Segmentacija, proces označavanja područja interesa u medicinskim slikama, često je prvi korak koji klinički istraživači poduzimaju prilikom provođenja novih studija koje uključuju biomedicinske slike. Ova metoda omogućuje znanstvenicima da analiziraju promjene u strukturama tijela, poput veličine hipokampusa u mozgu, kako pacijenti stare.
Na primjer, da bi istražili kako se veličina hipokampusa mijenja s godinama, znanstvenici prvo moraju označiti svaki hipokampus u nizu snimaka mozga. Ovaj proces često je ručan i može biti izuzetno dugotrajan, osobito kada su područja koja se proučavaju teška za precizno definiranje.
Kako bi se pojednostavio ovaj proces, istraživači s MIT-a razvili su sustav temeljen na umjetnoj inteligenciji koji omogućuje istraživačima brzo segmentiranje novih biomedicinskih skupova slika jednostavnim klikom, ocrtavanjem i crtanjem okvira na slikama. Ovaj novi AI model koristi te interakcije za predikciju segmentacije.
Kada korisnik označi dodatne slike, broj potrebnih interakcija se smanjuje, na kraju pada na nulu. Model tada može precizno segmentirati svaku novu sliku bez dodatnog unosa korisnika. Ova sposobnost proizlazi iz arhitekture modela koja je posebno dizajnirana da koristi informacije iz slika koje je već segmentirao za izradu novih predikcija.
Za razliku od drugih modela segmentacije medicinskih slika, ovaj sustav omogućuje korisniku da segmentira cijeli skup podataka bez ponavljanja svog rada za svaku sliku. Osim toga, interaktivni alat ne zahtijeva prethodno segmentirane skupove slika za obuku, što znači da korisnici ne moraju imati stručnost u strojnom učenju ili opsežne računalne resurse. Mogu koristiti sustav za novu segmentacijsku zadaću bez potrebe za ponovnim treniranjem modela.
U dugoročnom smislu, ovaj alat mogao bi ubrzati istraživanja novih metoda liječenja i smanjiti troškove kliničkih ispitivanja i medicinskih istraživanja. Također bi se mogao koristiti od strane liječnika za poboljšanje učinkovitosti kliničkih aplikacija, poput planiranja radioterapije.
„Mnogi znanstvenici možda imaju vremena segmentirati samo nekoliko slika dnevno zbog dugotrajnosti ručne segmentacije slika. Naša nada je da će ovaj sustav omogućiti novu znanost omogućujući kliničkim istraživačima da provode studije koje su prije bile onemogućene zbog nedostatka učinkovitog alata,“ izjavila je Hallee Wong, studentica elektrotehnike i računalnih znanosti i glavna autorica rada o ovom novom alatu.
U radu su joj se pridružili Jose Javier Gonzalez Ortiz, John Guttag, profesor računalnih znanosti i elektrotehnike, te Adrian Dalca, pomoćni profesor na Harvard Medical School i MGH, kao i istraživački znanstvenik u MIT-ovom Laboratoriju za računalne znanosti i umjetnu inteligenciju (CSAIL). Istraživanje će biti predstavljeno na Međunarodnoj konferenciji o računalnoj viziji.
Pojednostavljenje segmentacije
Postoje dva glavna pristupa koja istraživači koriste za segmentaciju novih skupova medicinskih slika. Prvi je interaktivna segmentacija, gdje korisnici unose sliku u AI sustav i koriste sučelje za označavanje područja interesa. Model zatim predviđa segmentaciju na temelju tih interakcija.
Alat koji su ranije razvili istraživači s MIT-a, ScribblePrompt, omogućuje korisnicima da to učine, ali moraju ponavljati proces za svaku novu sliku.
Drugi pristup uključuje razvoj specifičnog AI modela za automatsku segmentaciju slika. Ovaj pristup zahtijeva da korisnik ručno segmentira stotine slika kako bi stvorio skup podataka, a zatim trenira model strojnog učenja. Taj model predviđa segmentaciju za novu sliku, ali korisnik mora započeti složen proces temeljen na strojnome učenju iznova za svaku novu zadaću, a ne postoji način da se ispravi model ako napravi grešku.
