MultiverSeg es un sistema interactivo que reduce el esfuerzo humano en el análisis de grandes conjuntos de imágenes médicas.
La segmentación de imágenes médicas es una tarea esencial en la investigación y la práctica clínica. Consiste en identificar y separar estructuras de interés en radiografías, tomografías, resonancias o imágenes de microscopía, lo que permite diagnósticos más precisos y el desarrollo de tratamientos. Sin embargo, este proceso suele ser laborioso, pues requiere la intervención manual de expertos o la preparación previa de grandes volúmenes de datos anotados.
Un equipo del MIT y el Hospital General de Massachusetts ha presentado MultiverSeg, un nuevo sistema que busca transformar la forma en que los especialistas trabajan con imágenes biomédicas. La propuesta combina la interacción humana con técnicas de aprendizaje automático, permitiendo segmentar un conjunto de imágenes de manera progresivamente más eficiente.
“Muchos científicos solo tienen tiempo para segmentar unas pocas imágenes al día para sus investigaciones, ya que la segmentación manual de imágenes requiere mucho tiempo. Esperamos que este sistema impulse nuevos avances científicos al permitir a los investigadores clínicos llevar a cabo estudios que antes no podían realizar debido a la falta de una herramienta eficaz” indicó Hallee Wong, estudiante de posgrado en Ingeniería Eléctrica e Informática y autora principal de un artículo sobre esta nueva herramienta.
A diferencia de los métodos tradicionales, que obligan a repetir la misma operación en cada imagen, MultiverSeg aprovecha la información de segmentaciones ya realizadas para disminuir el número de interacciones necesarias en los siguientes casos. Así, el modelo “aprende en contexto”, es decir cuando un usuario marca regiones con clics, cajas o trazos, esas anotaciones se integran a un conjunto de referencia que facilita el procesamiento de las imágenes posteriores.
Los resultados muestran que este sistema puede reducir en un 36% el número de clics y en un 25% los trazos necesarios para lograr segmentaciones precisas, en comparación con técnicas de vanguardia. Además, MultiverSeg funciona sin requerir entrenamiento adicional cada vez que se enfrenta a un nuevo tipo de imagen o tarea, lo que representa un ahorro de tiempo y recursos en entornos médicos.
Los investigadores evaluaron la herramienta con 79 bases de datos de imágenes biomédicas, que abarcan órganos como cerebro, corazón, huesos, ojos y piel, así como diferentes modalidades de imagen (MRI, CT, ultrasonido y microscopía). MultiverSeg demostró ser adaptable incluso frente a tareas no vistas durante su entrenamiento.
