Радиологи начинают использовать модели компьютерного зрения на основе ИИ, чтобы ускорить трудоемкий процесс анализа медицинских сканов. Однако эти модели требуют больших объемов тщательно размеченных обучающих данных для достижения последовательных и точных результатов, а это означает, что радиологи по-прежнему должны уделять значительное время аннотированию медицинских изображений.

Международная группа под руководством заслуженного профессора Bloomberg Алана Юйлла из Университета Джонса Хопкинса предлагает решение: AbdomenAtlas — крупнейший на сегодняшний день набор данных КТ брюшной полости, содержащий более 45 000 3D-КТ-снимков 142 аннотированных анатомических структур из 145 больниц по всему миру, что более чем в 36 раз больше, чем у его ближайшего конкурента TotalSegmentator V2.

Набор данных и его реализации представлены в разделе «Анализ медицинских изображений» .

Ранее наборы данных по органам брюшной полости составлялись рентгенологами, которые вручную идентифицировали и маркировали отдельные органы на снимках КТ, что требовало тысяч часов человеческого труда.

«Чтобы завершить задачу к 2025 году, для аннотирования 45 000 снимков КТ с 6 миллионами анатомических форм потребуется, чтобы эксперт-рентгенолог начал работать примерно в 420 г. до н. э. — в эпоху Гиппократа», — говорит ведущий автор Цзунвэй Чжоу, младший научный сотрудник кафедры компьютерных наук Инженерной школы Уайтинга.

Играть

00:00
00:05
Немой

Настройки
ПИП
Перейти в полноэкранный режим
Играть
Две серии срезов КТ брюшной полости, стандартные слева и сегментация органов AbdomenAtlas справа. Кредит: Университет Джонса Хопкинса
Решая эту монументальную задачу, команда под руководством Хопкинса использовала алгоритмы ИИ, чтобы значительно ускорить задачу маркировки органов. Работая с 12 экспертами-рентгенологами и дополнительными медицинскими стажерами, они менее чем за два года завершили проект, на который у людей ушло бы более двух тысячелетий.

Метод исследователей объединяет три модели ИИ, обученные на общедоступных наборах данных маркированных абдоминальных сканов для прогнозирования аннотаций для немаркированных наборов данных. Используя цветные карты внимания для выделения областей, требующих уточнения, метод определяет наиболее критические разделы прогнозов моделей для ручного просмотра рентгенологами. Повторяя этот процесс — прогнозирование ИИ с последующим просмотром человеком — они значительно ускоряют процесс аннотации, достигая 10-кратного ускорения для опухолей и 500-кратного для органов, говорят исследователи.

Такой подход позволяет команде расширить область действия, масштаб и точность своего набора данных, не перегружая рентгенологов, что приводит к тому, что команда называет крупнейшим полностью аннотированным набором данных органов брюшной полости из существующих. Они продолжают добавлять больше сканов, органов, а также реальных и искусственных опухолей, чтобы помочь обучить новые и существующие модели ИИ для выявления раковых новообразований, диагностики заболеваний и даже создания цифровых близнецов реальных пациентов.

«Позволяя моделям ИИ узнавать больше о связанных анатомических структурах перед обучением в областях с ограниченными данными, например, при распознавании опухолей, мы заставили ИИ выполнять некоторые задачи по обнаружению опухолей на уровне среднестатистических рентгенологов», — сообщает первый автор Вэньсюань Ли, аспирант кафедры компьютерных наук, консультантом которого является Юйл.

AbdomenAtlas также служит эталоном, который позволяет другим исследовательским группам оценивать точность своих алгоритмов медицинской сегментации. Чем больше данных используется для тестирования этих алгоритмов, тем большую надежность и производительность можно гарантировать в сложных клинических сценариях, говорят исследователи из Хопкинса.

Команда взяла на себя обязательство в конечном итоге выпустить AbdomenAtlas для общественности и поставить новые медицинские сегментационные задачи с его помощью, такие как задача BodyMaps на 27-й Международной конференции по обработке медицинских изображений и компьютерному вмешательству в октябре прошлого года. Эта задача была направлена ​​на поощрение алгоритмов ИИ, которые не только хорошо работают теоретически, но и практически эффективны и надежны в клинических условиях.

Несмотря на достижения, достигнутые благодаря AbdomenAtlas, его создатели отмечают, что набор данных охватывает лишь 0,05% от всех ежегодно проводимых в США КТ-сканирований, и призывают другие учреждения помочь заполнить пробелы.

«Межведомственное сотрудничество имеет решающее значение для ускорения обмена данными , аннотирования и разработки ИИ», — пишут исследователи. «Мы надеемся, что наш AbdomenAtlas сможет подготовить почву для более масштабных клинических испытаний и предложить исключительные возможности практикующим специалистам в области медицинской визуализации».