Доклады Российской академии наук. Математика, информатика, процессы управления, 2022, T. 508, № 1, стр. 7-12

2.1. Поиск ключевых точек на медицинских изображениях для выявления аномалий суставов с применением метода обучения с подкреплением

Новизна исследования заключается в создании мультиагентной модели поиска ключевых точек на трехмерных изображениях.

Метод исследования основан на комбинированном применении искусственных нейронных сетей архитектур U-Net и FPN для сегментации трехмерных изображений и поиска областей ожидаемых положений ключевых точек, и сетей архитектур DeepQN, DDPG, TD3, A2C для обучения с подкреплением нескольких агентов поиска уточненных положений ключевых точек (рис. 1) [1].

Рис. 1.

Предлагаемый фреймворк поиска ключевых точек МРТ изображений, который включает 3 этапа: сегментации для поиска областей интереса, определения начальных положений ключевых точек и применения мультиагентной модели обучения с подкреплением для корректировки положения ключевых точек [1].

Значимость исследования связана с возможностью высокоточного определения положений ключевых точек в области тазобедренного сустава для последующей диагностики заболеваний суставов.

Перспективы развития тематики связаны с созданием быстродействующих высокоточных алгоритмов детектирования областей и определения координат особых точек на трехмерных изображениях по данным МРТ или КТ исследований.

2.2. Физически обоснованное машинное обучение для моделирования течений неньютоновских жидкостей

Новизна исследования заключается в создании теоретических основ и инструментария моделирования течений неньютоновских жидкостей, прежде всего, крови, а также реомагнитных жидкостей в каналах искусственных и естественных гидродинамических систем.

Метод исследования основан на минимизации предложенного авторами целевого функционала мощности внутренних сил, реализованной с помощью глубокой сверточной сети архитектуры U-Net (рис. 2). В процессе обучения сеть использует одно входное изображение и не нуждается в датасете. Точность сети связана с точностью численного дифференцирования и интегрирования по значениям интенсивности пикселей выходного изображения [2].

Рис. 2.

Архитектура U-Net и алгоритм на основе представления области течения в виде изображения. Сеть U-Net получает на вход начальное распределение для неизвестной пси-функции с масками границ течения и рассчитывает уточненное распределение пси-функции путем минимизации функционала [2].

Значимость исследования связана с возможностью разработки универсального программного обеспечения для обработки сегментированных изображений, в том числе, медицинских изображений, и моделированию течений жидкостей. В частности, возможно решение задач о доставке лекарственных средств в составе физиологических жидкостей, обладающих неньютоновскими и реомагнитыми свойствами.

Перспективы развития тематики связаны с созданием алгоритмов и моделей для обработки трехмерных изображений по данным МРТ или КТ исследований, а также разработка новых методов медицинских исследований типа ‘in-silico’.

2.3. Другие научные работы в области поддержки принятия медицинских решений

Помимо перечисленных работ, в центре проводились исследования по обработке гиперспектральных изображений для детектирования следов крови [3], поиску эффективных средств детектирования и классификации лейкемии [4] и некоторые другие.

2.4. Практическая реализация систем поддержки принятия врачебных решений

Внедрение сервисов в работу медицинских организаций обеспечивает качественный скачок как за счет выдвижения высоких требований к медицинским изделиям, так и за счет быстрого повышения качества и количества обучающих данных. Также это обеспечивает сокращение расходов на лечение за счет ранней диагностики заболеваний.

В настоящее время функционирует сервис распознавания патологий легких AI Radiology [5], ведется разработка сервисов маммографических и патоморфологических исследований. Новые практические разработки защищены как объекты интеллектуальной собственности [6].

3.1. Планирование траекторий летательных аппаратов

Новизна исследования заключается в разработке метода непрерывно оптимизируемой траектории летательного аппарата при движении в неизвестных условиях.

