基于深度学习的图像分割

在评价医学成像数据,人工智能(AI)承诺为医生提供支持，帮助减轻他们的工作量，特别是在肿瘤领域。然而无论大小是否脑瘤需要测量，以便计划治疗或肺的退化转移在放疗过程中需要记录，计算机首先必须学会如何解读三维成像数据集计算机断层扫描(CT)或磁共振成像(MRI)．他们必须能够决定哪些像素属于肿瘤，哪些不属于肿瘤。人工智能专家将区分这两者的过程称为“语义分割”。

对于每一个单独的任务——例如在CT图像上识别肾癌或在MRI图像上识别乳腺癌——科学家们需要开发出特殊的算法来区分肿瘤和非肿瘤组织，并做出预测。医生已经用手标记肿瘤、健康组织和其他重要解剖结构的成像数据集被用作培训材料机器学习．

发展细分市场需要经验和专业知识算法诸如此类的。医学信息学专家Fabian Isensee解释说:“这不是一件小事，通常需要花费大量时间进行反复试验。”他是目前这份出版物的主要作者之一。他和他在由Klaus Maier-Hein领导的DKFZ部门的同事们现在已经开发了一种方法，可以动态地、完全自动地适应任何类型的成像数据集，从而使得即使是先前经验有限的研究人员也可以为特定的任务配置自学习算法。

这种方法被称为nnU-Net，可以处理广泛的成像数据:除了传统的成像方法，如CT和MRI，它还可以处理电子和荧光图像显微镜．

使用nnU-Net, DKFZ的研究人员在53个不同的项目中获得了33个最佳的结果分割国际竞赛中的任务，尽管要与专家针对特定的个别问题开发的高度具体的算法竞争。

Klaus Maier-Hein和他的团队将nnU-Net作为开源工具免费下载。Klaus Maier-Hein解释说:“nnU-Net可以立即使用，可以使用成像数据集进行训练，还可以执行特殊任务，而不需要任何计算机科学方面的特殊专业知识或任何特别重要的计算能力。”

到目前为止，基于人工智能的医学影像数据评估主要应用于研究情境，尚未广泛应用于癌症患者的常规临床护理。然而，医学信息学专家和医生认为，它的使用具有相当大的潜力，例如用于高度重复的任务，例如那些经常需要作为大规模临床研究的一部分进行的任务。研究主任Maier-Hein说:“nnU-Net可以帮助利用这一潜力。”