Label-Free-Leber-Tumor-Segmentierung

Wir zeigen, dass KI-Modelle Lebermetastasen präzise segmentieren können, ohne dass eine manuelle Annotation erforderlich ist, indem sie synthetische Tumoren in CT-Aufnahmen verwenden. Unsere synthetischen Tumoren weisen zwei bemerkenswerte Vorteile auf: (I) Sie sind realistisch in Form und Textur und können selbst medizinische Fachkräfte mit echten Tumoren verwechseln; (II) Sie eignen sich effektiv zur Schulung von KI-Modellen, die eine Segmentierung von Lebertumoren ähnlich wie Modelle, die auf echten Tumoren trainiert wurden, durchführen – ein Ergebnis, das besonders ermutigend ist, da bisher keine existierende Studie, die ausschließlich synthetische Tumoren nutzt, eine vergleichbare oder annähernd gleichwertige Leistung wie bei echten Tumoren erzielt hat. Dies deutet darauf hin, dass zukünftig die manuellen Anstrengungen zur voxelweisen Annotation von Tumoren – die bislang Jahre zur Erstellung benötigten – erheblich reduziert werden können. Zudem können unsere synthetischen Tumoren automatisch zahlreiche Beispiele für kleine (sogar winzige) Tumoren generieren und das Potenzial besitzen, die Erkennungsrate kleiner Lebertumoren zu verbessern, was entscheidend für die Früherkennung von Krebs ist. Neben der Bereicherung der Trainingsdaten ermöglicht unsere Synthesestrategie zudem eine rigorose Bewertung der Robustheit der KI.