• Ученые МГУ разработали новый метод совмещения медицинских изображений на основе нейронных операторов.
• Модель FNOReg может обучаться на снимках пониженного разрешения и применяться на исходном разрешении без потери точности.
• Решение позволяет экономить вычислительные ресурсы и не жертвовать точностью.
• Работа была представлена на конференции ICPR и опубликована в журнале Lecture Notes in Computer Science.
• Совмещение и точное сопоставление медицинских снимков является ключевой задачей в медицинской диагностике.
• Классические математические методы требуют больших вычислительных мощностей и тонкой ручной настройки.
• Современные нейросетевые подходы требуют большого количества видеопамяти.
• Разработанная модель FNOReg основана на архитектуре Нейронного оператора Фурье (FNO) и оперирует в частотной области.
• Модель устойчива к изменению разрешения входных данных и может эффективно обучаться на сжатых данных.

Разработанная модель FNOReg основана на архитектуре Нейронного оператора Фурье (FNO). В отличие от обычных сверточных нейросетей, которые работают с локальными паттернами на изображении, FNOReg 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.

«Наша разработка открывает путь к более эффективной обработке больших медицинских данных, особенно трехмерных. Исследователи смогут тратить меньше ресурсов на вычисления и в итоге получать более точные и плавные карты деформаций для совмещения снимков. Это важный шаг к внедрению сложных ИИ-методов в реальную клиническую практику», — отмечает старший научный сотрудник лаборатории математических методов обработки изображения Дмитрий Сорокин.