Биоморфную нейросеть для анализа данных магнитно-резонансной томографии левого предсердия разработала группа исследователей из Московского физико-технического института (МФТИ). Технология призвана улучшить планирование операций на сердце в клиниках с ограниченной мощностью компьютеров. Гибридная архитектура новой модели искусственного интеллекта вдохновлена принципом работы человеческого мозжечка. Необычное решение повысило устойчивость алгоритма к распространенным дефектам МРТ-снимков, ускорило процесс обработки и снизило объем видеопамяти устройства, задействуемый нейросетью.
Перед лазерной абляцией — операцией по лечению фибрилляции предсердий — крайне важно правильно выделить контуры левого предсердия на трехмерных МРТ-изображениях. Но в клинической практике эти снимки часто несовершенны из-за шумов, дефектов, связанных с движением, и ограниченного времени сканирования. Обычные рекуррентные нейросети недостаточно хорошо справляются с этой проблемой: при обработке подобных данных их точность падает. Альтернатива — высокоточные ИИ-модели для анализа 3D-изображений, такие как nnU-Net. Но в этом случае за качество приходится платить временем — обработка одного исследования занимает у таких нейросетей десятки секунд — и огромными объемами используемой памяти компьютера. Поэтому второй вариант не всегда подходит для использования в клинической практике, особенно при ограниченных ресурсах оборудования.
Новаторский подход предложили ученые из МФТИ, создав нейросеть для сегментации левого предсердия на МРТ-изображениях, построенную на принципах работы человеческого мозжечка. В природе эта биологическая структура не только контролирует движения, но и предсказывает будущие состояния коры головного мозга и на основе этого прогноза предотвращает ошибки в ее работе, заблаговременно подавая корректирующие сигналы.
Архитектура предлагаемой гибридной модели сегментации.
Изображение предоставлено пресс-службой МФТИ
Этот механизм и воспроизводится в новой нейросети. Наравне с «корковым» блоком, отвечающим за обработку данных, в нее входит «мозжечковый» модуль, который предсказывает, что скрывается за дефектами поступающих снимков, на основе уже проанализированных изображений, и выдает упреждающую поправку. Благодаря этому вычисления стабилизируются даже при неидеальных данных. Там, где традиционная нейросеть пытается «вслепую» угадать, где находится стенка предсердия на искаженном снимке, новая биоморфная модель «вспоминает», как она выглядела на предыдущих изображениях, и восстанавливает ее облик по этим данным. Ключевая ценность подхода — в том, что качество результата сохраняется вне зависимости от используемого аппарата или протокола сканирования.
Подробнее о технологии корреспонденту «Научной России» рассказала основной автор разработки, инженер лаборатории экспериментальной и клеточной медицины МФТИ Екатерина Михайловна Костина:
«Идея выросла из нейронауки: считается, что мозжечок работает как “внутренняя модель”, которая заранее прогнозирует будущие состояния коры мозга и с помощью этого предсказания стабилизирует ее работу. Мы задались вопросом: что, если применить тот же принцип к рекуррентной нейросети, которая обрабатывает МРТ-срезы последовательно? Ведь такие сети известны своей нестабильностью при зашумленных данных. В области ИИ встречаются родственные идеи — предиктивное кодирование, механизмы коррекции состояний в рекуррентных сетях — но именно такое сочетание “мозжечкового” многогоризонтного предсказания для устойчивости сегментации медицинских снимков, насколько нам известно, ранее не применялось».
Основной автор работы, инженер лаборатории экспериментальной и клеточной медицины МФТИ Екатерина Михайловна Костина.
Фото предоставлено пресс-службой МФТИ
Нейросеть протестировали на открытом наборе данных ATRIA, объединяющем результаты МРТ 100 пациентов с фибрилляцией предсердий. При этом некоторые изображения были намеренно ухудшены шумами, а часть снимков в последовательностях была пропущена. По сравнению с обычной рекуррентной ИИ-моделью биоморфный алгоритм показал более высокую точность сегментации при работе с искаженными сканами — 0,815 против 0,801 по коэффициенту Дайса — и в целом корректнее выделял искомые границы, что крайне важно при планировании операций.
В сравнении с вышеупомянутыми высокоточными алгоритмами новая ИИ-модель действует гораздо быстрее и лишь немного уступает им в качестве результата, при этом анализируя на порядок меньше параметров. Чтобы обработать один трехмерный объем МРТ, ей требуется всего 18 мс — примерно в 1 тыс. раз меньше, чем нейросети nnU-Net, у которой это занимает 23 с. При этом новый алгоритм можно запускать даже на компьютере с ограниченной мощностью: он задействует 109 Мб видеопамяти, что в 15 раз меньше, чем nnU-Net, которой нужны для работы 1,5 Гб. Поэтому решение ученых из МФТИ будет ценно для клиник, не имеющих доступа к сложным высокопроизводительным вычислителям.
В планах научной команды — проверить, как нейросеть справится с реальными несовершенствами МРТ-снимков, например, возникающими из-за дыхания людей и неоднородности магнитного поля. Ученые также хотят попробовать максимально приблизить алгоритм к биологическому «оригиналу», добавив в ИИ-модель механизмы, воспроизводящие работу тормозных интернейронов.
Архитектура мозжечкового модуля.
Изображение предоставлено пресс-службой МФТИ
«Сейчас наша модель — упрощенная функциональная абстракция: мы сознательно не включали в нее тормозные интернейроны и механизмы синаптической пластичности (STDP, LTD), чтобы изолированно проверить именно эффект предиктивной обратной связи, — пояснила Е.М. Костина. — Добавление тормозных механизмов в перспективе может дать более тонкий, избирательный контроль над корректирующим сигналом, позволив не просто “включать/выключать” коррекцию, а гибко регулировать ее силу и момент подачи. Это потенциально сделает стабилизацию еще точнее и приблизит модель к реальной биологии мозжечка».
Результаты исследования ученые представили в международном научном журнале Applied Sciences. Вместе с Е.М. Костиной над проектом работали инженер лаборатории экспериментальной и клеточной медицины МФТИ Анастасия Павловна Синицына, старший научный сотрудник лаборатории, кандидат физико-математических наук Михаил Михайлович Слотвицкий и заведующая лабораторией, кандидат биологических наук Валерия Александровна Цвелая. Ученые разместили алгоритм в открытом доступе на GitHub, чтобы их коллеги могли обращаться к новой технологии и совершенствовать ее.
«Пока модель протестирована только на одной задаче — сегментации левого предсердия по МРТ, — заключила Е.М. Костина. — Но сам принцип — использовать предиктивную обратную связь для стабилизации рекуррентной сети при зашумленных, неполных или прерывистых данных — теоретически, может применяться шире: к другим задачам сегментации в медицинской визуализации, к анализу последовательных биомедицинских сигналов (ЭКГ, ЭЭГ) и в целом к любым системам на основе рекуррентных сетей, которым нужна устойчивость к шуму. Подчеркну, что пока это гипотеза и направление для нашей будущей работы, а не то, что уже было проверено экспериментально».
Новость подготовлена при поддержке Министерства науки и высшего образования РФ
Источник изображения на превью: nexusplexus / фотобанк 123RF.
Источники изображений на странице: nexusplexus / фотобанк 123RF, предоставлены пресс-службой МФТИ.
