基于人工智能的醫(yī)學(xué)成像數(shù)據(jù)評(píng)估通常需要針對(duì)每項(xiàng)任務(wù)專(zhuān)門(mén)開(kāi)發(fā)的算法。德國(guó)癌癥研究中心 (DKFZ) 的科學(xué)家現(xiàn)在提出了一種新方法,可以為大量不同的成像數(shù)據(jù)集配置自學(xué)習(xí)算法,而無(wú)需專(zhuān)業(yè)知識(shí)或非常強(qiáng)大的計(jì)算能力。
在醫(yī)學(xué)影像數(shù)據(jù)的評(píng)估中,人工智能(AI)有望為醫(yī)生提供支持并幫助減輕他們的工作量,特別是在腫瘤學(xué)領(lǐng)域。然而,無(wú)論是否需要測(cè)量腦腫瘤的大小以計(jì)劃治療,或者是否需要在放射治療過(guò)程中記錄肺轉(zhuǎn)移的消退,計(jì)算機(jī)首先必須學(xué)習(xí)如何解釋來(lái)自三維成像的數(shù)據(jù)集。計(jì)算機(jī)斷層掃描 (CT) 或磁共振成像 (MRI)。他們必須能夠決定哪些像素屬于腫瘤,哪些不屬于腫瘤。人工智能專(zhuān)家將區(qū)分兩者的過(guò)程稱為語(yǔ)義分割。
對(duì)于每一項(xiàng)任務(wù),例如識(shí)別 CT 圖像上的腎癌或MRI 圖像上的乳腺癌,科學(xué)家需要開(kāi)發(fā)特殊的算法來(lái)區(qū)分腫瘤和非腫瘤組織并做出預(yù)測(cè)。醫(yī)生已經(jīng)手動(dòng)標(biāo)記了腫瘤、健康組織和其他重要解剖結(jié)構(gòu)的成像數(shù)據(jù)集被用作機(jī)器學(xué)習(xí)的培訓(xùn)材料。
開(kāi)發(fā)此類(lèi)分割算法需要經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)。“這并不是一件小事,通常需要耗時(shí)的試驗(yàn)和錯(cuò)誤,”當(dāng)前出版物的主要作者之一、醫(yī)學(xué)信息學(xué)專(zhuān)家 Fabian Isensee 解釋道。他和克勞斯·邁爾-海因 (Klaus Maier-Hein) 領(lǐng)導(dǎo)的 DKFZ 部門(mén)的同事現(xiàn)在開(kāi)發(fā)了一種方法,可以動(dòng)態(tài)且完全自動(dòng)地適應(yīng)任何類(lèi)型的成像數(shù)據(jù)集,從而允許先前專(zhuān)業(yè)知識(shí)有限的人為特定任務(wù)配置自學(xué)習(xí)算法。
該方法被稱為 nnU-Net,可以處理廣泛的成像數(shù)據(jù):除了 CT 和 MRI 等傳統(tǒng)成像方法外,它還可以處理電子顯微鏡和熒光顯微鏡的圖像。
使用 nnU-Net,DKFZ 研究人員在國(guó)際競(jìng)賽中 53 個(gè)不同分割任務(wù)中的 33 個(gè)中獲得了最佳結(jié)果,盡管與專(zhuān)家針對(duì)特定個(gè)人問(wèn)題開(kāi)發(fā)的高度特定的算法進(jìn)行競(jìng)爭(zhēng)。
標(biāo)簽:
免責(zé)聲明:本文由用戶上傳,如有侵權(quán)請(qǐng)聯(lián)系刪除!