在医学研究领域，图像分割（标注医学图像中感兴趣区域）通常是研究人员开展涉及生物医学图像的新研究时的第一步。例如，要确定大脑海马体如何随患者年龄变化，科学家首先需要在一系列脑扫描中勾画出每个海马体。对于许多结构和图像类型，这一过程通常是手动进行的，可能极其耗时，尤其是当所研究的区域难以界定时。
为简化这一流程，MIT研究人员开发了一个基于人工智能的系统，使研究人员能够通过点击、涂鸦和在图像上绘制框来快速分割新的生物医学图像数据集。这一新型AI模型利用这些交互来预测分割结果。随着用户标记更多图像，他们需要执行的交互次数逐渐减少，最终降至零。然后，该模型可以在没有用户输入的情况下准确分割每个新图像。
技术突破：从交互到自主
MultiverSeg系统能够实现这一功能，是因为其架构经过特殊设计，可以利用已分割图像的信息进行新预测。与其他医学图像分割模型不同，该系统允许用户分割整个数据集，而无需对每个图像重复工作。
此外，这种交互式工具不需要预分割的图像数据集进行训练，因此用户无需机器学习专业知识或大量计算资源。他们可以在不重新训练模型的情况下，使用该系统完成新的分割任务。
从长远来看，这一工具有望加速新治疗方法的研究，降低临床试验和医学研究的成本。它还可以被医生用于提高临床应用的效率，如放射治疗规划。
"许多科学家可能每天只有时间分割几张图像进行研究，因为手动图像分割非常耗时。我们希望这一系统能够通过使临床研究人员能够开展因缺乏高效工具而无法进行的研究，从而推动新科学的发展，"电气工程与计算机科学研究生、这项新工具论文的主要作者Hallee Wong表示。
研究背景与挑战
研究人员主要使用两种方法来分割新的医学图像集。通过交互式分割，研究人员将图像输入AI系统，并使用界面标记感兴趣区域。模型根据这些交互预测分割结果。
MIT研究人员之前开发的一个工具ScribblePrompt允许用户执行此操作，但他们必须对每个新图像重复此过程。
另一种方法是开发特定任务的AI模型来自动分割图像。这种方法需要用户手动分割数百张图像以创建数据集，然后训练机器学习模型。该模型预测新图像的分割。但用户必须为每个新任务从头开始启动复杂的基于机器学习的过程，如果模型出错，也无法纠正。
MultiverSeg：结合两种方法的优势
这个新系统MultiverSeg结合了两种方法的优点。它根据用户交互（如涂鸦）预测新图像的分割，但同时保留每个分割的图像在上下文集中，供以后参考。
当用户上传新图像并标记感兴趣区域时，模型参考其上下文集中的示例进行更准确的预测，需要的用户输入更少。
研究人员设计了模型的架构，可以使用任意大小的上下文集，因此用户不需要拥有特定数量的图像。这使MultiverSeg具有足够的灵活性，可用于各种应用。
"在某些时候，对于许多任务，您不需要提供任何交互。如果上下文集中有足够的示例，模型可以准确预测分割，"Wong说。
研究人员在多样化的生物医学成像数据集合上精心设计和训练了模型，确保它能够根据用户输入逐步改进预测。
用户无需为他们的数据重新训练或自定义模型。要将MultiverSeg用于新任务，可以上传新的医学图像并开始标记它。
当研究人员将MultiverSeg与最先进的上下文和交互式图像分割工具进行比较时，它的表现优于每个基线模型。
更少的点击，更好的结果
与其他工具不同，MultiverSeg对每个图像需要的用户输入更少。到第九个新图像时，它只需要用户两次点击，就能生成比专门为该任务设计的模型更准确的分割。
对于某些图像类型，如X光片，在模型变得足够准确可以自行预测之前，用户可能只需要手动分割一两张图像。
该工具的交互性还使用户能够纠正模型的预测，迭代直到达到所需的准确度水平。与研究人员之前的系统相比，MultiverSeg以大约2/3的涂鸦次数和3/4的点击次数达到90%的准确度。
"使用MultiverSeg，用户可以随时提供更多交互来细化AI预测。这仍然大大加速了过程，因为纠正现有内容通常比从头开始更快，"Wong说。
未来发展方向
展望未来，研究人员希望与临床合作者在真实环境中测试此工具，并根据用户反馈改进它。他们还希望使MultiverSeg能够分割3D生物医学图像。
这项工作部分得到Quanta Computer, Inc.和美国国立卫生研究院的支持，马萨诸塞州生命科学中心提供了硬件支持。
医学研究的新纪元
MultiverSeg的推出标志着医学研究进入了一个新时代。通过大幅减少图像标注所需的时间和专业知识要求，这一技术使更多研究人员能够开展以前因资源限制而无法进行的研究。
在临床实践中，医生可以利用这一工具更快地分析患者图像，从而做出更准确的诊断和治疗方案。对于放射治疗等需要精确规划的应用，MultiverSeg可以显著提高工作效率和准确性。
对于制药公司和生物技术公司，这项技术可以加速临床试验的进程，通过更快地分析患者影像数据，缩短药物开发周期，降低研发成本。
技术细节与优势
MultiverSeg的核心创新在于其独特的架构设计，使其能够利用上下文信息进行预测。与传统的需要大量标注数据进行训练的模型不同，MultiverSeg可以在用户交互过程中不断学习和改进。
该系统的另一个重要优势是其灵活性。用户可以选择从零开始，也可以利用已有的分割结果作为参考。这种适应性使MultiverSeg适用于各种医学图像类型和研究场景。
此外，MultiverSeg不需要用户具备机器学习背景，大大降低了技术的使用门槛。临床研究人员可以专注于他们的科学问题，而不是复杂的算法和编程。
行业影响与应用前景
MultiverSeg的出现将对整个医学研究领域产生深远影响。首先，它将显著提高研究效率，使研究人员能够处理更大规模的数据集，发现以前可能被忽视的模式和关联。
在个性化医疗领域，这一技术可以帮助医生更精确地分析患者图像，制定个性化的治疗方案。例如，在肿瘤学中，准确分割肿瘤区域对于评估治疗效果至关重要。
对于医学教育和培训，MultiverSeg可以作为一个强大的教学工具，帮助医学生和年轻医生学习如何解读医学图像。
结论
MIT开发的MultiverSeg代表了医学图像分析领域的重要突破。通过结合交互式分割和上下文学习的优势，这一系统不仅提高了研究效率，还降低了技术门槛，使更多研究人员能够利用先进的AI技术。
随着技术的进一步发展和临床应用的深入，MultiverSeg有望在医学研究的各个领域发挥重要作用，加速科学发现，改善患者护理，并最终推动整个医疗行业的进步。
