携手健康网携手健康网

自我学习算法分析医学影像数据

成像技术可以使生物内部更细致入微。但是解释数据非常耗时,并且需要大量经验。人工神经网络开辟了新的可能性:它们只需几秒钟即可解释对小鼠的全身扫描,并用颜色而不是用各种灰色阴影来分割和描绘器官。这极大地方便了分析。

肝脏有多大?如果服药会改变吗?肾脏发炎了吗?脑中是否有肿瘤,是否已经转移?为了回答这些问题,迄今为止,生物科学家和医生不得不筛选和解释大量数据。

“三维成像过程的分析非常复杂,” Oliver Schoppe解释说。TUM研究人员现在与跨学科研究团队一起开发了自学习算法,以在将来帮助分析生物科学图像数据。

AIMOS软件的核心-缩写表示基于AI的鼠标器官分割-是像人脑一样能够学习的人工神经网络。肖普说:“过去,您不得不准确地告诉计算机程序您想要它们做什么。” “神经网络不需要这样的指令:”通过多次提出问题和解决方案来训练它们就足够了。逐渐地,算法开始识别相关的模式,并且能够自己找到正确的解决方案。”

训练自学算法

在AIMOS项目中,借助鼠标图像对算法进行了训练。目的是将3-D全身扫描的图像点分配给特定器官,例如胃,肾脏,肝脏,脾脏或大脑。根据此分配,程序可以显示精确的位置和形状。

肖普回忆说:“我们很幸运能够获得来自不同研究项目的数百只小鼠的图像,所有这些图像都已经由两位生物学家进行了解释。” 该团队还可以从Helmholtz ZentrumMünchen的组织工程与再生医学研究所获得荧光显微3-D扫描。

通过一种特殊的技术,研究人员能够从已经死亡的小鼠中完全去除染料。透明体可以用显微镜逐步成像并逐层成像。测量点之间的距离只有6微米-相当于一个单元的大小。生物学家还对这些数据集中的器官进行了定位。

人工智能提高准确性

在TranslaTUM上,信息技术人员将数据呈现给他们的新算法。这些信息的学习速度比预期的要快,Schoppe报告说:“在该软件能够成功地自行分析图像数据之前,我们只需要进行大约十次全身扫描,而这仅需要几秒钟的时间。 。”

然后,研究小组在200次小鼠全身扫描的帮助下,检查了人工智能的可靠性。慕尼黑工业大学TranslaTUM基于图像的生物医学建模小组负责人Bjoern Menze教授总结道:“结果表明,自学习算法不仅比人类更快地分析了生物图像数据,而且更加准确。” 。

该智能软件将在未来特别是在基础研究中使用:“小鼠的图像对于,例如,在将新药物应用于人类之前研究其作用至关重要。使用自学习算法来分析小鼠体内的图像数据未来将节省很多时间。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。