компьютерное зрение

Исследование сравнивает эффективность девяти архитектур глубокого обучения (CNN и трансформеров) в диагностике рака молочной железы на датасете BreaKHis. Авторы внедряют строгий протокол кросс-валидации с учетом разделения по пациентам, чтобы исключить утечку данных, и приходят к выводу, что при правильной методологии различия в архитектурах моделей становятся незначительными.

Представлен MAPSeg — полностью самообучаемый метод сегментации полипов, не требующий размеченных данных и обучаемый на изображениях здоровой слизистой. Благодаря стратегии синтетической аугментации SIMPO и архитектуре с расширенной памятью, метод значительно превосходит существующие неконтролируемые подходы по метрикам IoU и DICE.

В статье предлагается гибридная архитектура CNN-BiLSTM для автоматизированной диагностики рака кожи на основе датасета HAM10000. Модель достигла точности 94,82%, эффективно сочетая извлечение пространственных признаков и анализ контекстуальных зависимостей, что делает её пригодной для использования в реальном времени.

Разработан модульный метод постобработки для снижения количества ложноположительных срабатываний при обнаружении детских переломов на рентгенограммах. Система использует поиск сложных отрицательных примеров и калиброванное слияние оценок, обеспечивая высокую точность (F1-score 0.88) и интерпретируемость через Grad-CAM.

Исследование предлагает новый метод классификации девяти типов поражений кожи с использованием архитектуры Vision Transformer (ViT) для извлечения признаков. Предложенный подход с применением контрастного растяжения и легковесного MLP показал точность обучения 98% и точность тестирования 93,22%.

В статье представлен новый метод классификации рака кожи, сочетающий глубокое обучение (архитектура DSRSENet) и фильтрацию классических признаков с помощью механизма SAMI. Использование метода оптимального выбора признаков (OFS) позволило достичь высокой точности обнаружения — до 95.66% на наборах данных HAM10000 и PAD_UFES_20.

Исследование оценивает эффективность модели nnU-Net как «второго читателя» для выявления метастазов в позвоночнике на КТ-снимках. Использование ИИ позволило обнаружить патологии в среднем на 228 дней раньше, чем это было сделано врачами при стандартном анализе.

В статье представлен оптимизированный вариант сетей Omni-Dimensional Dynamic Convolution (ODConv) для анализа гистопатологических изображений. Метод позволяет более гибко извлекать признаки из тканей с высокой морфологической гетерогенностью, демонстрируя высокую эффективность в диагностике нейродегенеративных и метаболических заболеваний скелетных мышц.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология глубокого обучения, предназначенная для точного определения происхождения опухолевых клеток. Авторы разработали подход с использованием 'мягкого' многоклассового дополнения признаков (soft multiclass feature augmentation), который позволяет эффективно анализировать полнослойные изображения (WSI) как цитологического, так и гистологического происхождения. Основная цель работы заключается в автоматизации процесса дифференциальной диагностики, что критически важно при работе с неопределенными типами опухолей. Методология позволяет модели учитывать распределение признаков между различными классами, повышая устойчивость прогноза. Применение данного метода в клинической практике может значительно ускорить постановку диагноза и снизить вероятность врачебной ошибки при интерпретации сложных гистологических срезов. Результаты демонстрируют потенциал интеграции подобных алгоритмов в цифровые патоморфологические системы для повышения точности онкологической диагностики.

В данной исследовательской работе, опубликованной в журнале npj Digital Medicine, рассматривается инновационный подход к оценке интенсивности головной боли через анализ автоматизированного распознавания мимических паттернов. Авторы используют технологию APEX frames для захвата и анализа микровыражений лица, которые коррелируют с уровнем болевого синдрома. Методология исследования направлена на создание объективного инструмента мониторинга боли, который мог бы дополнить субъективные отчеты пациентов. Ключевая цель заключается в минимизации человеческого фактора при оценке боли, что критически важно для пациентов с когнитивными нарушениями или при хронических состояниях. Результаты подчеркивают потенциал использования компьютерного зрения для интеграции в цифровые системы мониторинга здоровья и телемедицины. Данная технология может стать важным подспорьем в персонализированной терапии неврологических заболеваний.

