Специалисты факультета ВМК разработали инновационный способ объединения медицинских изображений, основанный на использовании нейронных операторов. Новая модель под названием FNOReg обладает возможностью обучения на изображениях с пониженным разрешением и последующего применения к изображениям в исходном разрешении, сохраняя при этом высокую точность. Это особенно важно при обработке больших объемов трехмерных данных, таких как снимки головного мозга, полученные при томографии. Предложенное решение позволяет значительно сократить потребность в вычислительных ресурсах, не влияя на качество результатов.
Представление результатов работы состоялось на конференции International Conference on Pattern Recognition (ICPR), а публикация прошла в журнале Lecture Notes in Computer Science.
FNOReg – это модель, созданная на базе архитектуры Нейронного оператора Фурье (FNO). В отличие от стандартных сверточных нейросетей, которые анализируют локальные элементы изображения, FNOReg функционирует в частотной области (области Фурье). Такой подход позволяет модели распознавать глобальные зависимости и оставаться устойчивой к изменениям разрешения входных данных. Для улучшения базовой архитектуры были добавлены эффективные блоки для извлечения признаков и дополнительные связи, что обеспечило более стабильное обучение и улучшило итоговое качество.
«Предложенное нами решение позволяет оптимизировать работу с объемными медицинскими данными. Благодаря этому исследователи смогут сократить вычислительные затраты и добиться более точного построения карт деформаций, необходимых для согласования изображений. Это существенно продвигает использование современных технологий искусственного интеллекта в клинической практике» , — подчеркивает ведущий специалист лаборатории математических методов обработки изображений Дмитрий Сорокин.
Исходный код модели FNOReg общедоступен, благодаря чему научное сообщество сможет применять и совершенствовать данную технологию.
Информация предоставлена пресс-службой МГУ