A fast and flexible approach to help doctors annotate medical scans

La segmentación de imágenes médicas es fundamental para el diagnóstico de enfermedades, pero tradicionalmente requiere una anotación manual laboriosa para entrenar modelos de inteligencia artificial. Este cuello de botella limita la eficiencia, ya que los clínicos dedican un tiempo excesivo a delimitar los límites anatómicos. La introducción de ScribblePrompt aborda este problema al permitir una segmentación rápida e interactiva con una intervención humana mínima, lo que permite que los profesionales médicos se centren en el análisis en lugar de en la preparación de datos. El marco de trabajo utiliza datos sintéticos generados mediante la simulación de garabatos y clics de usuarios sobre miles de imágenes diversas, en lugar de depender de una exhaustiva anotación manual. Este enfoque permite que el modelo generalice eficazmente a imágenes médicas no vistas previamente, al tiempo que admite correcciones intuitivas por parte del usuario. Al entrenarse con interacciones simuladas, el sistema interpreta con precisión las entradas aproximadas del usuario, reduciendo significativamente el tiempo necesario para segmentar estructuras complejas en diversas modalidades de imagen. Este avance es altamente relevante para los datos abiertos, ya que reduce la barrera de entrada para la investigación en inteligencia artificial médica al disminuir la dependencia de conjuntos de datos preanotados, que son costosos. Promueve el uso de repositorios de imágenes sin etiquetar, facilitando iniciativas de ciencia abierta más colaborativas y escalables. Al hacer que el uso de los datos sea más eficiente y accesible, ScribblePrompt fomenta el intercambio de imágenes médicas diversas sin la necesidad previa de una extensa anotación humana, acelerando la innovación en salud pública e investigación biomédica.

Source: news.mit.edu
Published on 2024-09-11

270,000 people denied Pension Credit after £300 Winter Fuel Payment axed »

Datos Abiertos (Open data)

Related news