В исследовании представлена новая архитектура CBA-TransNet, объединяющая ResNet50 и Vision Transformer (ViT) для диагностики рака полости рта. Использование механизма внимания CBAM позволило достичь точности классификации 98,97%, эффективно сочетая извлечение локальных и глобальных признаков на гистопатологических снимках.

В исследовании представлен HiReS (High-Resolution Segmentation) — программный конвейер с открытым исходным кодом, предназначенный для автоматизации морфометрического анализа планктона. Основная проблема, которую решает метод, заключается в невозможности обработки полноразмерных изображений высокого разрешения стандартными методами глубокого обучения из-за ограничений оперативной памяти. Методология HiReS основана на разделении изображений на перекрывающиеся фрагменты (chunks), применении сегментации экземпляров на базе архитектуры YOLO, последующей реконструкции полигональных аннотаций в пространстве полного изображения и удалении дубликатов. Авторы протестировали систему на видах Daphnia pulex, Daphnia galeata и Simocephalus vetulus, показав, что автоматизированные измерения точно воспроизводят структуру распределения признаков, полученную вручную. Несмотря на выявленное систематическое положительное смещение (multiplicative scaling offset), после центрирования данных расхождения между автоматическим и ручным методами оказались минимальными. Важным практическим результатом является то, что при малых объемах выборки медианные значения, полученные моделью, могут превосходить точность ручных оценок. Данный инструмент представляет интерес для биомедицинских исследований и экологии, где требуется высокоточный количественный анализ микрообъектов.

В данном исследовании, опубликованном в журнале npj Digital Medicine, проводится сравнительный анализ эффективности системы искусственного интеллекта и профессиональных экспертов в задаче классификации лейкоцитов. Методология исследования заключалась в сопоставлении автоматизированных результатов работы ИИ с оценками 15 высококвалифицированных специалистов в области морфологии крови. Основная цель работы — определить, может ли алгоритм достичь уровня точности, сопоставимого с человеческим экспертным мнением, при анализе сложных клеточных структур. Ключевые результаты демонстрируют потенциал ИИ в автоматизации рутинных процессов гематологического анализа, что критически важно для снижения нагрузки на лаборатории. Исследование подчеркивает значимость внедрения подобных систем для стандартизации диагностики и минимизации субъективных ошибок при интерпретации мазков крови. Данная работа имеет высокую практическую ценность для цифровой гематологии и автоматизированных систем лабораторной диагностики.

В статье представлена гибридная нейросетевая архитектура (HDNN) для классификации нейродегенеративных заболеваний на основе данных МРТ. Использование методов ConvNeXt, MaxViT и механизмов Cross-Fusion Attention позволило достичь точности 97,4%, а применение Grad-CAM++ обеспечивает интерпретируемость результатов для клинического применения.

Исследователи представили Halo — инновационную предобученную модель, предназначенную для решения критической проблемы пространственной транскриптомики: точной сегментации границ целых клеток при наличии только изображений ядер. Методология Halo основана на интеграции морфологии ядер с пространственным распределением РНК-транскриптов, где координаты транскриптов преобразуются в карты молекулярной плотности. Эти карты обрабатываются совместно с DAPI-изображениями с использованием архитектуры сегментации Cellpose-SAM. Модель прошла предварительное обучение на мультимодальных данных Xenium, охватывающих 12 различных типов тканей, что позволяет использовать её напрямую на новых наборах данных без необходимости дополнительного обучения. Результаты показывают, что Halo значительно превосходит стандартную стратегию «расширения ядер» (nuclear expansion), обеспечивая более высокое соответствие истинным границам клеток и точность назначения РНК конкретным клеткам. Применение Halo позволяет получать более надежные данные для идентификации типов клеток и точной оценки их морфологических признаков, делая процесс сегментации масштабируемым и воспроизводимым.

