Żmudny proces segmentacji – czyli oznaczania – określonych obszarów na obrazach medycznych odgrywa kluczową rolę w wielu projektach badań biomedycznych. Niezależnie od tego, czy badają zmiany w strukturach mózgu, takich jak hipokamp, czy też śledzą postęp choroby, naukowcy często muszą mozolnie rysować kontury tych obszarów ręcznie. Metoda ta może być szczególnie wyczerpująca, zwłaszcza gdy struktury, które próbują wyróżnić na złożonych obrazach medycznych, są trudne do rozróżnienia.
Wyobraźmy sobie na przykład, jak wyglądałoby przeprowadzenie badań nad tym, jak hipokamp zmienia się wraz z wiekiem. Naukowiec musiałby zazwyczaj przeglądać niezliczone skany mózgu i mozolnie wyodrębniać z nich kontury hipokampu. Na szczęście grupa naukowców z MIT opracowała fascynujące 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, co wymagało wielokrotnego ręcznego wprowadzania danych dla każdego nowego obrazu, MultiverSeg zapisuje każdy posegmentowany obraz w unikalnym “zestawie kontekstowym”. Dzięki temu, gdy zostanie przesłany nowy obraz, model wykorzystuje ten zestaw do generowania dokładniejszych prognoz. Naukowcy nie będą musieli ciągle 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 z zakresu uczenia maszynowego. Naukowcy mogą od razu zacząć z niego korzystać, bez konieczności przechodzenia szkoleń ani posiadania specjalistycznego sprzętu.
“Wielu naukowców ma czas na segmentację zaledwie kilku obrazów dziennie w ramach swoich badań, ponieważ ręczna segmentacja obrazów jest niezwykle czasochłonna. Wierzymy, że system ten otworzy nowe możliwości naukowe, umożliwiając badaczom klinicznym prowadzenie badań, których wcześniej nie byli w stanie przeprowadzić z powodu braku wydajnego narzędzia” – mówi Hallee Wong, główna autorka badania i doktorantka na wydziale 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.
W przyszłości zespół badawczy planuje współpracować z lekarzami w celu przetestowania narzędzia MultiverSeg w rzeczywistych warunkach oraz zebrania opinii użytkowników, co pozwoli na dalsze udoskonalenia. Zespół jest również zainteresowany rozszerzeniem możliwości narzędzia o trójwymiarowe obrazy biomedyczne. Trwające prace są realizowane dzięki hojnemu wsparciu firm Quanta Computer, Inc., Narodowego Instytutu Zdrowia (NIH) oraz Centrum Nauk Przyrodniczych stanu Massachusetts (Massachusetts Life Sciences Center).
Aby dowiedzieć się więcej o tym niezwykłym projekcie, zapoznaj się z oryginalnym artykułem tutaj na stronie MIT News.
Ta strona używa plików cookie.