卡内基梅隆大学计算机学院研究人员开发了一种利用AI分析医疗图像的工具，减少了医疗专业人员在扫描中查找和标注器官所需的时间。
医疗图像标注通常耗时较长，需要专家花费数小时手动识别特定器官或身体部位。而且根据扫描类型或身体部位的不同，这一过程往往需要重复进行。
AutoMiSeg通过文本指令简化了图像分析和标注流程。例如，医生可以要求系统在眼底图像中定位视盘（眼球后部结构）。与现有工具不同，AutoMiSeg无需针对新器官进行大量专项训练，也无需适应不同医院的扫描设备。
"AutoMiSeg利用自动化和医学图像大型基础模型提升医学影像分析处理效率，"计算生物学系副教授徐敏表示，"我们大幅减少了人工干预环节，这将加速更多生物医学图像的分析进程。"
研究团队通过整合多个基础模型构建了AutoMiSeg系统。流程始于文本输入，系统首先在医疗图像中手动识别初始区域（例如在视网膜扫描中标注视盘轮廓）。基于这个初步图像，系统会进行锐化处理，使AI工具更清晰地识别分析目标区域。
当精确定位区域后，AutoMiSeg会自动适应设备差异。由于不同设备或身体部位的医学图像可能存在显著差异，该系统无需人工监督即可自动调整色彩、亮度或优化边缘清晰度，使图像标准化以提升识别准确率。
最后，系统会对结果进行质量校验。其校验模块会评估预测区域是否与目标请求一致，确保AI在最终分析前未错误选择器官。例如，在眼球扫描中会确保系统正确选中视神经。
"医生或医学专家阅读图像并标注所需区域通常极为耗时，"计算生物学博士后研究员李星健指出，"有时甚至存在不准确性，因为不同专家可能有不同判断标准，导致感兴趣区域的位置在人工操作中缺乏一致性。我们的工作正是为了解决这一问题。"
徐敏强调，这项成果是未来自动化医学图像分析研究的重要基石。研究团队计划在拓展应用范围的同时，进一步提升AutoMiSeg的准确度。
除徐敏和李星健外，卡内基梅隆大学团队成员还包括研究实习生吴启峰、研究助理蒋润民、研究实习生李艾玛，以及机器人研究所计算机视觉硕士项目校友科尔琳·奎。团队还包括印度卡纳塔克邦国家理工学院的阿迪提亚·乌巴拉德卡、布朗大学的丁一然、匹兹堡大学的邢建华以及阿拉巴马大学伯明翰分校的王天阳。本研究获得美国国家科学基金会资助。
该工具的核心价值：
- AutoMiSeg利用AI工具识别器官和肿瘤，无需进行大量专项标注和训练
- 系统连接多个AI模型，自动完成医疗图像的查找、锐化和轮廓勾勒
- 自动化流程能比传统方法更快处理海量影像数据
【全文结束】