對于外行人來說,MRI 或 X 光片等醫(yī)學圖像看起來就像是一堆模糊的黑白斑點。要分辨出一個結(jié)構(gòu)(如腫瘤)的盡頭和另一個結(jié)構(gòu)的起點可能很困難。
當訓練 AI 系統(tǒng)理解生物結(jié)構(gòu)的邊界時,它可以分割(或描繪)醫(yī)生和生物醫(yī)學工作者想要監(jiān)測的疾病和其他異常區(qū)域。人工智能助手可以代替他們手動在許多圖像中追蹤解剖結(jié)構(gòu),而不必浪費寶貴的時間。
問題在于,研究人員和臨床醫(yī)生必須標記無數(shù)圖像來訓練他們的 AI 系統(tǒng),然后它才能準確地進行分割。例如,你需要在大量 MRI 掃描中注釋大腦皮層,以訓練監(jiān)督模型來了解皮層的形狀在不同大腦中是如何變化的。
為了避免這種繁瑣的數(shù)據(jù)收集工作,麻省理工學院計算機科學與人工智能實驗室 (CSAIL)、麻省總醫(yī)院 (MGH) 和哈佛醫(yī)學院的研究人員開發(fā)出了交互式的“ScribblePrompt”框架:這是一種靈活的工具,可以幫助快速分割任何醫(yī)學圖像,甚至是以前從未見過的類型。
研究團隊沒有讓人類手動標記每張圖片,而是模擬了用戶如何注釋超過 50,000 張掃描圖像,包括 MRI、超聲波和照片,涵蓋眼睛、細胞、大腦、骨骼、皮膚等結(jié)構(gòu)。
為了標記所有這些掃描,該團隊使用算法模擬人類如何在醫(yī)學圖像的不同區(qū)域上涂鴉和點擊。除了常用的標記區(qū)域外,該團隊還使用超像素算法(該算法可找到具有相似值的圖像部分)來識別醫(yī)學研究人員感興趣的潛在新區(qū)域并訓練 ScribblePrompt 對其進行分割。這些合成數(shù)據(jù)使 ScribblePrompt 能夠處理來自用戶的真實分割請求。
標簽:
免責聲明:本文由用戶上傳,如有侵權(quán)請聯(lián)系刪除!