Bild der Lektion 90.png
KI-Anwendung unterstützt medizinische Bilddiagnose. Foto: Midjourney

Das Annotieren von Bereichen von Interesse in medizinischen Bildern, ein als Segmentierung bezeichneter Prozess, ist häufig der erste Schritt klinischer Forscher bei der Durchführung einer neuen Studie mit biomedizinischer Bildgebung.

Um beispielsweise zu bestimmen, wie sich die Größe des Hippocampus eines Patienten mit zunehmendem Alter verändert, müssen Wissenschaftler jeden Hippocampus in einer Reihe von Gehirnscans kartieren. Angesichts der vielen Strukturen und Bildgebungsarten ist dies oft ein zeitaufwändiger manueller Prozess, insbesondere wenn die relevanten Bereiche schlecht abgegrenzt sind.

Um diesen Prozess zu vereinfachen, haben MIT-Forscher ein KI-basiertes System entwickelt, das es Wissenschaftlern ermöglicht, neue biomedizinische Bilddatensätze schnell zu segmentieren, indem sie auf die Bilder klicken, kritzeln oder Kästchen zeichnen. Das KI-Modell nutzt diese Interaktionen, um die Segmentierung vorherzusagen.

Wenn der Benutzer mehr Bilder markiert, verringert sich die Anzahl der erforderlichen Interaktionen und sinkt schließlich auf Null. Das Modell kann dann neue Bilder ohne zusätzliche Eingaben des Benutzers präzise segmentieren.

Dies ist möglich, weil die Modellarchitektur speziell darauf ausgelegt ist, Informationen aus zuvor segmentierten Bildern zu nutzen, um Vorhersagen für nachfolgende Bilder zu treffen. Im Gegensatz zu anderen medizinischen Bildsegmentierungsmodellen ermöglicht dieses System die Segmentierung des gesamten Datensatzes, ohne die Arbeit für jedes Bild wiederholen zu müssen.

Darüber hinaus erfordert dieses interaktive Tool zum Trainieren keinen vorsegmentierten Datensatz. Benutzer benötigen daher weder Kenntnisse im maschinellen Lernen noch komplexe Rechenressourcen. Sie können das System für eine neue Segmentierungsaufgabe verwenden, ohne das Modell neu trainieren zu müssen.

Langfristig könnte das Tool die Erforschung neuer Behandlungsmethoden beschleunigen und die Kosten für klinische Studien und medizinische Forschung senken. Ärzte könnten es auch nutzen, um die Effizienz klinischer Anwendungen, beispielsweise der Strahlentherapieplanung, zu verbessern.

„Viele Wissenschaftler können für ihre Forschung möglicherweise nur wenige Bilder pro Tag segmentieren, da die manuelle Segmentierung zu zeitaufwändig ist. Wir hoffen, dass dieses System neue wissenschaftliche Möglichkeiten eröffnet, indem es klinischen Forschern Studien ermöglicht, die ihnen bisher aufgrund fehlender effektiver Werkzeuge nicht möglich waren“, sagte Hallee Wong, Doktorandin der Elektrotechnik und Informatik und Hauptautorin eines Artikels, in dem das Modell vorgestellt wird.

Segmentoptimierung

Derzeit verwenden Forscher zwei Hauptmethoden, um neue medizinische Bildsätze zu segmentieren:

Interaktive Segmentierung: Ein Nutzer gibt ein Bild in das KI-System ein und markiert Bereiche, die ihn interessieren. Das Modell prognostiziert anhand dieser Interaktionen ein Segment. Ein zuvor vom MIT-Team entwickeltes Tool namens ScribblePrompt ermöglicht dies, muss aber für jedes neue Bild wiederholt werden.

Aufgabenbasierte automatische Segmentierung : Erstellen Sie ein spezielles KI-Modell zur Automatisierung der Segmentierung. Diese Methode erfordert die manuelle Segmentierung von Hunderten von Bildern, um einen Trainingsdatensatz zu erstellen und anschließend das maschinelle Lernmodell zu trainieren. Bei jeder neuen Aufgabe muss der Benutzer den gesamten komplexen Prozess erneut starten. Ist das Modell fehlerhaft, kann es nicht direkt bearbeitet werden.

Das neue System, MultiverSeg, vereint das Beste aus beiden Welten. Es prognostiziert ein Segment für ein neues Bild basierend auf Interaktionen (wie Kritzeln), speichert aber auch jedes segmentierte Bild in einem Kontextsatz zur späteren Bezugnahme.

Wenn Nutzer neue Fotos hochladen und markieren, nutzt das Modell den Kontextsatz, um präzisere Vorhersagen mit weniger Aufwand zu treffen. Das architektonische Design ermöglicht Kontextsätze beliebiger Größe und macht das Tool flexibel für viele Anwendungen.

„Irgendwann ist für viele Aufgaben keine zusätzliche Interaktion mehr erforderlich. Wenn im Kontextsatz genügend Beispiele vorhanden sind, kann das Modell das Segment selbst genau vorhersagen“, erklärt Wong.

Das Modell wird anhand verschiedener Datensätze trainiert, um sicherzustellen, dass die Vorhersagen anhand des Benutzerfeedbacks schrittweise verbessert werden. Benutzer müssen das Modell nicht für neue Daten neu trainieren – laden Sie einfach neue medizinische Bilder und beginnen Sie mit der Beschriftung.

In Vergleichstests mit anderen hochmodernen Tools übertrifft MultiverSeg die Effizienz und Genauigkeit.

Weniger Arbeit, bessere Ergebnisse

Im Gegensatz zu bestehenden Tools erfordert MultiverSeg weniger Eingaben pro Bild. Ab dem 9. Bild sind nur noch 2 Klicks nötig, um eine genauere Segmentierung zu generieren als bei einem aufgabenspezifischen Modell.

Bei einigen Bildtypen, wie etwa Röntgenaufnahmen, muss der Benutzer möglicherweise nur 1–2 Bilder manuell segmentieren, bevor das Modell genau genug ist, um den Rest vorherzusagen.

Durch Interaktivität können Benutzer Vorhersagen ändern und iterativ anpassen, bis die gewünschte Genauigkeit erreicht ist. Im Vergleich zum vorherigen System erreichte MultiverSeg eine Genauigkeit von 90 % mit nur 2/3 der Striche und 3/4 der Klicks.

„Mit MultiverSeg können Benutzer jederzeit Interaktionen hinzufügen, um die KI-Vorhersagen zu verfeinern. Dies beschleunigt den Prozess noch immer erheblich, da die Bearbeitung viel schneller geht, als von vorne anzufangen“, fügte Wong hinzu.

In Zukunft möchte das Team das Tool in der klinischen Praxis testen, es anhand von Feedback verbessern und seine Segmentierungsfunktionen auf die 3D-biomedizinische Bildgebung ausweiten.

Die Forschung wurde teilweise von Quanta Computer, Inc., den US-amerikanischen National Institutes of Health (NIH) und Hardware des Massachusetts Life Sciences Center unterstützt.

(Quelle: MIT News)

Quelle: https://vietnamnet.vn/he-thong-ai-moi-ho-tro-day-nhanh-nghien-cuu-lam-sang-2450462.html