Новый метод анализа гистологических данных предложили в центре ИИ МГУ

Исследователи Центра искусственного интеллекта МГУ имени М.В. Ломоносова предложили метод анализа гистологических изображений на основе графовых нейросетей и механизма псевдоразметки. Подход позволяет повысить точность классификации типов тканей при ограниченном объёме размеченных данных и снизить зависимость от ручной разметки. Результаты исследования опубликованы в журнале Machine Learning and Knowledge Extraction.

Анализ гистологических изображений играет ключевую роль в современной медицинской диагностике, в том числе при выявлении онкологических заболеваний. Такие изображения представляют собой крупные цифровые срезы тканей, содержащие большое количество визуальной информации. Их интерпретация требует высокой квалификации специалистов и значительных временных затрат. При этом создание размеченных наборов данных остаётся одним из основных ограничений для применения методов машинного обучения в данной области.

В новой работе предложен подход, сочетающий использование графовых нейросетей и механизма псевдоразметки, которая в данном подходе используется для организации механизма внимания между участками изображения: модель оценивает принадлежность патчей к классам и использует эти оценки, чтобы учитывать связи между сходными областями. Это позволяет расширить обучающую выборку за счёт автоматически полученных меток. Графовая нейросетевая модель, в свою очередь, рассматривает изображение как набор взаимосвязанных областей и учитывает структуру связей между ними, что даёт возможность более точно описывать пространственную организацию ткани.

Отдельное внимание в работе уделено задаче анализа полноразмерных гистологических изображений (whole-slide images), которые отличаются высоким разрешением и сложной структурой. Предложенный метод позволяет учитывать как локальные особенности отдельных участков изображения, так и их взаимное расположение, что особенно важно для повышения точности классификации тканевых областей и построения карт сегментации.

На датасете PATH-DT-MSU WSS2v2 модель достигла Macro F1 = 0.95, превзойдя существующие патчевые и графовые методы.

«Мы стремились разработать метод, который позволит более эффективно использовать имеющийся ограниченный объем. Псевдоразметка в сочетании с графовым представлением и механизмом внимания помогает учитывать структуру изображения и улучшать качество предсказаний», — отметил Александр Хвостиков, научный сотрудник Центра искусственного интеллекта МГУ и старший научный сотрудник факультета ВМК МГУ.

Разработанный подход может быть использован при создании систем поддержки принятия врачебных решений, а также в задачах автоматизированного анализа медицинских изображений. В перспективе такие методы могут способствовать повышению точности анализа и расширить возможности специалистов при работе с гистологическими данными.

Информация предоставлена пресс-службой МГУ

Источник фото: ru.123rf.com

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: