Исследователи представляют алгоритмы самообучения для большого количества различных наборов данных изображений.

Оценка данных медицинских изображений на основе ИИ обычно требует специально разработанного алгоритма для каждой задачи. Ученые из Немецкого центра исследования рака (DKFZ) представили новый метод настройки алгоритмов самообучения для большого количества различных наборов данных изображений – без необходимости в специальных знаниях или очень значительной вычислительной мощности.

При оценке данных медицинской визуализации искусственный интеллект (ИИ) обещает оказать поддержку врачам и помочь облегчить их рабочую нагрузку, особенно в области онкологии. Тем не менее, независимо от того, нужно ли измерять размер опухоли головного мозга для планирования лечения или необходимо задокументировать регресс метастазов в легких в ходе лучевой терапии, компьютеры сначала должны научиться интерпретировать наборы данных трехмерной визуализации из компьютерная томография (КТ) или магнитно-резонансная томография (МРТ). Они должны иметь возможность решить, какие пиксели принадлежат опухоли, а какие нет. Эксперты в области искусственного интеллекта называют процесс различия между ними семантической сегментацией.

Для каждой индивидуальной задачи – например, распознавания рака почки на КТ-изображениях или рака груди на МРТ-изображениях – ученым необходимо разработать специальные алгоритмы, которые могут отличать опухоль от неопухолевой ткани и могут делать прогнозы. Наборы данных изображений, для которых врачи уже вручную пометили опухоли, здоровые ткани и другие важные анатомические структуры, используются в качестве учебных материалов для машинного обучения.

Для разработки подобных алгоритмов сегментации требуются опыт и специальные знания. «Это нетривиально, и обычно для этого требуется много времени, проб и ошибок», – пояснил специалист по медицинской информатике Фабиан Изензее, один из ведущих авторов данной публикации. Он и его коллеги из подразделения DKFZ, возглавляемого Клаусом Майер-Хайном, теперь разработали метод, который динамически и полностью автоматически адаптируется к любым наборам данных изображений, что позволяет даже людям с ограниченным опытом конфигурировать алгоритмы самообучения для конкретных задач .

Метод, известный как nnU-Net, может работать с широким спектром данных визуализации: помимо традиционных методов визуализации, таких как КТ и МРТ, он также может обрабатывать изображения, полученные с помощью электронной и флуоресцентной микроскопии.

услуги нутрициологаАвтор сайта и статей: Богомолова Татьяна, нутрициолог-психолог, консультант по питанию и коррекции веса. Подробнее обо мне

Я в соц. сетях: Instagram.

Рейтинг
Еще статьи нутрициолога:
Adblock
detector