Классификация опухолей мозга с помощью оптимизированной ResNet50 и динамической оптимизации точности для повышения скорости и диагностической точности

Умнее сканы, быстрее ответы

Опухоли мозга — одни из самых пугающих диагнозов, с которыми может столкнуться человек, и каждая сэкономленная часовая единица при их обнаружении и классификации может иметь значение. В этом исследовании представлена новая система искусственного интеллекта (ИИ), которая читает МРТ мозга с почти идеальной точностью, потребляя при этом меньше вычислительных ресурсов, чем многие существующие методы. Такое сочетание скорости, точности и эффективности может помочь внедрить продвинутую диагностическую поддержку не только в крупных больницах, но и в клиниках с более скромным аппаратным обеспечением.

Почему обнаружение опухолей мозга так сложно

Опухоли мозга бывают разных форм, размеров и локализаций, и даже экспертам бывает трудно различить тонкие отличия на МРТ. Череп — закрытое, неподатливое пространство, поэтому любое аномальное образование может нарушать жизненно важные функции мозга, делая раннюю и точную диагностику крайне важной. МРТ — предпочтительный метод визуализации, потому что она даёт детальные изображения мягких тканей без вредного излучения. Но по мере роста объёмов данных и более детальной классификации типов опухолей радиологи сталкиваются с огромным количеством изображений для анализа. Это стимулировало интерес к компьютерным системам, которые автоматически отмечают и классифицируют опухоли, помогая врачам работать быстрее и замечать детали, которые иначе могли бы быть пропущены.

Опора на проверенную ИИ-архитектуру

Исследователи взяли за основу ResNet50, широко используемую модель глубокого обучения, показавшую высокую эффективность в распознавании шаблонов на повседневных фотографиях. ResNet50 популярна благодаря своим «коротким» соединениям, которые позволяют ей быть очень глубокой, не теряя устойчивости при обучении. Однако стандартная версия рассчитана на триканальные изображения и большие наборы данных и требует много памяти — проблема для градаций серого МРТ и типичного больничного оборудования. Команда адаптировала первый слой ResNet50 для прямой обработки одноканальных МРТ и заменила громоздкий универсальный выходной слой более лёгким, специализированным классификатором, настроенным на четыре категории: глиома, менингиома, гипофизарная опухоль и отсутствие опухоли.

Больше возможностей при меньших вычислениях

Чтобы сделать систему быстрой и точной, авторы ввели метод динамической точности, который в реальном времени определяет, с какой степенью тщательности каждой части сети нужно выполнять вычисления. Большинство тяжёлых слоёв обработки изображений работают в пониженной точности — это быстрее и экономит память, в то время как чувствительные операции, такие как нормализация и финальные решения, выполняются в полной точности для устойчивости. Также использовали перенос обучения: модель переиспользует знания, полученные на миллионах общих изображений, а затем дообучается на меньшей базе МРТ мозга. Аугментация данных — простые зеркалирования, повороты и изменения яркости — дополнительно учит сеть распознавать опухоли при незначительных вариациях сканов. В совокупности эти шаги сократили число параметров примерно на 3,7%, уменьшили время обучения более чем на 12% и снизили использование видеопамяти более чем на 40% без потери качества работы.

Делая решения ИИ более понятными

Высокая точность сама по себе недостаточна в медицине; врачам также важно понять, почему ИИ пришёл к тому или иному выводу. Чтобы решить эту задачу, исследователи создали вторую, «гибридную» версию своей системы. В этой конфигурации ResNet50 выступает в роли извлекателя признаков, превращая каждую МРТ в детальный числовой отпечаток. Вместо того чтобы напрямую передавать его в типичный выходной слой глубокого обучения, они подают его в случайный лес (Random Forest) — классический метод машинного обучения, состоящий из множества деревьев решений. Такой подход позволяет ранжировать, какие признаки влияют на каждое решение, и генерировать визуальные карты, показывающие области мозга, на которых сеть сосредоточилась. В тестах гибридная система достигла 99.31% точности — немного ниже чистой модели глубокого обучения, но с преимуществом более прозрачного и прослеживаемого обоснования.

Производительность на уровне более сложных моделей

Команда оценивала свои методы на публичном наборе из 7023 МРТ-изображений, взятых из трёх известных датасетов и разделённых на четыре класса. Оптимизированная ResNet50 достигла общей точности 99.69%, правильно классифицировав почти все случаи с опухолью и без неё. Модель показала 100% точности для глиомы, гипофизарных и здоровых снимков и почти идеальные показатели для менингиомы. Детальные тесты продемонстрировали высокую чувствительность и специфичность для каждого класса, что означает: модель хорошо обнаруживает истинные опухоли и редко даёт ложные срабатывания. В сравнении с многочисленными современными подходами — включая более глубокие сети и сложные гибридные схемы — оптимизированная ResNet50 либо сравнима, либо превосходит их, при этом использует меньше параметров и эффективно работает на стандартных графических картах.

От исследований к радиологическому отделению

Авторы видят свою систему как инструмент поддержки принятия решений, интегрируемый в рабочие процессы визуализации в больницах, а не как замену радиологам. На практике МРТ-сканы будут поступать из существующих больничных систем в ИИ-модель, которая быстро предложит категорию опухоли и выделит ключевые области интереса. Радиологи затем просматривают эти предложения вместе с исходными изображениями, сочетая человеческое суждение с машинной скоростью. В работе отмечается, что необходима дополнительная проверка, особенно на более крупных и разнообразных многопрофильных наборах данных, а также включение других методов визуализации. Тем не менее результаты указывают на то, что грамотно спроектированный ИИ с учётом ресурсов может предоставить быстрое, точное и интерпретируемое пособие при диагностике опухолей мозга, потенциально улучшая помощь даже в условиях с ограниченной вычислительной мощностью.

Цитирование: Mehrdad, V., Talebzadeh, R. & Fazaeli, N. Brain tumor classification using optimized ResNet50 with dynamic precision optimization for enhanced speed and diagnostic accuracy. Sci Rep 16, 9263 (2026). https://doi.org/10.1038/s41598-026-39926-1

Ключевые слова: МРТ опухолей мозга, диагностика с помощью глубокого обучения, оптимизация ResNet50, медицинские изображения ИИ, классификация опухолей