توضیح مناطق مورد علاقه در تصاویر پزشکی ، که فرایندی است که به عنوان تقسیم بندی شناخته می شود ، یکی از اولین اقدامات انجام شده توسط محققان بالینی هنگام انجام یک مطالعه جدید از تصاویر زیست پزشکی است.
به عنوان مثال ، برای تعیین چگونگی تغییر اندازه هیپوکامپ مغز به عنوان سن بیمار ، دانشمند ابتدا طرح های هر هیپوکامپ را در یک سری از اسکن های مغزی ترسیم می کند. برای بسیاری از انواع ساختارها و تصاویر ، این معمولاً یک فرایند دستی است که می تواند بسیار وقت گیر باشد ، به خصوص اگر تعریف مناطق مورد بررسی دشوار باشد.
به منظور تسهیل فرایند ، محققان MIT یک سیستم مبتنی بر هوش مصنوعی ایجاد کردند که به یک محقق اجازه می دهد تا با کلیک بر روی تصاویر ، خوشه های داده تصویربرداری جدید را به سرعت تقسیم کند. این مدل جدید هوش مصنوعی از این تعامل ها برای برآورد تقسیم بندی استفاده می کند.
از آنجا که کاربر تصاویر اضافی را انتخاب می کند ، تعداد تعامل مورد نیاز برای انجام آنها در نهایت به صفر است. سپس مدل می تواند هر تصویر جدید را به درستی بدون ورودی کاربر به بخش ها تقسیم کند.
او می تواند این کار را انجام دهد ، زیرا معماری مدل به طور خاص برای استفاده از اطلاعات موجود در تصاویر طراحی شده است که قبلاً به بخش هایی تقسیم شده است تا پیش بینی های جدید انجام شود.
بر خلاف سایر مدل های تقسیم بندی تصویر پزشکی ، این سیستم به کاربر اجازه می دهد تا بدون تکرار عملکرد برای هر تصویر ، داده های مجموعه را به بخش ها تقسیم کند.
علاوه بر این ، وسیله نقلیه تعاملی نیازی به مجموعه داده های اولیه تصویر برای آموزش ندارد ، بنابراین نیازی به تخصص یادگیری ماشین کاربران یا منابع محاسبه جامع ندارد. آنها می توانند بدون آموزش مدل از سیستم برای یک کار تقسیم بندی جدید استفاده کنند.
در طولانی مدت ، این ابزار می تواند کار روشهای جدید درمانی را تسریع کرده و هزینه مطالعات بالینی و هزینه تحقیقات پزشکی را کاهش دهد. همچنین می تواند توسط پزشکان برای افزایش کارایی کاربردهای بالینی مانند برنامه ریزی پرتودرمانی استفاده شود.
هال وونگ می گوید: “بسیاری از دانشمندان ممکن است وقت خود را برای تقسیم چند تصویر در روز برای تحقیقات خود داشته باشند ، زیرا بخش تصویر دستی بسیار زمان است. امید ما با اجازه دادن به این سیستم به دلیل عدم وجود ابزارهای مؤثر ، علم جدیدی را فراهم می کند. کاغذ این دستگاه جدیدبشر
دکتری خوزه خاویر گونزالز اورتیز ’۲۴ ؛ جان گوتاگ ، دوگالد سی. جکسون استاد علوم کامپیوتر و مهندسی برق ؛ و نویسنده ارشد Adrian Dalca و MIT علوم کامپیوتر و آزمایشگاه هوش مصنوعی (CSAIL) دانشمند تحقیقاتی (CSAIL). این تحقیق در کنفرانس بین المللی چشم انداز رایانه ارائه می شود.
تقسیم بندی مقررات
اول از همه ، دو روش وجود دارد که محققان برای تقسیم خوشه های پزشکی جدید به بخش ها استفاده می کنند. با تقسیم بندی تعاملی ، آنها یک تصویر را در یک سیستم AI وارد می کنند و از یک رابط برای علامت گذاری قسمت های مورد علاقه استفاده می کنند. مدل تقسیم بندی را بر اساس این تعامل پیش بینی می کند.
ScribblePrompt ، ابزاری که قبلاً توسط محققان MIT توسعه یافته است ، به کاربران این امکان را می دهد تا این کار را انجام دهند ، اما باید این روند را برای هر تصویر جدید تکرار کنند.
