Forschungswissenschaftler in der Schweiz haben ein robustes KI -Modell entwickelt und getestet, das laut einer neuen Studie, die heute in heute veröffentlicht wurde RadiologieEin Journal der Radiological Society of North America (RSNA). In der Studie übertraf das Modell andere öffentlich verfügbare Tools.
Die MRT liefert detaillierte Bilder des menschlichen Körpers und ist für die Diagnose verschiedener Erkrankungen von neurologischen Erkrankungen bis hin zu Verletzungen des Bewegungsapparates wesentlich. Für die eingehende Interpretation von MRT-Bildern werden die Organe, Muskeln und Knochen in den Bildern umrissen oder markiert, was als Segmentierung bezeichnet wird.
„MRT-Bilder wurden traditionell manuell segmentiert, was ein zeitaufwändiger Prozess ist, der intensive Anstrengungen von Radiologen erfordert und der Variabilität der Inter-Leser unterliegt“ Basel, Schweiz. „Automatisierte Systeme können möglicherweise die Arbeitsbelastung des Radiologen reduzieren, menschliche Fehler minimieren und konsistentere und reproduzierbare Ergebnisse liefern.“
Dr. Wasserthal und Kollegen bauten ein open-Source-automatisierter Segmentierungs-Tool mit dem Namen TotalSegmentator MRT auf, das auf NNU-NET basiert, einem selbstkonfigurierenden Framework, das neue Standards in der medizinischen Bildsegmentierung festgelegt hat. Es passt sich an einen neuen Datensatz mit minimaler Benutzerintervention an und passt die Architektur-, Vorverarbeitungs- und Trainingsstrategien automatisch an, um die Leistung zu optimieren. Ein ähnliches Modell für CT (Totalsegmentator CT) wird von über 300.000 Benutzern weltweit verwendet, um täglich über 100.000 CT -Bilder zu verarbeiten.
In der retrospektiven Studie schulten die Forscher die Totalsegmentator-MRT zur Bereitstellung von sequenzunabhängigen Segmentierungen von anatomischen Strukturen mit einem zufällig abgetasteten Datensatz von 616 MRT- und 527 CT-Prüfungen.
Der Trainingssatz umfasste Segmentierungen von 80 anatomischen Strukturen, die typischerweise zur Messung des Volumens verwendet wurden, die Krankheit, chirurgische Planung und opportunistisches Screening charakterisieren.
„Unsere Innovation war die Schaffung eines großen Datensatzes“, sagte Dr. Waserthal. „Wir haben viel mehr Daten verwendet und viele weitere Organe, Knochen und Muskeln segmentiert als bisher. Unser Modell funktioniert auch in verschiedenen MRT -Scannern und Bildaufnahmen.“
Um die Leistung des Modells zu bewerten, wurden Würfelwerte – die messen, wie ähnliche zwei Datensätze sind – zwischen vorhergesagten Segmentierungen und Radiologen -Referenzstandards für Segmentierungen berechnet. Das Modell hat sich in den 80 Strukturen mit einem Würfelwert von 0,839 bei einem internen MRT -Testsatz gut entwickelt. Es übertraf auch zwei öffentlich verfügbare Segmentierungsmodelle (0,862 gegenüber 0,838 und 0,560) signifikant übertroffen und entsprach der Leistung des Totalsegmentator -CT.
„Nach unserem Kenntnisstand ist unser Modell das einzige, das automatisch die höchste Anzahl von Strukturen für MRTs jeder Sequenz segmentieren kann“, sagte er. „Es ist ein Werkzeug, das dazu beiträgt, die Arbeit der Radiologen zu verbessern, die Messungen genauer zu machen und andere Messungen zu ermöglichen, die zu viel Zeit in Anspruch nehmen würden, um manuell zu tun.“
Neben der Forschung und der KI -Produktentwicklung sagte Dr. Wasserthal, dass das Modell möglicherweise klinisch für die Behandlungsplanung, das Fortschreiten der Krankheit und das opportunistische Screening verwendet werden könnte.
