基于人工智能的醫(yī)學(xué)成像數(shù)據(jù)評估通常需要針對每項任務(wù)專門開發(fā)的算法。德國癌癥研究中心 (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，而無需專業(yè)知識或非常強(qiáng)大的計算能力。
在醫(yī)學(xué)影像數(shù)據(jù)的評估中，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，無論是否需要測量腦腫瘤的大小以計劃治療，或者是否需要在放射治療過程中記錄肺轉(zhuǎn)移的消退，計算機(jī)首先必須學(xué)習(xí)如何解釋來自三維成像的數(shù)據(jù)集。計算機(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。人工智能專家將區(qū)分兩者的過程稱為語義分割。
對于每一項任務(wù)，例如識別 CT 圖像上的腎癌或MRI 圖像上的乳腺癌，科學(xué)家需要開發(fā)特殊的算法來區(qū)分腫瘤和非腫瘤組織并做出預(yù)測。醫(yī)生已經(jīng)手動標(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。
開發(fā)此類分割算法需要經(jīng)驗和專業(yè)知識。“這并不是一件小事，通常需要耗時的試驗和錯誤，”當(dāng)前出版物的主要作者之一、醫(yī)學(xué)信息學(xué)專家 Fabian Isensee 解釋道。他和克勞斯·邁爾-海因 (Klaus Maier-Hein) 領(lǐng)導(dǎo)的 DKFZ 部門的同事現(xiàn)在開發(fā)了一種方法，可以動態(tài)且完全自動地適應(yīng)任何類型的成像數(shù)據(jù)集，從而允許先前專業(yè)知識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 研究人員在國際競賽中 53 個不同分割任務(wù)中的 33 個中獲得了最佳結(jié)果，盡管與專家針對特定個人問題開發(fā)的高度特定的算法進(jìn)行競爭。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！