В МГУ придумали новый метод совмещения медицинских фото на основе нейронных операторов
Учёные Московского государственного университета нашли способ снизить затраты памяти на обучение искусственного интеллекта в восемь раз. Об этом рассказали в пресс-службе вуза.
Они придумали новый метод совмещения медицинских изображений на основе нейронных операторов. Модель FNOReg не требует снимков высокого разрешения для обучения. Это особенно важно для работы с большими объёмами 3D-данных. Вычислительные ресурсы можно экономить без потери точности.
В медицине совмещение и точное сопоставление медицинских снимков – один из основных методов диагностики. Но классические математические методы требуют значительных вычислительных мощностей и тонкой ручной настройки. Для нейросетевых подходов нужны большие объёмы памяти, которыми не располагает большинство стационарных компьютеров.
Устойчива в к изменениям
«Разработанная модель FNOReg основана на архитектуре Нейронного оператора Фурье (FNO). В отличие от обычных свёрточных нейросетей, которые работают с локальными паттернами на изображении, FNO оперирует в частотной (Фурье) области. Это позволяет модели выделять глобальные закономерности и быть устойчивой к изменению разрешения входных данных. Исследователи усовершенствовали базовую архитектуру, добавив эффективные блоки для извлечения признаков и дополнительные соединения, что повысило стабильность обучения и качество результата», – отметили в пресс-службе вуза.
Во время тестирования модель показала точность, сравнимую с лучшими мировыми аналогами. При этом точность других программ падала при снижении качества снимков до 24%–25%, если фото «сжимали» наполовину. В то время как точность FNOReg снижалась менее чем на 1%.
Как отметил старший научный сотрудник лаборатории математических методов обработки изображения Дмитрий Сорокин, разработка открывает путь к более эффективной обработке больших данных в медицине.