研究人员提出了针对大量不同成像数据集的自学习算法

基于人工智能的医学成像数据评估通常需要针对每项任务专门开发的算法。德国癌症研究中心 (DKFZ) 的科学家现在提出了一种新方法，可以为大量不同的成像数据集配置自学习算法，而无需专业知识或非常强大的计算能力。

在医学影像数据的评估中，人工智能(AI)有望为医生提供支持并帮助减轻他们的工作量，特别是在肿瘤学领域。然而，无论是否需要测量脑肿瘤的大小以计划治疗，或者是否需要在放射治疗过程中记录肺转移的消退，计算机首先必须学习如何解释来自三维成像的数据集。计算机断层扫描 (CT) 或磁共振成像 (MRI)。他们必须能够决定哪些像素属于肿瘤，哪些不属于肿瘤。人工智能专家将区分两者的过程称为语义分割。

对于每一项任务，例如识别 CT 图像上的肾癌或MRI 图像上的乳腺癌，科学家需要开发特殊的算法来区分肿瘤和非肿瘤组织并做出预测。医生已经手动标记了肿瘤、健康组织和其他重要解剖结构的成像数据集被用作机器学习的培训材料。

开发此类分割算法需要经验和专业知识。“这并不是一件小事，通常需要耗时的试验和错误，”当前出版物的主要作者之一、医学信息学专家 Fabian Isensee 解释道。他和克劳斯·迈尔-海因 (Klaus Maier-Hein) 领导的 DKFZ 部门的同事现在开发了一种方法，可以动态且完全自动地适应任何类型的成像数据集，从而允许先前专业知识有限的人为特定任务配置自学习算法。

该方法被称为 nnU-Net，可以处理广泛的成像数据：除了 CT 和 MRI 等传统成像方法外，它还可以处理电子显微镜和荧光显微镜的图像。

使用 nnU-Net，DKFZ 研究人员在国际竞赛中 53 个不同分割任务中的 33 个中获得了最佳结果，尽管与专家针对特定个人问题开发的高度特定的算法进行竞争。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！