В МФТИ создали нейросеть по принципу работы мозжечка
Ученые МФТИ представили гибридную нейросетевую архитектуру cerebellar-inspired, повторяющую механизмы работы мозжечка. Модель сегментирует левое предсердие на МРТ-снимках устойчивее к шумам и работает в разы быстрее аналогов.
- Модель cerebellar-inspired сегментирует левое предсердие на МРТ, повышая устойчивость к шумам и артефактам.
- На наборе ATRIA из 100 пациентов коэффициент Дайса вырос с 0,801 до 0,815 на зашумленных данных.
- Один объем МРТ обрабатывается за 18 миллисекунд против 23 секунд у nnU-Net, памяти нужно 109 МБ против 1,5 ГБ.
Ученые Московского физико-технического института (МФТИ) разработали гибридную нейросетевую архитектуру для сегментации левого предсердия по данным магнитно-резонансной томографии. Биоморфная модель получила название cerebellar-inspired и воспроизводит механизмы работы человеческого мозжечка. Результаты исследования опубликованы в журнале Applied Sciences.
Точное выделение контуров левого предсердия на трехмерных МРТ-снимках критически важно при планировании катетерной абляции — хирургического лечения фибрилляции предсердий. Качество клинических снимков часто страдает из-за шумов, артефактов движения и ограничений по времени сканирования. Традиционные рекуррентные нейросети (RNN) в таких условиях теряют точность, а результат становится нестабильным.
Существующие высокоточные 3D-модели, например nnU-Net, показывают выдающуюся точность в идеальных условиях, но требуют огромных вычислительных мощностей: обработка одного исследования занимает десятки секунд, а объем памяти исчисляется гигабайтами. Это затрудняет их применение в повседневной клинической практике, особенно на оборудовании с ограниченными ресурсами.
Исследователи обратились к нейробиологии. В живом организме мозжечок управляет движениями и прогнозирует будущие состояния коры головного мозга, выдавая корректирующие сигналы для предотвращения ошибок.
«Мы воспроизвели этот принцип в архитектуре нейросети. В нашей модели „корковый“ рекуррентный блок обрабатывает данные, а встроенный «мозжечковый» модуль учится предсказывать, какими будут скрытые признаки изображения на следующем шаге. Это позволяет выдавать упреждающую поправку и стабилизировать вычисления даже при поступлении искаженных данных», — сказала первый автор работы, инженер лаборатории экспериментальной и клеточной медицины МФТИ Екатерина Костина.
В экспериментах на открытом наборе данных ATRIA (100 пациентов с фибрилляцией предсердий) разработка показала устойчивое преимущество перед базовой рекуррентной моделью. На зашумленных и прореженных данных точность сегментации по коэффициенту Дайса выросла с 0,801 до 0,815. Модель также улучшила показатели точности границ, что критически важно для планирования операций аблации.
Архитектура оказалась вычислительно эффективной. По словам Екатерины Костиной, модель обрабатывает один трехмерный объем МРТ за 18 миллисекунд — примерно в 1000 раз быстрее эталонного алгоритма nnU-Net (23 секунды), а видеопамяти использует в 15 раз меньше (109 МБ против 1,5 ГБ). Это позволяет запускать ее даже на скромном оборудовании.
По словам исследователей, разработка актуальна для клиник, которые хотят автоматизировать рутинную разметку снимков, но не имеют доступа к дорогостоящим вычислительным фермам.
«Нам впервые удалось осознанно воспроизвести конкретный нейробиологический механизм в архитектуре нейросети — и этот подход действительно работает для улучшения стабильности в сложных клинических условиях», — отметила заведующая лабораторией экспериментальной и клеточной медицины МФТИ Валерия Цвелая.
Исходный код модели опубликован в открытом доступе на GitHub. В дальнейшем ученые планируют протестировать архитектуру на реальных клинических артефактах — искажениях из-за дыхания пациентов или неоднородности магнитного поля, а также усложнить модель механизмами, имитирующими работу тормозных интернейронов мозжечка.
Для профиТехнические детали: архитектура, цифры, ссылки
- Архитектура: гибридная модель cerebellar-inspired — «корковый» рекуррентный блок обрабатывает данные, встроенный «мозжечковый» модуль предсказывает скрытые признаки изображения на следующем шаге и выдает упреждающую поправку.
- Задача: сегментация левого предсердия по 3D МРТ для планирования катетерной абляции при фибрилляции предсердий.
- Бенчмарк: открытый набор ATRIA, 100 пациентов с фибрилляцией предсердий. Коэффициент Дайса на зашумленных и прореженных данных — 0,801 → 0,815.
- Производительность: 18 мс на один 3D-объем против 23 секунд у nnU-Net (~1000x быстрее); 109 МБ видеопамяти против 1,5 ГБ (в 15 раз меньше).
- Публикация: журнал Applied Sciences. Исходный код открыт на GitHub.
Что это значит для России
Разработка велась в МФТИ, а исходный код модели опубликован в открытом доступе на GitHub. Низкие требования к видеопамяти (109 МБ) позволяют запускать модель на оборудовании с ограниченными ресурсами, что авторы называют особенно актуальным для клиник без доступа к дорогостоящим вычислительным фермам.
Вопросы и ответы
- Для чего нужна эта нейросеть?
- Для сегментации левого предсердия по 3D МРТ-снимкам, что важно при планировании катетерной абляции — лечения фибрилляции предсердий.
- Насколько она быстрее аналогов?
- Один объем МРТ обрабатывается за 18 миллисекунд против 23 секунд у nnU-Net, при этом используется 109 МБ видеопамяти против 1,5 ГБ.
- Доступен ли код модели?
- Да, исходный код опубликован в открытом доступе на GitHub.
