Читать нас в Telegram

Анализ различных медицинских изображений применяется, например, для того, чтобы отслеживать, не прогрессирует ли заболевание. Для этого используется шаблон, с которым сопоставляются данные пациентов. Однако, использование шаблонов затруднено тем, что данные каждого пациента индивидуальны и с трудом поддаются сравнению. Особенно тяжело бывает использовать анализ для работы с новыми заболеваниями или показателями, полученными от маленьких детей.

На конференции по системам обработки нейронной информации учёные представили новую модель машинного обучения, которая может создавать «условные» шаблоны, основанные на конкретных характеристиках пациента, таких как пол, возраст и заболевание.

В качестве примера компьютерные специалисты использовали 3D-сканирование мозга.

При традиционной диагностике снимок пациента сперва сопоставляется с шаблоном, часто неточным, а затем с помощью этого сравнения создается «поле деформации», характеризующее различие между двумя изображениями. Потом структурные изменения анализируются.

Исследователи создали нейронную сеть, которая позволяет ускорить такой анализ. Она объединяет две нейросети, одна из которых запоминает изображения и встраивает их в систему, а другая сравнивает полученный снимок с изображениями, которые уже хранятся в наборе данных. Неточности при исследовании минимизируются с помощью «функции потерь», компонента машинного обучения. Сеть непрерывно уточняет шаблон, чтобы сделать результаты исследования более совершенными.

Конечный результат исследования — функция, которая учитывает особенности, характерные для возрастной группы, пола и заболевания пациента, и создаёт для него наиболее подходящее изображение. Некоторые данные при этом «достраиваются» на основе анализа, даже если они не были известны изначально. Базы данных, созданные исследователями для каждого возраста, постоянно дополняются. Такой способ пригодится для создания новых шаблонов, например, при работе с детскими заболеваниями и в других сложных и недостаточно изученных сферах.

Большая мечта исследователей — создать одну функцию, которая может генерировать данные для любой подгруппы пациентов.

Источник: Producing better guides for medical-image analysis