Badacze opracowali pełny workflow do automatycznej segmentacji śledziony w tomogramach komputerowych, wykorzystując framework MONAI i głęboką sieć neuronową 3D UNet. Projekt działał na zbiorze danych Medical Segmentation Decathlon Task09 i pokazuje, jak zbudować produkcyjny system do analizy medycznych obrazów 3D.
Podejście obejmowało całą łańcuch przetwarzania: od przygotowania danych poprzez wyrównanie orientacji anatomicznej, normalizację rozmiaru vokselów, korekcję intensywności sygnału, aż po wycinanie obszarów zawierających narządy. Każdy krok był kluczowy dla poprawy jakości treningu sieci neuronowej. MONAI, framework stworzony specjalnie do prac z danymi medycznymi, dostarczył gotowe narzędzia do tych transformacji, oszczędzając czasochłonne ręczne implementacje.
Taka automatyzacja ma istotne znaczenie dla nowoczesnej radiologii — może zmniejszyć czasochłonność diagnoz, poprawiać powtarzalność wyników i wspierać lekarzy w identyfikacji patologii. Publikacja takiego kodu pozwala innym badaczom i zespołom medycznym łatwo wdrażać podobne rozwiązania, przyspeszając wdrażanie sztucznej inteligencji w praktyce klinicznej.