По данным разработчиков, современная цифровая микроскопия позволяет получать изображения с разрешением в гигапиксели, однако их формирование и последующий анализ требуют значительного участия пользователя, ручной настройки алгоритмов и не всегда позволяют эффективно работать с разнородными наборами данных. Проект МГУ направлен на автоматизацию этих процессов и создание методов, которые смогут адаптироваться к новым данным и предметным областям.
В ходе работы ученые создадут ИИ-методы панорамирования и совмещения изображений с коррекцией геометрических и фотометрических искажений, интерактивной разметки и непрерывного обучения. Помимо этого, будут созданы методы на основе нейронных операторов и неявных нейронных представлений, а также мультимодальные модели для совместного анализа изображений и текстовой информации.
Методическая часть проекта относится к компьютерным и информационным наукам и включает задачи формирования, сегментации, совмещения, разметки и мультимодального анализа изображений, при этом исходные данные и критерии оценки будут определяться спецификой прикладных областей, например, анализом гистологических препаратов.
Работа пройдет в три этапа. До конца 2026 года планируется создать базовые методы панорамирования, совмещения и разметки изображений, нейрооператорного и мультимодального анализа и реализовать их программные модули. На втором этапе, рассчитанном до конца 2027 года, разработчики намерены добавить фотометрическую коррекцию, непрерывное обучение, многомасштабное совмещение, аугментацию и сегментацию и интегрировать решения в платформу PathScribe, а до конца 2028 года – усовершенствовать методы ИИ-анализа, непрерывного и активного обучения, совмещения и мультимодального анализа изображений и текста.
По замыслу авторов, создаваемые методы должны обеспечить автоматизацию и воспроизводимость анализа гигапиксельных изображений и возможность адаптации технологий к различным типам данных и предметным областям.
В конце августа 2026 года специалисты СГУ им. Н.Г. Чернышевского и РЭУ им. Г.В. Плеханова разработали метод машинного обучения для восстановления пропущенных и искаженных данных в записях ЭЭГ. В основе подхода – усовершенствованный алгоритм резервуарных вычислений, способный учитывать различные временные масштабы сигнала. Проект также реализуется при поддержке РНФ в объеме до 15 млн рублей в год в 2024–2027 годах.
Подписывайтесь на наши каналы: в MAX – Vademecum и Vademecum Live, в Telegram – Vademecum и Vademecum Live.