Метод основан на применении двух планировщиков: глобального и локального. Первый уточняет начальную опорную траекторию в случаях, когда траектория проходит через препятствие или вблизи него, и позволяет локальному планировщику рассчитать оптимальную траекторию, если глобальный планировщик не может выполнить задачу. Глобальный планировщик включает в себя два подхода к выпуклому программированию: Глобальный планировщик в основном фокусируется на производительности в реальном времени и обходе препятствий, в то время как предлагаемая формулировка локального планировщика на основе прогнозирующего управления с ограниченной нелинейной моделью обеспечивает безопасность, динамическую осуществимость и точность отслеживания базовой траектории для низкоскоростных маневров (рис. 3) [7].

Рис. 3.

Архитектура планировщика траекторий. Глобальный и локальный планировщики функционируют параллельно [7].

Значимость исследования связана с возможностью обеспечения безопасных полетов беспилотных летательных аппаратов в условиях неопределенности и наличия препятствий, а также с разработкой быстродействующих алгоритмов, функционирующих на микрокомпьютерах.

Перспективы развития тематики связаны с совершенствованием алгоритмов локального планировщика, применением к высокоскоростным летательным аппаратам, обеспечивающим действие систем внешнего наблюдения за безопасностью на производстве.

В рамках научной работы центра также проводились исследования по обработке снимков ландшафта [8], защите данных при использовании облачных ресурсов [9], человеко-машинному взаимодействию [10], тестированию моделей искусственного интеллекта [11] и другим направлениям.

3.2. Практическая реализация систем поддержки принятия решений в функционировании системы безопасности предприятия

Основой разрабатываемых сервисов является обработка данных изображений и их последовательностей, данных сигналов мультисенсорных измерений, аудиоданных, а также табличных и текстовых данных.

Совместно с ПАО “Татнефть” разрабатывается интеллектуальная система поддержки принятия решений по обеспечению безопасности и контролю хода строительства, эксплуатации инфраструктуры с применением технологий компьютерного зрения. Реализована первая очередь аппаратно-программного комплекса в части сервиса распознавания разливов нефти и обнаружений строительных работ в охранных зонах. Предложены решения в разработке системы помощи при визуальной инспекции транспортных средств. Партнеры в разработке АО “Аэрофлот”, АО “Синара-Транспортные Машины”.

Совместно с АО “Почта России”, ООО “Вайлдберриз” разрабатываются технологии искусственного интеллекта для контроля внутрискладских операций в фулфилменте: контроль движения, снижение ошибок при комплектовании клиентских заказов, автоматизация работы с претензиями клиентов по поставленным товарам.

Совместно с Министерством промышленности и торговли РФ разрабатывается сервис предоставления услуг в электронном виде, осуществляется подбор аналогов в каталогах продукции.

На произведенную интеллектуальную собственность получены охранные документы [12–15].

4.1. Пересмотр нейронных сетей графов передачи для разработки катализатора

Новизна исследования заключается в разработке архитектур физически информированных нейронных сетей для моделирования молекулярных структур.

Метод основан на применении нескольких вариантов графовых нейронных сетей, включая сверточную, для предсказания энергии. Предложенные архитектуры устойчивы к переобучению и (рис. 4) [17].

Рис. 4.

Преобразование молекулярной структуры в граф с последующим предсказанием значения энергии [17].

Значимость исследования связана с тем, что предложенные методики могут быть применены для предсказания экспериментальных и квантовых химических свойств широкого спектра материалов и молекул.

Перспективы развития тематики связаны с разработкой новых материалов в химической и нефтехимической промышленности (полимеры, каталитические материалы, присадки, синтетические смазочные материалы). Химико-фармацевтической промышленности (новые синтетические лекарственные средства).

4.2. Практическая реализация систем поддержки принятия решений в поиске материалов с заданными свойствами

Совместно с ООО “СИБУР”, АО “ТАНЕКО”, ГК “ХимРар” ведется разработка платформы, помогающей исследовательским лабораториям и частным исследователям сократить цикл освоения новых продуктов за счет уменьшения числа экспериментов на 30–40% и сокращения потребления сырья на 10–20%. На произведенную интеллектуальную собственность получен охранный документ [18].