В статье представлен SegBio — новый инструмент с открытым исходным кодом, предназначенный для автоматизации высокопроизводительного фенотипирования биологических образцов. Основная проблема, которую решает разработка, заключается в трудоемкости ручной аннотации изображений с плотной компоновкой объектов (например, клеток или организмов). Методология SegBio включает интерактивный графический интерфейс, который позволяет создавать полные маски объектов на основе минимальных разметок центральных линий, что радикально снижает затраты времени на разметку. Система объединяет настраиваемый модуль обучения на базе архитектуры U-Net и автономное приложение для инференса с возможностью редактирования в режиме «человек в цикле» (human-in-the-loop). Исследование подтвердило эффективность метода на новом наборе данных изображений C. elegans, где модель достигла показателя паноптической точности (Panoptic Quality) около 0.85. Инструмент позволяет точно количественно оценивать морфологию и флуоресценцию каждого отдельного организма, что делает его масштабируемым решением для лабораторий, работающих с клеточными органеллами и другими плотными биологическими структурами.

Компания X5 Group разработала и внедрила инновационную систему на базе компьютерного зрения для автоматизированного контроля соблюдения правил гигиены рук. Технология предназначена для использования на предприятиях по производству готовой еды, где соблюдение санитарных норм является критическим фактором безопасности. Система с помощью нейросетей в реальном времени анализирует видеопоток и фиксирует правильность и полноту процесса мытья рук сотрудниками. Внедрение данного решения позволяет минимизировать человеческий фактор и снизить риски биологического загрязнения продукции. Использование ИИ в данном контексте направлено на оптимизацию производственных процессов и обеспечение соответствия строгим стандартам пищевой безопасности. Это пример применения технологий компьютерного зрения для контроля качества и соблюдения регламентов в индустрии.

Специалисты Института искусственного интеллекта университета «Иннополис» разработали инновационную систему бесконтактного автоматического взвешивания животных, предназначенную для применения в агропромышленном секторе. Технология базируется на использовании компьютерного зрения и глубокого обучения, что позволяет проводить измерения без физического контакта со свиньями, минимизируя стресс для животных и риск травматизма. Система способна обрабатывать данные крайне быстро, обеспечивая взвешивание до 10 голов за одну секунду, что значительно повышает эффективность мониторинга поголовья. В основе методологии лежит анализ видеопотока и построение трехмерных моделей объектов для точного определения массы. Внедрение данной разработки позволяет автоматизировать контроль за ростом животных и оптимизировать рационы кормления на основе точных данных. Проект демонстрирует практическую значимость ИИ в автоматизации производственных процессов и цифровизации сельского хозяйства.

Исследование представляет собой разработку конвейера глубокого обучения для неинвазивного определения показателей крови путём анализа видеозаписей бульбарной конъюнктивы (белковой оболочки глаза). Методология основана на применении нейронных сетей для извлечения признаков из видеоизображений конъюнктивы, которые коррелируют с концентрацией различных компонентов крови. Исследование опубликовано в ведущем журнале npj Digital Medicine (Springer Nature) 8 апреля 2026 года, что подтверждает высокий уровень рецензирования и научной значимости работы. Технология потенциально позволяет избежать инвазивных процедур забора крови для рутинных анализов, что особенно актуально для педиатрии, пациентов с хроническими заболеваниями и в условиях ограниченных ресурсов. Разработка включает обучение модели на большом наборе данных видеозаписей конъюнктивы с сопоставленными результатами стандартных лабораторных анализов крови. Ключевое преимущество подхода — возможность проведения анализа в режиме реального времени с использованием доступных видеокамер, что открывает перспективы для интеграции в телемедицинские платформы и мобильные приложения. Значимость для клинической практики заключается в потенциальном снижении нагрузки на лабораторные службы и повышении доступности базовых диагностических тестов. Работа представляет собой пример применения компьютерного зрения в медицине для создания новых неинвазивных диагностических инструментов.