Математики из Сколтеха научили нейросеть распознавать живые объекты

Российские математики создали нейросетевой алгоритм, который умеет автоматически вычленять изображения отдельных микробов, клеток, тканей и других биологических объектов на произвольных фотоснимках. Для обучения ей нужно гораздо меньше ресурсов и времени, чем аналогичным нейросетям.

«Основным преимуществом нового метода является способность обучаться даже на маленьких выборках. Мы надеемся, что предложенный нами алгоритм найдет применение не только в биологических исследованиях, но и других отраслях, в которых сложно получать большие выборки размеченных обучающих изображений», – сказал один из разработчиков алгоритма, профессор Сколтеха Виктор Лемпицкий.

Поиск изображений микробов, раковых клеток, вирусов и других биологических объектов на фотографиях – одна из самых трудоемких научных задач. Автоматизировать ее достаточно сложно из-за многослойного характера снимков, большого количества объектов на них и ряда других особенностей, не характерных для остальных типов снимков.

Профессор Лемпицкий и его коллега Виктор Куликов решили эту проблему. Они разработали систему искусственного интеллекта (ИИ), которая даже после непродолжительного обучения может автоматически выделять изображения живых объектов на фотографиях с микроскопов. Ученые значительно упростили и ускорили работу подобной нейросети, разбив ее на две половины.

Первая часть разбивает анализируемое изображение на объекты, превращая фотографию в многомерную структуру и используя для ее обработки простые математические функции. Вторая пытается присвоить этим объектам определенный тип, опираясь на характерные особенности этих функций. Подобная архитектура, как показали последующие попытки обучить систему ИИ, одинаково хорошо подходит для поиска и классификации фотографий растений, червей-нематод, бактерий и раковых клеток.

В этом отношении, как отмечают исследователи, она догнала или превзошла все уже существующие алгоритмы классификации и обнаружения биологических объектов, в том числе и другие нейросетевые подходы. При этом для подобного ИИ нужно значительно меньше ресурсов и времени на обучение, что, как надеются математики, ускорит его проникновение в научную практику и в другие сферы жизни.