Исследователи из МГУ предложили нейросетевой метод совмещения медицинских изображений, который не требует предварительного обучения на большой коллекции снимков. Разработка описана в статье, опубликованной в журнале Machine Learning and Knowledge Extraction.
Для того чтобы сравнивать медицинские изображения, необходимо совместить соответствующие участки органов. Просто наложить снимки друг на друга часто недостаточно: при дыхании и сокращении сердца ткани смещаются и меняют форму. Поэтому алгоритмы рассчитывают то, как нужно преобразовать одно изображение, чтобы его анатомические структуры совпали со структурами на другом.
Многие ИИ-методы способны решить эту задачу после обучения на большом наборе данных, но собрать такую выборку не всегда возможно. Альтернативный подход — настраивать нейросеть отдельно для каждой пары изображений. При этом важно, чтобы вычисления не занимали слишком много времени, а результат мало зависел от случайных начальных настроек.
Авторы новой работы использовали сети Колмогорова — Арнольда, в которых математические функции преобразования данных настраиваются при обучении. Нейросеть получает координаты точки изображения и рассчитывает её смещение для совмещения снимков. При настройке учитываются как сходство изображений, так и ограничения, уменьшающие неестественные деформации.
Потенциально метод может быть полезен в исследованиях, где требуется сопоставлять медицинские изображения, а доступных данных немного: например, при изучении движения сердца, дыхательных изменений легких и изменений структуры мозга со временем. Для реального применения в клинической практике необходима дополнительная проверка.
