Un nouvel outil d’intelligence artificielle développé par des chercheurs du MIT promet de révolutionner l’analyse d’images médicales en permettant une segmentation plus rapide et plus précise des zones d’intérêt, sans nécessiter d’expertise poussée en apprentissage automatique.
À retenir
- Le système Multiverseg permet de segmenter des images médicales en se basant sur des interactions minimales de l’utilisateur (clics, gribouillis).
- Contrairement aux méthodes traditionnelles, il n’exige pas de ré-entraîner le modèle pour chaque nouvelle tâche ni de disposer d’un vaste ensemble de données pré-étiquetées.
- Les chercheurs estiment que cet outil pourrait accélérer la recherche médicale et réduire les coûts des essais cliniques.
Contexte
La segmentation d’images médicales, c’est-à-dire l’identification et la délimitation précise de structures anatomiques ou de zones pathologiques, est une étape cruciale dans de nombreuses études cliniques. Traditionnellement, ce processus est réalisé manuellement par des experts, ce qui peut être extrêmement chronophage, en particulier pour des images complexes ou des structures difficiles à identifier. Deux approches principales sont généralement utilisées : la segmentation interactive, où l’utilisateur marque les zones d’intérêt sur chaque image, et la création de modèles d’IA spécifiques à une tâche, qui nécessitent un ensemble de données important pour l’apprentissage.
Les chercheurs du MIT ont déjà développé un outil de segmentation interactive, Griffonner, mais celui-ci exigeait de répéter le processus pour chaque nouvelle image. La création de modèles d’IA spécifiques, bien qu’automatisée, est complexe et nécessite une expertise en apprentissage automatique, ainsi que des ressources de calcul considérables.
Ce qui change
Le nouveau système, baptisé Multiverseg, combine les avantages des deux approches. Il permet à l’utilisateur de segmenter une image en interagissant avec elle (clics, gribouillis), mais conserve également un “contexte” de toutes les images segmentées précédemment. Lorsque l’utilisateur télécharge une nouvelle image, le modèle s’appuie sur ce contexte pour faire des prédictions plus précises, réduisant ainsi le nombre d’interactions nécessaires.
« À un certain stade, pour de nombreuses tâches, vous ne devriez pas avoir besoin de fournir d’interactions supplémentaires. Si vous avez suffisamment d’exemples dans l’ensemble de contexte, le modèle peut prédire avec précision la segmentation par lui-même », explique Wong.
Les chercheurs ont conçu l’architecture du modèle pour qu’il puisse utiliser un ensemble de contexte de toute taille, offrant ainsi une grande flexibilité. Ils ont également soigneusement entraîné le modèle sur une collection diversifiée d’images biomédicales pour améliorer sa capacité à affiner ses prédictions en fonction des retours de l’utilisateur.
Les tests ont démontré que Multiverseg nécessite moins d’entrées de l’utilisateur que les outils existants, atteignant une précision de 90 % avec environ deux tiers du nombre de gribouillis et trois quarts du nombre de clics nécessaires avec le système précédent des chercheurs.
« Avec Multiverseg, les utilisateurs peuvent toujours fournir plus d’interactions pour affiner les prédictions de l’IA. Cela accélère encore considérablement le processus car il est généralement plus rapide de corriger quelque chose qui existe que de recommencer à zéro », précise Wong.
Prochaines étapes
Les chercheurs prévoient de tester Multiverseg dans des situations réelles avec des collaborateurs cliniques et de l’améliorer en fonction de leurs retours. Ils souhaitent également étendre les capacités de l’outil pour qu’il puisse segmenter des images biomédicales en 3D.
Chiffres clés
| Indicateur | Valeur |
|---|---|
| Précision (comparée aux outils existants) | 90% avec 2/3 du nombre de gribouillis et 3/4 du nombre de clics |
Sources
Présentation à la Conférence internationale sur la vision par ordinateur.