В МФТИ представили гибридную нейросеть cerebellar-inspired. Она сегментирует левое предсердие на МРТ-изображениях. Алгоритм построен с оглядкой на человеческий мозжечок. Результаты работы опубликовал журнал Applied Sciences. Об этом пишет сайт CNews.
При планировании катетерной абляции, которую применяют при фибрилляции предсердий, важно точно обвести контуры левого предсердия на трехмерных снимках. Клинические МРТ нередко содержат шум, артефакты движения, а время сканирования ограничено. Рекуррентные модели в таких условиях ошибаются, их результат становится нестабильным.
Точные 3D-модели вроде nnU-Net дают высокий результат, но требуют больших ресурсов. Обработка одного исследования занимает десятки секунд, память — гигабайты. Это мешает применять их в обычной практике, особенно на слабом оборудовании.
Исследователи подсмотрели идею в нейробиологии. Мозжечок управляет движениями и предсказывает состояния коры, посылая корректировки. В модели рекуррентный корковый блок анализирует данные, а мозжечковый модуль предугадывает скрытые признаки на следующем шаге. Так сеть получает упреждающую поправку и не сбивается при искаженных снимках, пояснила инженер Екатерина Костина из лаборатории, изучающей клеточную и экспериментальную медицину в МФТИ.
На открытом наборе ATRIA, куда вошли 100 пациентов, страдающих фибрилляцией предсердий, новая архитектура обошла базовую рекуррентную модель. Когда снимки зашумляли и прореживали, коэффициент Дайса поднялся с 0,801 до 0,815. Улучшилась и точность границ — это важно для планирования аблации.
Вычислительно модель легче тяжелых 3D-решений. Один трехмерный объем МРТ она обрабатывает за 18 миллисекунд; у nnU-Net на это уходит 23 секунды. Видеопамяти требуется 109 МБ, тогда как тяжелому аналогу нужно 1,5 ГБ. По словам Костиной, скорость выше примерно в тысячу раз, а памяти требуется в 15 раз меньше.
Такое решение пригодится клиникам, которым нужно автоматизировать рутинную разметку, но нет доступа к дорогим вычислительным фермам. По словам Валерии Цвелой, которая руководит лабораторией клеточной и экспериментальной медицины в МФТИ, впервые удалось осознанно перенести конкретный нейробиологический механизм в архитектуру нейросети. Подход реально повышает стабильность в сложных клинических условиях. Модель не просто копирует готовый U-Net, а учится предсказывать и заранее исправлять ошибки. В реальной клинике снимки не бывают идеальными, поэтому устойчивость алгоритма важнее. Инструмент почти не уступает по базовой точности и дает воспроизводимый результат при смене аппарата или протокола.
Исходный код выложили на GitHub, чтобы научное сообщество могло его использовать и дорабатывать. Далее авторы проверят архитектуру на реальных клинических артефактах: искажениях от дыхания пациентов и неоднородности магнитного поля. Также планируется усложнить модель, добавив механизмы, имитирующие тормозные интернейроны мозжечка.