Ученые с факультета вычислительной математики и кибернетики МГУ разработали революционный подход к совмещению медицинских изображений, применяя нейронные операторы. Инновационная модель FNOReg инициирует обучение на снимках уменьшенной четкости, с последующей работой на полном разрешении без ущерба для точности. Это жизненно необходимо при анализе объемных 3D-данных, таких как изображения мозга, и ведет к значительному сокращению потребления вычислительных ресурсов.
Данные выравнивания и сравнения – ключевая задача в меддиагностике. Они нужны для мониторинга прогресса болезни, хирургического планирования и анализа различных обследований. Однако стандартные методы требуют высоких мощностей или тонкой ручной регулировки, а современные нейросети – неприемлемо больших объемов видеопамяти. Традиционно обучение на малых разрешениях ухудшает итоговую точность. Новое решение, представленное ВМК МГУ, преодолевает это ограничение.
Модель базируется на архитектуре Нейронного оператора Фурье (FNO). В отличие от распространенных сверточных нейронных сетей, работающих с локальными шаблонами, FNOReg функционирует непосредственно в области частот (данных Фурье), выявляя глобальные зависимости и стабильность при любом разрешении. Ученые усовершенствовали базовую архитектуру, внедрив улучшенные блоки извлечения признаков и дополнительные связующие пути, что повысило надежность обучения и итоговое качество регистрации изображений.
Тесты на базе данных OASIS-1 (МРТ мозга) демонстрируют отличные результаты. При работе на полном разрешении FNOReg равна лидерам вроде VoxelMorph и TransMorph. Главный прорыв – обучение при вдвое уменьшенном разрешении: точность конкурентов упала на 24-25%, тогда как у FNOReg – всего на 0.8% (2D) и 2.7% (3D). Это позволило сократить расход видеопамяти на целых 75%, обучая модели на сжатых данных без ущерба для работы с оригинальными снимками.
«Эта разработка открывает перспективы для существенно более эффективной обработки крупных медданных, особенно трехмерных», – отметили исследователи. – Ученые смогут минимизировать вычислительные расходы и получать при этом высокоточные карты деформации для совмещения изображений. Это ощутимый шаг к практическому применению сложных ИИ-инструментов в клиниках». Исходный код FNOReg находится в открытом доступе, способствуя прогрессу научного сообщества.
Информация предоставлена пресс-службой МГУ
Источник фото: ru.123rf.com
Источник: scientificrussia.ru
