В МГУ разработали новую технологию для совмещения медицинских изображений

Ученые разработали нейросетевой метод совмещения медицинских изображений, который не требует предварительного обучения на большой коллекции снимковИсточник: Unsplash

Сотрудники Центра ИИ МГУ и факультета вычислительной математики и кибернетики разработали нейросетевой метод для совмещения медицинских изображений, который не требует предварительного обучения на большом наборе снимков. Метод был протестирован на компьютерной томографии легких и магнитно-резонансной томографии мозга и сердца. Результаты работы опубликованы в журнале Machine Learning and Knowledge Extraction.

Для корректного сравнения изображений необходимо совместить одинаковые участки органов. Обычные методы наложения часто оказываются неэффективными: дыхание и сокращения сердца приводят к смещениям и деформациям тканей. Разработанные алгоритмы определяют, какое преобразование одного изображения необходимо, чтобы анатомические структуры совпали с другим.

Многие нейросети решают эту задачу после обучения на больших выборках, однако собрать такие данные не всегда возможно. Другой вариант — настраивать сеть для каждой пары снимков, при этом критически важны скорость расчетов и устойчивость к случайным начальным параметрам. В работе использованы сети Колмогорова — Арнольда: математические функции преобразования данных адаптируются в процессе обучения. Сеть принимает координаты точки и вычисляет ее смещение, учитывая как сходство изображений, так и ограничения для предотвращения неестественных деформаций.

Чтобы сравнивать медицинские изображения, необходимо совместить соответствующие участки органовИсточник: PsyPost

Разработаны основные метод KAN-IDIR и упрощенный RandKAN-IDIR. Упрощенная версия использует случайный набор функций из более широкой группы, что позволяет сократить время расчетов при сохранении высокого качества. На легких упрощенный метод обрабатывал пару снимков менее чем за минуту с средней ошибкой около миллиметра. Для сердца основной метод показал хорошие результаты по совпадению областей и минимизировал локальные деформации. Однако для легких и мозга существующие методы все же обеспечивают большую точность.

Данный подход может быть полезен в ситуациях с ограниченным объемом данных, например, при изучении движений сердца, дыхательных изменений легких и динамики изменений в мозге. Для клинической практики необходимо провести дополнительные проверки, так как качество обработки может зависеть от уровня шума, используемого оборудования и подготовки снимков.

Фото: science.mail.ru