Nowe narzędzie AI rewolucjonizuje segmentację obrazów medycznych na potrzeby badań klinicznych

Żmudny proces segmentacji - lub adnotacji - określonych obszarów na skanach medycznych odgrywa kluczową rolę w wielu biomedycznych projektach badawczych. Niezależnie od tego, czy badamy zmiany w strukturach mózgu, takich jak hipokamp, czy też śledzimy postęp choroby, naukowcy często mozolnie obrysowują te regiony ręcznie. Metoda ta może być szczególnie wyczerpująca, zwłaszcza gdy struktury, które próbują wyróżnić na złożonych obrazach medycznych, są trudne do rozróżnienia.

Wyobraźmy sobie, jak wyglądałoby na przykład prowadzenie badań nad tym, jak hipokamp mózgu zmienia się wraz z wiekiem. Naukowiec musiałby zazwyczaj przeglądać i skrupulatnie obrysowywać hipokamp na niezliczonych skanach mózgu. Na szczęście grupa naukowców z MIT opracowała ekscytujące rozwiązanie tego problemu.

W odpowiedzi na te wyzwania zespół MIT opracował MultiverSeg, to pomysłowy system oparty na sztucznej inteligencji, zaprojektowany w celu przyspieszenia procesu segmentacji obrazu i uczynienia go bardziej przyjaznym dla użytkownika. Korzystając z danych wejściowych, takich jak kliknięcia, bazgroły i obramowania, użytkownicy mogą interaktywnie dodawać adnotacje do obrazów. W miarę jak coraz więcej obrazów jest opatrywanych adnotacjami, model sztucznej inteligencji uczy się na podstawie tych interakcji, zmniejszając potrzebę dalszego wprowadzania danych, aż w końcu może samodzielnie segmentować nowe obrazy.

W przeciwieństwie do poprzednich narzędzi, takich jak ScribblePrompt, MultiverSeg, który wymagał wielokrotnego ręcznego wprowadzania danych dla każdego nowego obrazu, przechowuje każdy posegmentowany obraz w unikalnym “zestawie kontekstowym”. Tak więc, gdy przesyłany jest nowy obraz, model wykorzystuje ten zestaw do dokładniejszych przewidywań. Naukowcy nie będą musieli powtarzać procesu segmentacji przy każdym nowym obrazie.

Kolejną ogromną zaletą MultiverSeg jest to, że nie wymaga on wstępnie posegmentowanego zbioru danych ani żadnej wiedzy technicznej w zakresie uczenia maszynowego. Naukowcy mogą natychmiast zacząć z nim korzystać, bez konieczności przekwalifikowania się lub posiadania specjalnego sprzętu.

“Wielu naukowców może mieć czas tylko na segmentację kilku obrazów dziennie na potrzeby swoich badań, ponieważ ręczna segmentacja obrazów jest tak czasochłonna. Wierzymy, że ten system umożliwi nową naukę, pozwalając badaczom klinicznym na podejmowanie badań, których wcześniej nie byli w stanie przeprowadzić z powodu braku skutecznego narzędzia” - mówi Hallee Wong, główny autor badania i doktorant w dziedzinie elektrotechniki i informatyki na MIT.

W przeszłości badacze polegali albo na interaktywnej segmentacji, prowadząc model sztucznej inteligencji przez dane wejściowe, takie jak bazgroły, albo trenując model sztucznej inteligencji specyficzny dla zadania przy użyciu setek ręcznie segmentowanych obrazów. Oba podejścia mają swoje własne problemy - wymagają powtarzalnych danych wejściowych lub rozległego, podatnego na błędy procesu szkolenia. MultiverSeg łączy w sobie najlepsze aspekty tych metod, ucząc się na podstawie poprzednich przykładów przechowywanych w swoim zestawie kontekstowym, jednocześnie wykorzystując interakcje użytkownika do przewidywania segmentacji.

Podczas testów MultiverSeg przyćmił inne najnowocześniejsze narzędzia zarówno do segmentacji interaktywnej, jak i kontekstowej. Zanim użytkownicy dotarli do dziewiątego obrazu, model potrzebował zaledwie dwóch kliknięć, aby uzyskać segmentację dokładniejszą niż modele specyficzne dla zadania.

Patrząc w przyszłość, zespół badawczy planuje współpracować z klinicystami w celu przetestowania MultiverSeg w rzeczywistych środowiskach i zebrania opinii użytkowników w celu dalszych ulepszeń. Zależy im również na rozszerzeniu możliwości narzędzia o obrazy biomedyczne 3D. Trwające prace otrzymują hojne wsparcie od Quanta Computer, Inc., National Institutes of Health i Massachusetts Life Sciences Center.

Aby dowiedzieć się więcej o tym niezwykłym projekcie, zapoznaj się z oryginalnym artykułem tutaj na stronie MIT News.