Ovaj novi sustav, MultiverSeg, kombinira najbolje od oba pristupa. Predviđa segmentaciju za novu sliku na temelju korisničkih interakcija, poput ocrtavanja, ali također zadržava svaku segmentiranu sliku u kontekstualnom skupu na koji se kasnije poziva.
Kada korisnik učita novu sliku i označi područja interesa, model koristi primjere iz svog kontekstualnog skupa kako bi napravio točniju predikciju uz manje unosa korisnika. Istraživači su dizajnirali arhitekturu modela da koristi kontekstualni skup bilo koje veličine, tako da korisnik ne mora imati određeni broj slika. Ova fleksibilnost omogućuje MultiverSeg-u da se koristi u različitim aplikacijama.
„U nekom trenutku, za mnoge zadatke, ne biste trebali trebati davati nikakve interakcije. Ako imate dovoljno primjera u kontekstualnom skupu, model može točno predvidjeti segmentaciju samostalno,“ izjavila je Wong.
Istraživači su pažljivo inženjerirali i obučili model na raznolikom skupu biomedicinskih slika kako bi osigurali njegovu sposobnost postupnog poboljšanja predikcija na temelju korisničkog unosa. Korisnik ne mora ponovo trenirati ili prilagođavati model za svoje podatke. Da bi koristio MultiverSeg za novu zadaću, dovoljno je učitati novu medicinsku sliku i početi je označavati.
Kada su istraživači usporedili MultiverSeg s najmodernijim alatima za segmentaciju slika u kontekstu i interaktivnu segmentaciju, pokazao je bolje rezultate od svih osnovnih modela.
Manje klikova, bolji rezultati
Za razliku od drugih alata, MultiverSeg zahtijeva manje unosa korisnika za svaku sliku. Nakon devete nove slike, potrebna su samo dva klika od korisnika da generira segmentaciju koja je točnija od modela dizajniranog posebno za taj zadatak.
Za neke vrste slika, poput rendgenskih snimaka, korisnik možda treba segmentirati samo jednu ili dvije slike ručno prije nego što model postane dovoljno točan da samostalno donosi predikcije.
Interaktivnost alata također omogućuje korisniku da ispravi predikciju modela, ponavljajući proces dok ne postigne željenu razinu točnosti.
Zaključak
Novi AI sustav za segmentaciju medicinskih slika predstavlja značajan korak naprijed u kliničkom istraživanju. Njegova sposobnost da smanji vrijeme potrebno za analizu slika i poveća točnost predikcija može revolucionirati način na koji se provode klinička ispitivanja i istraživanja. Ovaj alat ne samo da olakšava rad istraživača, već i potencijalno poboljšava ishode liječenja pacijenata.
Najčešća pitanja (FAQ)
Što je segmentacija medicinskih slika?
Segmentacija medicinskih slika je proces označavanja određenih područja interesa unutar medicinskih slika kako bi se olakšala analiza i interpretacija podataka.
Kako novi AI sustav poboljšava segmentaciju?
Novi AI sustav omogućuje brže i preciznije segmentiranje slika smanjujući potrebu za ručnim unosom i omogućujući modelu da uči iz prethodnih interakcija.
Koje su prednosti korištenja ovog sustava?
- Brže analize slika
- Smanjenje troškova kliničkih ispitivanja
- Povećana točnost predikcija
- Jednostavnost korištenja bez potrebe za stručnim znanjem u strojnom učenju
Može li se sustav koristiti za različite vrste medicinskih slika?
Da, sustav je dizajniran da bude fleksibilan i može se koristiti za razne vrste medicinskih slika, uključujući rendgenske snimke, MRI i CT skeniranja.
Kako se sustav uspoređuje s drugim alatima za segmentaciju?
MultiverSeg pokazuje bolje rezultate u točnosti i brzini u usporedbi s drugim modernim alatima za segmentaciju, zahtijevajući manje interakcija od korisnika.
