Нейросеть по принципу мозжечка делает анализ МРТ устойчивее к шуму

Нейросеть по принципу мозжечка делает анализ МРТ устойчивее к шуму — без тяжёлой трёхмерной модели

Задача оказалась уже — и интереснее — чем просто «улучшить МРТ»

Сообщение о разработке специалистов МФТИ легко интерпретировать как создание нейросети, которая повышает качество МРТ-снимков. На самом деле исследование посвящено более конкретной задаче: автоматическому выделению, или сегментации, левого предсердия на МРТ сердца.

Сегментация означает, что алгоритм должен определить на каждом срезе границы нужной анатомической структуры. Затем из последовательности таких срезов можно получить трёхмерное представление предсердия. Это имеет практическое значение, например, при планировании катетерной аблации у пациентов с фибрилляцией предсердий, когда врачу требуется точная анатомическая модель сердца.

Проблема заключается в том, что медицинские изображения редко бывают столь же однородными, как данные, на которых обучают алгоритмы. Шум, движения пациента, различия между аппаратами и протоколами исследования, неодинаковое пространственное разрешение и пропущенные срезы могут заметно менять входные данные.

Поэтому высокая средняя точность алгоритма сама по себе ещё не гарантирует его надёжности в клинике. Не менее важен другой вопрос: насколько сильно ухудшится результат, когда изображение окажется хуже привычного для модели.

Мозжечок подсказал разработчикам механизм коррекции ошибок

Авторы работы — Екатерина Костина, Анастасия Синицына, Михаил Слотвицкий и Валерия Цвелая — построили гибридную архитектуру, вдохновлённую взаимодействием коры головного мозга и мозжечка. Результаты опубликованы 6 августа 2026 года в журнале Applied Sciences.

Биологическая аналогия здесь важна не как метафора, а как инженерный принцип. Мозжечок участвует в прогнозировании результатов движения и коррекции возникающей ошибки: нервная система сравнивает ожидаемое состояние с фактическим и уточняет последующие действия.

В разработанной архитектуре используется похожая логика. Сначала свёрточный кодировщик извлекает признаки из последовательности МРТ-срезов. Рекуррентная нейронная сеть обрабатывает зависимости между ними. Дополнительный «мозжечковый» модуль пытается предсказывать будущие признаки на нескольких временных горизонтах.

Расхождение между прогнозом и фактическими данными превращается в корректирующий сигнал для основной сети. Таким образом, модель не просто классифицирует очередной фрагмент изображения, а постоянно сопоставляет поступающую информацию со своим внутренним ожиданием.

Именно это отличает разработку от простой попытки построить ещё одну более крупную нейросеть.

На хороших снимках выигрыш невелик, при ухудшении данных разница становится заметнее

Для основной проверки исследователи использовали открытый набор ATRIA Segmentation Challenge 2018. В эксперимент вошли данные 100 пациентов с трёхмерными МРТ сердца и экспертной разметкой левого предсердия. Авторы разделили их на 80 случаев для обучения и 20 для проверки и повторили эксперимент с пятью различными вариантами случайного разбиения и инициализации модели.

Одним из основных показателей был коэффициент Dice. Он показывает степень совпадения области, выделенной алгоритмом, с эталонной разметкой: чем ближе значение к единице, тем лучше совпадение.

На неизменённых данных принципиального скачка точности не произошло. Средний лучший Dice составил 0,835 ± 0,032 у модели с предиктивным модулем против 0,832 ± 0,027 у исходной рекуррентной архитектуры.

Но картина изменилась, когда исследователи искусственно ухудшили данные с помощью гауссовского шума и прореживания последовательности срезов. В этих условиях Dice составил 0,815 ± 0,019 против 0,801 ± 0,021 у базовой модели; различие было статистически значимым с p = 0,014. Улучшился и показатель Surface Dice, более чувствительный к совпадению границ анатомической структуры.

На независимой выборке из 21 пациента, обследованного в Московском областном научно-исследовательском клиническом институте на томографе 1,5 Тл, архитектура с предиктивной коррекцией также показала преимущество над исходной рекуррентной моделью по всем семи использованным показателям. Особенно заметным оно оказалось для характеристик, оценивающих точность границ.

Это существенно для медицинской сегментации: небольшая разница в общем объёме выделенной структуры может скрывать локальную ошибку именно там, где врачу необходимо точно понимать её анатомическую границу.

Более мощная nnU-Net всё ещё точнее — но требует значительно больше ресурсов

Исследование важно не только сравнением двух родственных моделей. Авторы также использовали nnU-Net — широко применяемую архитектуру для сегментации медицинских изображений, которая автоматически адаптируется к конкретному набору данных.

По абсолютной точности nnU-Net оказалась лучше предложенной биоморфной модели. Поэтому говорить о том, что новая разработка превосходит современные методы сегментации МРТ в целом, было бы неправильно.

