自学习算法分析医学成像数据

成像技术使有机体内的详细外观能够。但解释数据是耗时的，需要大量的经验。人工神经网络开辟了新的可能性：他们需要几秒钟来解释小鼠的全身扫描和分段并描绘颜色的器官，而不是在各种灰色的色调中。这有利于分析。

肝脏有多大？如果服用药物会改变吗？肾中发炎吗？大脑中是否存在肿瘤，并且已经发展了转移？为了回答此类问题，BioSientists和医生迄今为止必须筛​​选和解释大量数据。

“对三维成像过程的分析非常复杂，”奥利弗·施珀解释。与跨学科研究团队一起，该群体研究员现在已经开发了未来的自学习算法，帮助分析生物科学图像数据。

在Aimos软件的核心，缩写代表基于AI的鼠标器官分段 - 是人工神经网络那样，就像人脑，能够学习。“你曾经不得不告诉电脑节目，准确地告诉你想要他们做的事情，”Schoppe说。“神经网络不需要这样的指示：”通过呈现问题和解决方案就足以训练它们。逐渐，算法开始识别相关模式，能够自己找到合适的解决方案。“

培训自学算法

在Aimos项目中，算法在图像的帮助下培训老鼠。目的是将图像点从三维全身扫描分配给特定器官，例如胃，肾脏，肝脏，脾脏或脑。基于此分配，程序可以显示精确的位置和形状。

“我们很幸运能够从不同的研究项目中获得几百次小鼠的图像，所有这些都已经被两位生物学家解释了，”斯科普召回。该团队还可以在HelmholtzZentrumMünchen从组织工程和再生医学研究所获得荧光显微扫描。

通过一种特殊的技术，研究人员能够完全从已经死亡的小鼠中取出染料。透明体可以用显微镜通过步骤和层进行成像。测量点之间的距离仅为六微米 - 相当于电池的尺寸。生物学家也局面了这些数据集中的器官。

人工智能提高了准确性

在翻译中，信息技术人员将数据呈现给他们的新算法。这些学到了比预期的速度更快，Schoppe报告：“在软件能够在几秒钟内成功分析图像数据之前，我们只需要大约十个全身扫描。它需要一个人的时间来完成这件事。“

然后，该团队在200次进一步的小鼠的综合扫描的帮助下检查了人工智能的可靠性。“结果表明，自学习算法不仅在分析生物学图像数据而不是人类的情况下更快，而且更准确，”慕尼黑技术大学翻译的基于形象的生物医学建模组主管总结了Bjoern Menze。

智能软件将在未来使用，特别是在基础研究中：“小鼠的图像对于例如研究新药物的影响至关重要，例如，在给予人类之前。使用自学习算法分析图像数据未来将来将来会节省大量时间，“强调林泽。

---

---