Новый подход повысит точность диагностики социально значимых заболеваний

«Для уменьшения шумов есть различные фильтры, однако подавляющее большинство из них одновременно с фильтрацией искажает полезный сигнал. Например, широко используемый фильтр Гаусса приводит к «размыванию» сигнала. Это можно сравнить с картинкой с расплывчатыми границами», – поясняет заведующий лабораторией лазерного молекулярного имиджинга и машинного обучения ТГУ Юрий Кистенев.

Ученые лаборатории ТГУ обучили глубокую нейросеть на большой выборке данных, в том числе зашумленных. Затем нейросеть протестировали на других спектральных данных, которые не использовались в обучении нейросети. Модельные эксперименты оказались успешными: новый подход позволил не только снизить уровень помех, но и восстановить исходный сигнал из зашумленного.

По словам специалистов, технологию можно адаптировать под разные оптические методы и другие виды спектрального анализа. Например, использовать нейросеть, способную «очищать» сигнал от шума, для создания новых методов диагностики заболеваний по выдыхаемому воздуху. Работа идет на базе лаборатории при поддержке мегагранта правительства РФ.

Подход разработан в рамках проекта, реализуемого учеными Томского госуниверситета совместно с коллегами из Университета прибрежного опалового побережья (Франция) при поддержке Минобрнауки РФ. Лаборатория создана в рамках нацпроекта «Наука и университеты».

Исследование опубликовано в журнале Journal of Quantitative Spectroscopy and Radiative Transfer.