Точное выделение анатомических структур на томограммах – критический этап перед кардиохирургическими вмешательствами, в частности, катетерной абляцией для лечения фибрилляции предсердий. Однако клинические изображения редко бывают идеальными. Помехи от движения пациента, шумы аппаратуры и дефицит времени на сканирование часто сбивают с толку традиционные рекуррентные нейросети (RNN), делая их прогнозы нестабильными. Существующие эталонные 3D-модели, такие как nnU-Net, хотя и демонстрируют высокую точность, требуют колоссальных вычислительных ресурсов, что делает их непригодными для рутинной практики в клиниках с рядовым оборудованием.
Чтобы решить эту проблему, исследователи обратились к нейробиологии. В живой нервной системе мозжечок выступает в роли предиктивного регулятора: он не просто отдает команды мышцам, но и прогнозирует будущие состояния, посылая коре головного мозга упреждающие корректирующие сигналы. Именно этот механизм инженеры МФТИ перенесли в цифровую среду. В их гибридной модели основной «корковый» блок анализирует текущие данные, а встроенный «мозжечковый» модуль учится предвидеть скрытые признаки следующего кадра. Как пояснила инженер лаборатории экспериментальной медицины Екатерина Костина, это позволяет алгоритму не сбиваться с курса: если базовая сеть теряется на «грязном» снимке, биоморфная модель помнит, как стенка выглядела мгновение назад, и знает, где она должна оказаться в следующий момент.
Эксперименты на открытом наборе данных ATRIA, включающем 100 пациентов, подтвердили эффективность подхода. На зашумленных данных точность сегментации по коэффициенту Дайса выросла с 0,801 до 0,815, при этом значительно улучшилось качество прорисовки границ – параметра, от которого напрямую зависит успех операции. Но главным достижением стала экономичность. Разработка МФТИ обрабатывает трехмерный объем МРТ за 18 миллисекунд, что в тысячу раз быстрее nnU-Net (23 секунды), и потребляет в 15 раз меньше видеопамяти (109 МБ против 1,5 ГБ).
По словам заведующей лабораторией Валерии Цвелой, команде удалось впервые осознанно внедрить конкретный нейробиологический механизм для повышения стабильности ИИ в сложных клинических условиях. Исходный код модели открыт на GitHub. В планах ученых – тестирование на реальных артефактах от дыхания и неоднородности магнитного поля, а также усложнение архитектуры за счет имитации тормозных интернейронов мозжечка.
Исследование опубликовано в журнале Applied Sciences.
