Определены ключевые факторы точного совмещения МРТ с помощью ИИ

В исследовании на arXiv проведен системный абляционный анализ влияния архитектурных компонентов и функций регуляризации на глубокое обучение для совмещения медицинских изображений. Эксперименты проводились на наборе МРТ-снимков мозга OASIS (394 обучающих и 20 тестовых субъектов) с использованием четырех вариантов модели 3D U-Net.

Результаты продемонстрировали, что именно регуляризация обеспечивает большую часть прироста качества: относительный рост по метрике MSE составил 21,3%, а по NCC — 21,8%. При этом регуляризация снизила максимальную нереалистичную деформацию на 99% (с 53,1 до 0,51 единицы) фактически без дополнительных затрат времени на инференс (-0,06%).

Комбинация аффинной архитектуры и полного пакета регуляризаций показала максимальный прирост точности на 25,8% и увеличила анатомическое правдоподобие с 0,596 до 0,930 при умеренном росте времени вычислений на 9,8%. Устранение нереалистичных деформаций снимает ключевой барьер для применения модели в клинической практике.