Новая система AI от MIT ускоряет и упрощает сегментацию изображений

Исследователи из MIT разработали систему искусственного интеллекта, которая помогает медицинским экспертам ускорить свои исследования благодаря быстрому анализу изображений медицинских данных.

Инструмент, называемый MultiverSeg, позволяет ученым отмечать определенные области изображения, просто щелкая или рисуя, и система использует эту информацию для генерации прогнозов для предстоящих результатов.

MIT объясняет, что начальный и самый трудоемкий процесс в клинических исследованиях требует аннотации медицинских изображений, также известной как сегментация. Например, чтобы изучить, как гиппокамп в мозгу меняется с возрастом, исследователям необходимо вручную проследить его на различных сканах.

«Многие ученые могут найти время лишь на сегментацию нескольких изображений в день для своих исследований, поскольку ручная сегментация изображений занимает много времени. Наша надежда заключается в том, что эта система позволит открыть новые научные горизонты, позволив клиническим исследователям проводить исследования, которые раньше они не могли провести из-за отсутствия эффективного инструмента», — сказала Халли Вонг, ведущий автор и аспирантка факультета электротехники и компьютерных наук.

В отличие от предыдущих систем, MultiverSeg не требует от исследователей обучения на больших предварительно сегментированных наборах данных. Система создает «контекстный набор» из прошлых сегментированных изображений и использует их для улучшения будущих прогнозов. Исследователи объясняют, что система практически не требует взаимодействия со стороны пользователя по мере течения времени.

Исследователи протестировали MultiverSeg против передовых инструментов и обнаружили, что она требует меньше кликов и замазок и дает более точные результаты. Действительно, системе на базе ИИ требовалось всего одно или два ручных сегментирования рентгеновских снимков, прежде чем она могла делать точные прогнозы для оставшихся областей.

«С помощью MultiverSeg пользователи всегда могут предоставить больше взаимодействий для уточнения прогнозов AI. Это все еще значительно ускоряет процесс, поскольку обычно быстрее исправить то, что уже существует, чем начать с нуля», — объяснила Вонг.

Команда планирует тестировать систему в клинической среде, в надежде, что она также сможет повысить эффективность в таких областях, как планирование радиационного лечения.