[ad_1]

ارزیابی داده های تصویربرداری پزشکی مبتنی بر هوش مصنوعی معمولاً برای هر کار نیاز به الگوریتمی خاص دارد. دانشمندان مرکز تحقیقات سرطان آلمان (DKFZ) اکنون روش جدیدی را برای پیکربندی الگوریتم های یادگیری خودکار برای تعداد زیادی مجموعه داده مختلف تصویر – بدون نیاز به دانش خاص یا قدرت محاسباتی بسیار مهم – ارائه داده اند.

در ارزیابی تصویربرداری پزشکی ، هوش مصنوعی (AI) قول می دهد که از پزشکان پشتیبانی کند و به کاهش کار آنها ، به ویژه در زمینه انکولوژی کمک کند. با این حال ، چه اندازه تومور مغزی برای برنامه ریزی درمان نیاز به اندازه گیری باشد و چه رگرسیون متاستازهای ریه در طول پرتودرمانی مستند شود ، کامپیوترها ابتدا باید یاد بگیرند که چگونه مجموعه تصاویر توموگرافی کامپیوتری سه بعدی را تفسیر کنند ( CT) یا تصویربرداری تشدید مغناطیسی (MRI). آنها باید بتوانند تصمیم بگیرند که کدام پیکسل ها به تومور تعلق دارند و کدام یک از آنها نیستند. متخصصان هوش مصنوعی فرایند تمایز بین این دو را تقسیم بندی معنایی می نامند.

برای هر کار فردی – مانند تشخیص سرطان کلیه در تصاویر CT یا سرطان پستان در تصاویر MRI – دانشمندان باید الگوریتم های ویژه ای برای تشخیص بین بافت تومور و غیر تومور ایجاد کنند و پیش بینی کنند. مجموعه داده های تصویربرداری ، که پزشکان قبلاً تومورها ، بافتهای سالم و دیگر ساختارهای مهم آناتومیکی را شناسایی کرده اند ، به عنوان ماده یادگیری ماشین استفاده می شوند.

تجربه و دانش تخصصی برای توسعه الگوریتم های تقسیم بندی از جمله این موارد مورد نیاز است. فابیان ایسنسی ، یکی از نویسندگان اصلی این نشریه ، گفت: “این بی اهمیت نیست و معمولاً شامل آزمون و خطای زمان بر است.” او و همکارانش از بخش DKFZ ، به رهبری کلاوس مایر-هاین ، اکنون روشی را توسعه داده اند که به صورت پویا و کاملاً خودکار با هر نوع مجموعه داده تصویر سازگار می شود ، بنابراین به افراد با تجربه قبلی محدود نیز امکان پیکربندی را می دهد. الگوریتم های خودآموزی برای کارهای خاص.

این روش که به nnU-Net معروف است ، می تواند طیف وسیعی از داده های تصویربرداری را کنترل کند: علاوه بر روش های معمول تصویربرداری مانند CT و MRI ، می تواند تصاویر میکروسکوپ الکترونی و فلورسانس را نیز پردازش کند.

محققان DKFZ با استفاده از nnU-Net بهترین عملکرد را در 33 کار از 53 وظیفه تقسیم بندی مختلف در مسابقات بین المللی داشتند ، اگرچه آنها با الگوریتم های بسیار خاصی که توسط متخصصان تهیه شده است برای مسائل خاص فردی رقابت می کنند.

Klaus Meyer-Hein و تیمش nnU-Net را به عنوان ابزاری منبع باز ارائه می دهند كه می تواند به صورت رایگان بارگیری شود. کلاوس مایر توضیح داد: “NnU-Net می تواند بلافاصله استفاده شود ، می تواند با استفاده از مجموعه داده های تصویر آموزش ببیند و می تواند کارهای ویژه ای را انجام دهد – بدون نیاز به تجربه خاصی در علوم کامپیوتر یا قدرت محاسباتی به ویژه قابل توجه”. هین

تا به امروز ، تصویربرداری پزشکی مبتنی بر هوش مصنوعی عمدتا در زمینه تحقیقات استفاده شده است و هنوز به طور گسترده ای در مراقبت های بالینی معمول برای بیماران سرطانی استفاده نشده است. با این حال ، پزشکان انفورماتیک پزشکی و پزشکان پتانسیل قابل توجهی برای استفاده از آن می بینند ، به عنوان مثال برای بسیاری از کارهای تکراری ، مانند مواردی که اغلب باید به عنوان بخشی از آزمایشات بالینی در مقیاس بزرگ انجام شوند. مایر-هاین ، مدیر تحقیق ، گفت: “nnU-Net می تواند به استفاده از این پتانسیل کمک کند.”

[ad_2]

منبع: hobobat-news.ir