlens eines effizienten Werkzeugs nicht durchführen konnten”, sagt Hallee Wong, Hauptautorin der Studie und Doktorandin im Fach 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.

Mit Blick auf die Zukunft plant das Forschungsteam, gemeinsam mit Klinikern MultiverSeg unter realen Bedingungen zu testen und Nutzer-Feedback für weitere Verbesserungen zu sammeln. Außerdem ist es bestrebt, die Funktionen des Tools auf biomedizinische 3D-Bilder auszuweiten. Diese laufenden Arbeiten werden 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.