В МФТИ создали нейросеть по принципу работы мозжечка
- CNews FORUM 12 ноября
- CNews AWARDS 12 ноября
- Школа Роста
- Российский рынок облаков за 20 лет
- 30 лет рынку ERP в России
- Главные
ИТ-сценарии 2026 - Цифровизация
- Импортозамещение
- Безопасность
- ИТ в госсекторе
- ИТ в банках
- ИТ в торговле
- Телеком
- Интернет
- ИТ-бизнес
- Рейтинги
- Инфографика
|
Ученые Московского физико-технического института (МФТИ) разработали гибридную нейросетевую архитектуру для сегментации левого предсердия по данным магнитно-резонансной томографии (МРТ). Новая биоморфная модель, получившая название cerebellar-inspired, использует механизмы работы человеческого мозжечка. Она позволяет повысить устойчивость алгоритмов к шумам и артефактам, часто встречающимся при проведении магнитно-резонансной томографии. Результаты исследования опубликованы в международном научном журнале Applied Sciences. Об этом CNews сообщили представители МФТИ.
Точное выделение контуров левого предсердия на трехмерных МРТ-снимках является критически важным этапом при планировании катетерной абляции – хирургического лечения фибрилляции предсердий. Однако качество клинических снимков часто страдает из-за шумов, артефактов движения и ограничений по времени сканирования. Традиционные рекуррентные нейросети (RNN), используемые для анализа последовательных срезов, в таких условиях теряют точность, а их результат становится нестабильным.
Существующие высокоточные 3D-модели, например nnU-Net, хотя и показывают выдающуюся точность в идеальных условиях, требуют огромных вычислительных мощностей: время обработки одного исследования составляет десятки секунд, а объем используемой памяти исчисляется гигабайтами. Это затрудняет их применение в повседневной клинической практике, особенно на оборудовании с ограниченными ресурсами.
Чтобы решить проблему стабильности, исследователи обратились за референсами к нейробиологии. В живом организме мозжечок выполняет роль регулятора, который не только управляет движениями, но и прогнозирует будущие состояния коры головного мозга, выдавая корректирующие сигналы для предотвращения ошибок.
«Мы воспроизвели этот принцип в архитектуре нейросети. В нашей модели «корковый» рекуррентный блок обрабатывает данные, а встроенный «мозжечковый» модуль учится предсказывать, какими будут скрытые признаки изображения на следующем шаге. Это позволяет выдавать упреждающую поправку и стабилизировать вычисления даже при поступлении искаженных данных. Условно говоря, если базовая сеть пытается угадать, где находится стенка предсердия, глядя на «грязный» снимок, то наш алгоритм «помнит», как она выглядела раньше, и знает, как она должна выглядеть в будущем, благодаря чему он не сбивается с курса», – сказала первый автор работы, инженер лаборатории экспериментальной и клеточной медицины МФТИ Екатерина Костина.
В ходе экспериментов на открытом наборе данных ATRIA (100 пациентов с фибрилляцией предсердий) разработка показала устойчивое преимущество перед базовой рекуррентной моделью. На зашумленных и прореженных данных точность сегментации (по коэффициенту Дайса) выросла с 0,801 до 0,815. При этом модель значительно улучшила показатели точности границ, что критически важно для планирования операций аблации.
Особенностью новой архитектуры является ее вычислительная эффективность. В отличие от тяжеловесных 3D-моделей, таких как nnU-Net, разработка МФТИ требует на три порядка меньше времени для обработки одного исследования и на порядок меньше параметров, сохраняя при этом высокое качество сегментации.
Почему удаленный доступ стал главной уязвимостью медицинской инфраструктуры Импортонезависимость
«Также наша модель показала высокую скорость и экономичность. Предложенная архитектура обрабатывает один трехмерный объем МРТ всего за 18 миллисекунд, что примерно в 1000 раз быстрее, чем эталонный алгоритм nnU-Net (23 секунды). При этом модель использует в 15 раз меньше видеопамяти (109 МБ против 1,5 ГБ), что позволяет запускать ее даже на скромном оборудовании», – сказала Екатерина Костина.
По словам исследователей, новая разработка особенно актуальна для клиник, которые стремятся автоматизировать рутинную разметку снимков, но не имеют доступа к дорогостоящим вычислительным фермам.
«Нам впервые удалось осознанно воспроизвести конкретный нейробиологический механизм в архитектуре нейросети – и этот подход действительно работает для улучшения стабильности в сложных клинических условиях. Мы не просто взяли готовый U-Net, а создали биоморфную модель, которая учится предсказывать и корректировать ошибки заранее. В условиях реальной клиники, где снимки никогда не бывают идеальными, стабильность работы алгоритма выходит на первый план. Мы предлагаем инструмент, который почти не уступает в базовой точности и гарантирует воспроизводимый результат вне зависимости от смены аппарата или протокола съемки», – отметила заведующая лабораторией экспериментальной и клеточной медицины МФТИ Валерия Цвелая.
Исходный код модели опубликован в открытом доступе на GitHub, что позволит мировому научному сообществу использовать и дорабатывать алгоритм. В дальнейшем ученые планируют протестировать архитектуру на реальных клинических артефактах – не только на синтезированных шумах и пропусках срезов, но и на искажениях, возникающих из-за дыхания пациентов или неоднородности магнитного поля. Также в планах усложнение модели за счет добавления механизмов, имитирующих работу тормозных интернейронов мозжечка, для более полного воспроизведения биологического прототипа.
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.