ScribblePrompt<\/a>, MultiverSeg, kt\u00f3ry wymaga\u0142 wielokrotnego r\u0119cznego wprowadzania danych dla ka\u017cdego nowego obrazu, przechowuje ka\u017cdy posegmentowany obraz w unikalnym \u201czestawie kontekstowym\u201d. Tak wi\u0119c, gdy przesy\u0142any jest nowy obraz, model wykorzystuje ten zestaw do dok\u0142adniejszych przewidywa\u0144. Naukowcy nie b\u0119d\u0105 musieli powtarza\u0107 procesu segmentacji przy ka\u017cdym nowym obrazie.<\/p>\nKolejn\u0105 ogromn\u0105 zalet\u0105 MultiverSeg jest to, \u017ce nie wymaga on wst\u0119pnie posegmentowanego zbioru danych ani \u017cadnej wiedzy technicznej w zakresie uczenia maszynowego. Naukowcy mog\u0105 natychmiast zacz\u0105\u0107 z nim korzysta\u0107, bez konieczno\u015bci przekwalifikowania si\u0119 lub posiadania specjalnego sprz\u0119tu.<\/p>\n
\u201cWielu naukowc\u00f3w mo\u017ce mie\u0107 czas tylko na segmentacj\u0119 kilku obraz\u00f3w dziennie na potrzeby swoich bada\u0144, poniewa\u017c r\u0119czna segmentacja obraz\u00f3w jest tak czasoch\u0142onna. Wierzymy, \u017ce ten system umo\u017cliwi now\u0105 nauk\u0119, pozwalaj\u0105c badaczom klinicznym na podejmowanie bada\u0144, kt\u00f3rych wcze\u015bniej nie byli w stanie przeprowadzi\u0107 z powodu braku skutecznego narz\u0119dzia\u201d - m\u00f3wi Hallee Wong, g\u0142\u00f3wny autor badania i doktorant w dziedzinie elektrotechniki i informatyki na MIT.<\/p>\n
W przesz\u0142o\u015bci badacze polegali albo na interaktywnej segmentacji, prowadz\u0105c model sztucznej inteligencji przez dane wej\u015bciowe, takie jak bazgro\u0142y, albo trenuj\u0105c model sztucznej inteligencji specyficzny dla zadania przy u\u017cyciu setek r\u0119cznie segmentowanych obraz\u00f3w. Oba podej\u015bcia maj\u0105 swoje w\u0142asne problemy - wymagaj\u0105 powtarzalnych danych wej\u015bciowych lub rozleg\u0142ego, podatnego na b\u0142\u0119dy procesu szkolenia. MultiverSeg \u0142\u0105czy w sobie najlepsze aspekty tych metod, ucz\u0105c si\u0119 na podstawie poprzednich przyk\u0142ad\u00f3w przechowywanych w swoim zestawie kontekstowym, jednocze\u015bnie wykorzystuj\u0105c interakcje u\u017cytkownika do przewidywania segmentacji.<\/p>\n
Podczas test\u00f3w MultiverSeg przy\u0107mi\u0142 inne najnowocze\u015bniejsze narz\u0119dzia zar\u00f3wno do segmentacji interaktywnej, jak i kontekstowej. Zanim u\u017cytkownicy dotarli do dziewi\u0105tego obrazu, model potrzebowa\u0142 zaledwie dw\u00f3ch klikni\u0119\u0107, aby uzyska\u0107 segmentacj\u0119 dok\u0142adniejsz\u0105 ni\u017c modele specyficzne dla zadania. <\/p>\n
Patrz\u0105c w przysz\u0142o\u015b\u0107, zesp\u00f3\u0142 badawczy planuje wsp\u00f3\u0142pracowa\u0107 z klinicystami w celu przetestowania MultiverSeg w rzeczywistych \u015brodowiskach i zebrania opinii u\u017cytkownik\u00f3w w celu dalszych ulepsze\u0144. Zale\u017cy im r\u00f3wnie\u017c na rozszerzeniu mo\u017cliwo\u015bci narz\u0119dzia o obrazy biomedyczne 3D. Trwaj\u0105ce prace otrzymuj\u0105 hojne wsparcie od Quanta Computer, Inc., National Institutes of Health i Massachusetts Life Sciences Center.<\/p>\n
Aby dowiedzie\u0107 si\u0119 wi\u0119cej o tym niezwyk\u0142ym projekcie, zapoznaj si\u0119 z oryginalnym artyku\u0142em tutaj<\/a> na stronie MIT News.<\/p>","protected":false},"excerpt":{"rendered":"The painstaking process of segmenting \u2013 or annotating \u2013 specific areas in medical scans plays a critical role in many biomedical research projects. Whether studying changes in brain structures, like your hippocampus, or tracking the progression of a disease, researchers often find themselves laboriously outlining these regions by hand. This method can be particularly grueling, especially when the structures they’re trying to highlight in the complex medical imagery are tough to differentiate. Imagine what it would be like, for instance, conducting a study on how the brain’s hippocampus changes with age. A researcher would generally need to sift through and […]<\/p>\n","protected":false},"author":4,"featured_media":7200,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2,47],"tags":[],"class_list":["post-7199","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-images","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/7199","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=7199"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/7199\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/7200"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=7199"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=7199"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=7199"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}