Исследователи Центра ИИ МГУСпециалисты факультета вычислительной математики и кибернетики МГУ имени Ломоносова создали нейросетевой алгоритм для объединения медицинских изображений, который не предполагает обязательного предварительного обучения на обширном массиве снимков. Эффективность разработанного подхода была протестирована с использованием компьютерной томографии легких, а также магнитно-резонансной томографии головного мозга и сердца. О результатах исследования сообщается в публикации, размещенной в журнале Machine Learning and Knowledge Extraction.

Многие современные нейросетевые решения для этой задачи требуют обучения на значительном объеме данных. Однако формирование подобной базы данных не всегда представляется возможным. Другой вариант – индивидуальная настройка нейронной сети для каждой пары изображений. В этом случае критически важно, чтобы процесс вычислений был достаточно быстрым и результат демонстрировал минимальную зависимость от случайных параметров при инициализации.

В качестве основы авторы использовали сети Колмогорова — Арнольда, в которых математические функции, отвечающие за преобразование данных, настраиваются в процессе обучения. Нейронная сеть получает координаты конкретной точки на изображении и вычисляет необходимое смещение для точного совмещения снимков. При настройке учитывается не только схожесть изображений, но и ограничения, направленные на минимизацию неестественных деформаций.

В ходе работы были разработаны основной метод KAN-IDIR и его упрощенная версия – RandKAN-IDIR. В последней используется случайным образом выбранный набор математических функций из более широкого спектра доступных. Такой подход позволяет сократить вычислительную нагрузку при сохранении высокого качества совмещения.

При анализе рентгеновских снимков лёгких, облегчённая версия алгоритма обрабатывала изображения менее чем за минуту, демонстрируя точность совмещения анатомических ориентиров с погрешностью приблизительно в миллиметр. Кроме того, полученные результаты оказались менее чувствительными к произвольным начальным параметрам по сравнению с альтернативными методами, основанными на схожей концепции представления деформаций.

При оценке снимков сердца, предложенный метод показал лучшие результаты по степени соответствия анатомическим структурам и продемонстрировал наименьшее количество локальных искажений при анализе деформаций в сравнении с другими подходами. Однако, при работе со снимками лёгких и головного мозга, некоторые существующие методы сохранили более высокую точность. В целом, представленный результат характеризуется хорошим качеством совмещения изображений, стабильностью результатов при повторных запусках и умеренными требованиями к вычислительным ресурсам.

Разработанный подход может оказаться ценным инструментом в научных исследованиях, где требуется сопоставление медицинских изображений при ограниченном объеме доступных данных. Такие задачи актуальны при изучении движения сердечной мышцы, изменений дыхания лёгких и динамики структуры головного мозга. Для внедрения метода в клиническую практику необходимы дополнительные испытания: авторы указывают на то, что качество работы может быть подвержено влиянию шумов, характеристик используемого оборудования и предварительной обработки изображений.

Информация предоставлена пресс-службой МГУ