Её преимущество находится в другой плоскости — вычислительной эффективности. По данным авторов, nnU-Net требовала примерно на порядок больше параметров, а время получения результата различалось примерно на три порядка.

Так возникает важный инженерный компромисс. Можно стремиться к максимальной точности с помощью крупной трёхмерной модели, если доступны соответствующие вычислительные ресурсы. Но для некоторых систем более ценным может оказаться небольшой алгоритм, который работает быстро и сохраняет устойчивость при ухудшении исходных данных.

Именно здесь идея предиктивной коррекции становится особенно интересной.

Устойчивость к плохим данным становится отдельной целью медицинского ИИ

Работа вписывается в более широкое направление развития искусственного интеллекта для медицинской визуализации. Международные исследования последних лет показывают, что глубокое обучение уже способно уменьшать шум, реконструировать ускоренные МРТ и исправлять некоторые артефакты.

Например, метод Noise2Recon, разработанный исследователями Стэнфордского университета и опубликованный в Magnetic Resonance in Medicine, специально создавался для устойчивой реконструкции МРТ при изменении отношения сигнал/шум. В экспериментах он превосходил ряд базовых методов на данных с низким отношением сигнал/шум и при изменении условий относительно обучающей выборки.

В 2026 году в npj Digital Medicine были опубликованы результаты крупной проспективной проверки другой системы глубокого обучения для подавления шума в ускоренной МРТ нескольких органов. Авторы отдельно обращали внимание на проблему появления искусственных деталей при обработке изображения — так называемых галлюцинаций алгоритма.

Эта проблема принципиальна. Медицинская нейросеть не должна делать изображение визуально убедительным ценой появления структур, которых в исходных данных не было. Поэтому устойчивость, воспроизводимость и сохранение достоверности информации постепенно становятся столь же важными характеристиками медицинского ИИ, как средняя точность на тестовом наборе.

Разработка с механизмом, напоминающим работу мозжечка, предлагает ещё один вариант решения этой задачи: не только обучать модель распознавать анатомию, но и давать ей механизм прогнозирования и исправления собственной ошибки.

Клинический путь потребует проверки настоящих артефактов

У результатов есть существенные ограничения. Основная выборка сравнительно невелика: использованы 100 случаев для обучения и внутренней проверки и ещё 21 пациент для внешней проверки. Число независимых запусков модели также составляло пять, поэтому оценки вариабельности требуют осторожной интерпретации.

Ещё важнее происхождение части ухудшений изображения. Шум и прореживание срезов в основных экспериментах создавались искусственно. Это удобный способ контролируемого сравнения алгоритмов, но реальные МРТ содержат значительно более сложные сочетания искажений.

Пациент может двигаться или дышать, сердечный ритм может быть нерегулярным, магнитное поле — неоднородным, а характеристики изображения различаются между производителями томографов, напряжённостью магнитного поля и протоколами сканирования.

Авторы прямо указывают, что следующим этапом должна стать проверка на реальных клинических артефактах, включая искажения, связанные с дыханием и неоднородностью магнитного поля. Они также планируют усложнять биологически инспирированный модуль, добавляя механизмы, моделирующие работу тормозных интернейронов мозжечка.

Поэтому нынешний результат следует рассматривать как проверку архитектурного принципа, а не как доказательство готовности системы к самостоятельному клиническому применению.

Главный практический эффект — не красивее снимок, а надёжнее автоматическая разметка

Для пациента эта разработка пока ничего непосредственно не меняет: речь не идёт о новом методе диагностики или уже внедрённой системе планирования лечения.

Но направление имеет практическое значение. Автоматическая сегментация анатомических структур используется всё шире, а переход таких алгоритмов из исследовательских наборов данных в обычную клиническую среду неизбежно сталкивается с вариабельностью качества изображений.

Для врача ценность алгоритма определяется не только тем, насколько хорошо он работает в среднем. Важно знать, насколько предсказуемо он поведёт себя на сложном исследовании конкретного пациента. Если небольшое ухудшение изображения резко меняет результат сегментации, высокая точность на стандартной выборке имеет ограниченную клиническую ценность.

Для разработчиков медицинского ИИ работа показывает ещё один возможный путь развития. Вместо постоянного увеличения размера нейросетей можно проектировать архитектуры, которые используют прогнозирование, обратную связь и коррекцию ошибок — принципы, давно реализованные биологическими нервными системами.

Если такой подход подтвердит преимущества на больших многоцентровых выборках, он может быть особенно полезен там, где одновременно нужны устойчивость и небольшие вычислительные затраты: в системах с ограниченными аппаратными ресурсами, при обработке данных непосредственно рядом с диагностическим оборудованием или в задачах, где скорость получения результата имеет самостоятельное значение.