رویکرد دیگر تهیه یک مدل AI خاص کار است که به طور خودکار تصاویر را به بخش ها تقسیم می کند. این رویکرد به کاربر نیاز دارد تا صدها تصویر را به صورت دستی برای ایجاد یک مجموعه داده تقسیم کند و سپس یک مدل یادگیری ماشین را آموزش دهد. این مدل تقسیم یک تصویر جدید را پیش بینی می کند. با این حال ، اگر کاربر باید یک فرآیند پیچیده و مبتنی بر یادگیری ماشین را برای هر کار جدید از ابتدا شروع کند و اشتباه کند ، هیچ راهی برای اصلاح مدل وجود ندارد.
این سیستم جدید ، همه کارهاین بهترین روش از هر روش را ترکیب می کند. این یک تقسیم بندی برای یک تصویر جدید بر اساس تعامل کاربر ، مانند نوشتن ، پیش بینی می کند ، اما هر تصویر بخش را در یک زمینه تنظیم می کند که بعداً بیان می کند.
هنگامی که کاربر یک تصویر جدید را بارگذاری می کند و به نظر می رسد مناطق جالب ، این مدل از نمونه هایی برای پیش بینی دقیق تر با ورودی کمتر کاربر استفاده می کند.
محققان معماری این مدل را برای استفاده از خوشه ای از متن با هر اندازه طراحی کردند ، به طوری که کاربر نیازی به داشتن تعداد مشخصی از نقاشی ها نداشته باشد. این امر خاصیت ارتجاعی استفاده در یک سری برنامه ها را به چندگانه می دهد.
وی گفت: “در بعضی از مواقع ، برای بسیاری از کارها ، لازم نیست تعامل ارائه دهید.
محققان با دقت مدل را با دقت در جمع آوری داده های مختلف تصویربرداری زیست پزشکی طراحی و آموزش داده اند تا اطمینان حاصل کنند که توانایی بهبود تدریجی پیش بینی های خود را با توجه به ورودی کاربر دارد.
کاربر نیازی به تنظیم مجدد یا سفارشی کردن مدل برای داده ها ندارد. می توانید یک تصویر پزشکی جدید را برای استفاده از Multiverig برای یک کار جدید بارگذاری کرده و علامت گذاری کنید.
هنگامی که محققان Multiverig را با ابزارهای حالت -ART برای تقسیم تصویر داخلی و تعاملی مقایسه کردند ، بهتر از هر خط پایه عمل می کرد.
کمتر کلیک کنید ، نتایج بهتر
بر خلاف سایر ابزارها ، Multiverig در هر تصویر به کاربران کمتری نیاز دارد. با نهمین تصویر جدید ، فقط به دو کلیک از کاربر نیاز داشت تا یک تقسیم بندی دقیق تر از یک مدل خاص طراحی شده برای کار ایجاد کند.
برای برخی از انواع انواع تصویر مانند اشعه ایکس ، ممکن است کاربر قبل از اینکه به اندازه کافی دقیق شود ، به طور دستی یک یا دو تصویر را به بخش ها تقسیم کند تا به تنهایی پیش بینی کنند.
تعامل وسیله نقلیه به کاربر این امکان را می دهد تا تخمین مدل تکرار شده را اصلاح کند تا اینکه به سطح دقت مورد نظر برسد. در مقایسه با سیستم قبلی محققان ، MultiveG با ۲/۳ با ۳/۴ کلیک تقریباً به ۹۰ درصد تا ۹۰ درصد رسید.
وی گفت: “با Multiverig ، کاربران همیشه می توانند با Multiverig در تعامل باشند تا پیش بینی های AI را بهبود بخشند. این هنوز روند را به میزان قابل توجهی تسریع می کند زیرا اغلب سریعتر از شروع از ابتدا برای تصحیح چیزی است که وجود دارد.
در آینده ، محققان می خواهند این ابزار را با همکاران بالینی در موقعیت های دنیای واقعی آزمایش کنند و مطابق بازخورد کاربر آن را توسعه دهند. آنها همچنین می خواهند تصاویر بیولوژیکی سه بعدی را به بخش ها تقسیم کنند.
این مطالعه تا حدودی Quanta Computer ، Inc. و مؤسسات بهداشت ملی پشتیبانی شده توسط پشتیبانی سخت افزاری از مرکز علوم زندگی ماساچوست.