Pull to refresh

Исследователи натренировали нейросеть на поиск повреждений мозга

Machine learning
Алгоритм, разработанный учеными из Университета Калифорнии Сан-Франциско (UCSF), ищет микроскопические кровоизлияния в мозг и прочие нарушения лучше специалистов-радиологов, сообщает Berkley News.

image
Источник: USFC

В своем исследовании специалисты использовали нейросеть типа FCN (fully convolutional network) — такие сети отличаются от классических сверточных нейросетей отсутствием полносвязных слоев (MLP). Это позволяет сети работать с изображениями произвольного размера и использовать меньше примеров для обучения.
Подробная статья о сетях типа FCN и прочих есть на Хабре (лонгрид).

Исследователи из UCSF «скормили» своей нейросети 4 396 снимков с результатами компьютерной томографии. Каждый снимок был снабжен подсказками для сети — кровоизлияние было обведено, чтобы алгоритм не отвлекался на случайные изменения и графический «шум». В итоге получилась точная нейросеть — она определяла едва заметные кровоизлияния в мозгу точнее, чем два специалиста-радиолога из четырех приглашенных к участию в тесте. Алгоритм обнаруживал нарушения, которые эксперты пропустили, а также указывал на место аномалии и квалифицировал ее по параметрам, необходимым для лечения.
image
Источник: USFC

К примеру, алгоритм нашел и подсветил две аномалии на рисунке выше: зеленым — малую субдуральную гематому, красным — субарахноидальное кровоизлияние.

Алгоритм, разработанный командой, за секунду определил, нет ли в результате сканирования головы каких-либо признаков кровоизлияния. Он также проследил подробные контуры аномалий в трехмерной структуре мозга с приемлемой погрешностью.

В теории разработанный алгоритм может существенно упростить жизнь специалистам — одна трехмерная томограмма может превратиться в 30 снимков мозга пациента, каждый из которых радиологу нужно проверить на предмет нарушений. Нейросеть сделает это быстрее и точнее, освободив время врачу для более детального изучения наиболее важных снимков.

Соавтор исследования, профессор радиологии в UCSF Эстер Юх пояснила, что для нейросети была высокая планка допустимой погрешности, так как ошибка в анализе может стоить человеку здоровья и жизни. «Люди не потерпят чего-то менее точного, чем человек», — поясняет Юх. Сейчас алгоритм тестируется на томограммах пациентов из медицинских центров из разных частей США.
Tags:машинное обучениенейронные сетинейросетимедицина
Hubs: Machine learning
Total votes 6: ↑6 and ↓0+6
Views662

Popular right now

Top of the last 24 hours