Проект реализуется в рамках программы "ПРИОРИТЕТ 2030".
Достижение поставленной цели проекта будет осуществляться путём реализации научных тематик, соответствующих направлениям Стратегии научно-технологического развития Российской Федерации (Указ Президента Российской Федерации от 1 декабря 2016 г. № 642 «О Стратегии научно-технологического развития Российской Федерации»). Финансирование этих научных тематик будет осуществляться за счёт внебюджетного и/или конкурсного бюджетного финансирования, в том числе средств гранта в форме субсидии из федерального бюджета, предоставленного на оказание поддержки Программы развития УрФУ на 2021-2030 гг. в рамках реализации программы стратегического академического лидерства «Приоритет-2030» (Постановление Правительства Российской Федерации от 13 мая 2021 года № 729), которые будут направлены на реализацию научной тематики «Центр обработки сигналов и изображений методами искусственного интеллекта», прошедшей конкурсный отбор.
Описание реализуемой за счёт средств ПСАЛ «Приоритет 2030» научной тематики «Центр обработки сигналов и изображений методами искусственного интеллекта»:
Решаемая проблема: в рамках проекта планируется проведения исследований в области использования современных методов машинного обучения и искусственного интеллекта в задаче обработки сигналов и изображений (многомерных сигналов) в измерительных системах промышленного, медицинского и других назначений.
Актуальность решения обозначенной проблемы: Успешное широкое использование машинного обучения как области искусственного интеллекта в приложениях к обработке одномерных сигналов и изображений (многомерных сигналов) началось в конце 20 – начале 21 века. Например, одним из первых примеров успешного использования глубокой нейронной сети было ее применение для решения задачи компьютерного зрения в 2012 году. С этого момента началась новая эпоха исследований методов машинного обучения. Многие группы исследователей (как в научных, так и в коммерческих целях) делали и делают успешные попытки применения данных методов в задаче повышения точности измерительных систем промышленного, медицинского и других назначений. Однако в данной области не существуют единых решений или алгоритмов их синтеза. Поэтому решение каждой конкретной проблемы требует проведения отдельных исследований. Такие исследования могут быть направленны как на оптимизацию самих алгоритмов исследований, например, архитектур нейронных сетей или методов ручного выделения признаков и получения по ним результатов, так и на оптимизацию процесса обучения алгоритмов как такового, а также на исследования наборов данных для них. Результатами таких исследований, как правило, является решений таких проблем, как повышение точности для отдельных приложений, так и повышение быстродействия методов решений или диапазона применимости. В некоторых случаях также важна интерпретируемость результатов. При этом следует отметить, что остается широкий круг промышленных медицинских и других аналогичных приложений, которые не имеют сегодня даже базовых решений в области искусственного интеллекта.
Обозначенные выше особенности использования машинного обучения как области искусственного интеллекта в приложениях к обработке одномерных сигналов и изображений (многомерных сигналов) в промышленных, медицинских и других приложениях делают актуальное проведения широких и массовых исследований в этой области.
Описание задач, предлагаемых к решению:
В рамках проекта планируется решение таких задач, как
1.Исследование методов обработки сигналов в локационных измерительных системах на базе методов машинного обучения и искусственного интеллекта.
2.Исследование и разработка интерпретируемых алгоритмов анализа биомедицинских сигналов на базе методов машинного обучения и искусственного интеллекта.
3.Исследование методов обработки изображений в системах машинного зрения на базе методов машинного обучения и искусственного интеллекта.
Практическая значимость:
В результате исследований будут предложены и обоснованы новые методы решения задач обработки сигналов и изображений, которые позволят расширить перечень приложений потенциального использования изучаемых средств измерений, в том числе повысить точность в текущих приложениях и/или предложить новые области их применения. В том числе, для повышения точности обработки изображений в задачах сегментации тонких продолжительных объектов (линейных объектов); обработки биомедицинских сигналов и извлечения из них полезных, информативных параметров при помощи интерпретируемых алгоритмов; для повышения точности обработки сигналов и изображений в присутствие помех и шумов широкого перечня без ручной перестройки измерительных систем под каждую конкретную ситуацию.
В области обработки сигналов и изображений (многомерных сигналов) является одним решающих факторов в области разработки новых средств измерений, в том числе, в рамках перехода к новым интеллектуальным производственным технологиям. В настоящее время в данных областях, имеет место тенденция повсеместного перехода на использование методов машинного обучения, в том числе переход к использованию глубоких нейронных сетей, то есть к так называемым методам на основе искусственного интеллекта. Использование данных подходов позволяет повысить точность измеряемых показателей в наиболее широком диапазоне внешних условий, в том числе помехи различных источников и видов, нестационарные условия работы и так далее. Однако на сегодня использование подходов на основе машинного обучения представляет собой широкий фронт исследовательских задач. Это связано с тем, что данные подходы основаны на извлечении знаний из данных как таковых. Таким образом, специальные исследования должны быть проведены и методы предложены для каждого конкретного вида задач. Большинство типичных задач среди обсуждаемых на сегодня не имеют стандартных зарекомендовавших себя решений и представляют собой открытый предмет исследований. Такие исследования могут быть связаны, например, с разработкой новых архитектур глубоких нейронных сетей, их использованием в новых применениях, оптимизация процесса обучения нейронных сетей, а также ряд сопутствующих вопросов. Также применение методов машинного обучения в промышленных и некоторых других измерительных системах (например, медицинских) связано с задачей повышением надежности и быстродействия результатов работы.
План работ на 2022-2024 год:
2022 год
1. Сбор и публикация офтальмологической биомедицинской базы данных для проведения анализа сигналов электроретинограмм и зрительных вызванных потенциалов в рамках разрабатываемой системы поддержки принятия решений врачом-офтальмологом на базе методов машинного обучения и искусственного интеллекта.
2. С применением известных методов машинного обучения, например, на основе решающих деревьев и логистической регрессии, проведение анализа собранной базы данных и последующая оценка возможностей повышения точности диагностики выявления отклонений от нормы по сигналам электроретинограммы и зрительных вызванных потенциалов за счёт использования персонализированных особенностей пациентов.
2023 год
1. Исследование возможностей использования шейплетов, деревьев временных рядов, эластичных ансамблей и других подходов на основе классификации временных рядов для анализа офтальмологической биомедицинской базы данных.
2. Исследование интерпретируемости алгоритмов машинного обучения и искусственного интеллекта для анализа собранной базы офтольмологических биомедицинских сигналов. Оценка возможности получения высокоточных результатов при сохранении интерпретируемости для различных алгоритмов машинного обучения..
2024 год
1. Исследование возможностей распространения достигнутых результатов применения алгоритмов машинного обучения и искусственного интеллекта, в том числе результатов интерпретируемости и результатов использования известных методов, на новые данные полученные от предприятий-партнеров.
2. Разработка программных продуктов, позволяющих учитывать врачем-офтольмологом персонализированные особенности пациентов при диагностике по сигналам электроретинограммы и зрительных вызванных потенциалов при помощи исследованных ранее методов, в том числе с возможностью использования интерпретируемых подходов.
3. Верификация разработанного пилотного программного обеспечения с привлечением специалистов предприятий-партнеров, в том числе АО Екатеринбургский центр МНТК «Микрохирургия глаза».
Коллектив Научного центра компетенций руководствуется в своей работе Положением о научных центрах компетенций СМК-ПВД-7-01-287-2022, введённым в действие приказом №439/03 от 04.05.2022.