Algoritme belajar mandiri untuk kumpulan data pencitraan yang berbeda – ScienceDaily

Algoritme belajar mandiri untuk kumpulan data pencitraan yang berbeda – ScienceDaily


Evaluasi data pencitraan medis berbasis AI biasanya memerlukan algoritme yang dikembangkan secara khusus untuk setiap tugas. Ilmuwan dari Pusat Penelitian Kanker Jerman (DKFZ) kini telah mempresentasikan metode baru untuk mengonfigurasi algoritme pembelajaran mandiri untuk sejumlah besar kumpulan data pencitraan yang berbeda – tanpa memerlukan pengetahuan khusus atau daya komputasi yang sangat signifikan.

Dalam evaluasi data medical imaging, artificial intelligence (AI) berjanji akan memberikan dukungan kepada dokter dan membantu meringankan beban kerja mereka, khususnya di bidang onkologi. Namun terlepas dari apakah ukuran tumor otak perlu diukur untuk merencanakan pengobatan atau regresi metastasis paru perlu didokumentasikan selama radioterapi, komputer pertama-tama harus belajar bagaimana menafsirkan kumpulan data pencitraan tiga dimensi dari computed tomography (CT) atau magnetic resonance imaging (MRI). Mereka harus dapat memutuskan piksel mana yang termasuk dalam tumor dan mana yang tidak. Pakar AI menyebut proses membedakan keduanya sebagai segmentasi semantik.

Untuk setiap tugas individu – misalnya mengenali karsinoma ginjal pada gambar CT atau kanker payudara pada gambar MRI – ilmuwan perlu mengembangkan algoritme khusus yang dapat membedakan antara tumor dan jaringan non-tumor dan dapat membuat prediksi. Kumpulan data pencitraan yang telah diberi label oleh dokter sebagai tumor, jaringan sehat, dan struktur anatomi penting lainnya dengan tangan digunakan sebagai materi pelatihan untuk pembelajaran mesin.

Dibutuhkan pengalaman dan pengetahuan khusus untuk mengembangkan algoritma segmentasi seperti ini. “Ini tidak sepele dan biasanya melibatkan trial and error yang memakan waktu,” jelas ahli informatika medis Fabian Isensee, salah satu penulis utama publikasi saat ini. Dia dan rekan-rekannya di divisi DKFZ yang dipimpin oleh Klaus Maier-Hein kini telah mengembangkan metode yang beradaptasi secara dinamis dan sepenuhnya otomatis ke semua jenis kumpulan data pencitraan, sehingga memungkinkan bahkan orang dengan keahlian sebelumnya yang terbatas untuk mengonfigurasi algoritme pembelajaran mandiri untuk tugas tertentu.

Metode, yang dikenal sebagai nnU-Net, dapat menangani berbagai data pencitraan: selain metode pencitraan konvensional seperti CT dan MRI, metode ini juga dapat memproses gambar dari mikroskop elektron dan fluoresensi.

Dengan menggunakan nnU-Net, para peneliti DKFZ memperoleh hasil terbaik dalam 33 dari 53 tugas segmentasi yang berbeda dalam kompetisi internasional, meskipun bersaing dengan algoritma yang sangat spesifik yang dikembangkan oleh para ahli untuk pertanyaan individu tertentu.

Klaus Maier-Hein dan timnya membuat nnU-Net tersedia sebagai alat sumber terbuka untuk diunduh secara gratis. “nnU-Net dapat digunakan dengan segera, dapat dilatih menggunakan kumpulan data pencitraan, dan dapat melakukan tugas khusus – tanpa memerlukan keahlian khusus dalam ilmu komputer atau daya komputasi yang signifikan,” jelas Klaus Maier-Hein.

Sejauh ini, evaluasi data pencitraan medis berbasis AI telah diterapkan terutama dalam konteks penelitian dan belum digunakan secara luas dalam perawatan klinis rutin pasien kanker. Namun, spesialis dan dokter informatika medis melihat potensi yang cukup besar untuk penggunaannya, misalnya untuk tugas yang sangat berulang, seperti tugas yang sering kali perlu dilakukan sebagai bagian dari studi klinis skala besar. “nnU-Net dapat membantu memanfaatkan potensi ini,” kata direktur studi Maier-Hein.

Untuk Informasi Lebih lanjut silahkan Kunjungi : Togel Hongkong

Author Image
adminProzen