На информационном ресурсе применяются рекомендательные технологии (информационные технологии предоставления информации на основе сбора, систематизации и анализа сведений, относящихся к предпочтениям пользователей сети "Интернет", находящихся на территории Российской Федерации)

Тайная доктрина

2 004 подписчика

Свежие комментарии

  • Виктор Фоменко
    Обстрелы мирного населения - это излюбленная тактика бандеровцев ещё со времени Великой Отечественной войны, а не с 2...Пора навсегда оту...
  • Юрий Ильинов
    Wirbeiwind: что представляла собой ЗСУ вермахта, построенная на основе Panzerkampfwagen IV В 1944 году в нацистской Г...Почему именно Фра...
  • Юрий Ильинов
    Глава ФСБ заявил о необходимости признать СБУ террористической организацией Глава ФСБ Александр Бортников подчеркнул,...Почему именно Фра...

В России появится уникальный робот для УЗИ: медицинская диагностика станет точнее и безопаснее

www.techinsider

 

В России появится уникальный робот для УЗИ: медицинская диагностика станет точнее и безопаснее

В России создаётся уникальный медицинский робот для проведения ультразвуковой диагностики в автономном режиме RoboScan. Промышленно выпускаемых роботов такого типа пока не существует ни в нашей стране, ни за рубежом.

Московский авиационный институт принимает участие в проекте: здесь провели сборку и отладку прототипа устройства. Также его оснастили оригинальным программным обеспечением. Сейчас робот готовится к стендовым испытаниям на базе Первого Московского государственного медицинского университета им. И.М. Сеченова.

Концепция проекта

Проект RoboScan был запущен в 2020 году. Это роботизированный автономный комплекс для проведения УЗИ, разделяющий процессы получения данных обследования и их анализа.

«Такое решение позволяет исключить необходимость присутствия врача УЗ-диагностики во время проведения процедуры, – рассказывает руководитель проекта и генеральный директор ООО "Робоскан" Артём Бадриев. – Уходит выраженная оператор-зависимость: принимать пациента могут медицинские работники среднего звена, лаборанты, а врач подключается уже на этапе расшифровки полученных снимков. Сама процедура проводится по заранее заложенной траектории в зависимости от зоны исследования. Подобрать подходящий датчик и запустить программу помогает присутствующий при приёме пациента лаборант». 

Таким образом, разрабатываемый комплекс позволит снизить нагрузку на врачей и заменить квалифицированных специалистов там, где потребность в них не закрыта. Ещё один плюс – результат смогут независимо друг от друга оценить несколько врачей, что потенциально повысит качество диагностики.

Технические решения

В 2021 году к проекту присоединились специалисты Московского авиационного института, которые взяли на себя модернизацию аппаратной части и разработку программного обеспечения. Отдел разработки ПО возглавил доцент кафедры 704 «Информационно-управляющие комплексы летательных аппаратов» Николай Бодунков, за конструктивные решения отвечал доцент кафедры 701 «Авиационные робототехнические системы» Виталий Полянский. К команде присоединились сотрудники кафедры 704 Илья Мохов, Вячеслав Розовляк и Мария Золотенкова, а также руководитель СКБ-4 МАИ Василий Егоров.

«В рамках сотрудничества был создан программно-аппаратный комплекс управления роботом, включающий собственную электронику и весь софт. Это программы управления манипулятором, перемещения его в нужные точки, опроса датчиков и другие, – говорит Виталий Полянский. – В сущности, наша работа заключалась в том, чтобы понять, каким требованиям должен отвечать робот для автономного проведения УЗИ, в том числе с точки зрения безопасности, точности и так далее, и найти соответствующие решения». 

Например, команда МАИ интегрировала в контур управления роботом датчик давления, созданный командой RoboScan.

«Датчик позволяет контролировать силу нажатия на рабочую поверхность при проведении УЗИ с учётом дыхания, движений и особенностей телосложения пациента. В дальнейшем планируется добавить систему сенсорных датчиков, чтобы пациент, почувствовав дискомфорт, мог остановить процедуру и перевести робота в безопасное положение одним прикосновением к нему», – поясняет Николай Бодунков.

Сейчас отрабатываются алгоритмы проведения роботом УЗИ органов малого таза. В частности, в МАИ проводились испытания на силиконовом макете, включающем в себя напечатанные на 3D-принтере кости таза и шар с водой, имитирующий мочевой пузырь. В дальнейшем RoboScan «научат» делать УЗИ и других областей.

Перспективы развития

Робот УЗИ станет удобным инструментом не только для обследования пациентов, но и для сбора медицинских данных.

«Сейчас не существует базы данных по ультразвуковым исследованиям, так как записывается меньше 1% проводимых процедур, – говорит научный консультант проекта Игорь Шадёркин. – С помощью робота мы сможем создать такую базу из набора DICOM снимков или реконструированных 3D-моделей органов. Впоследствии этот массив информации может лечь в основу фундаментальных изменений в области УЗИ, например, способствовать внедрению в неё искусственного интеллекта». 

Кроме того, использование робота позволит объединить данные УЗИ с данными МРТ, КТ и другими: совмещая разные типы изображений, можно получить более информативную картину. При «ручном» исследованиипровести такое объединение практически невозможно.

«После лабораторных испытаний прототипа в Первом МГМУ им. И. М. Сеченова и предварительного сбора статистики мы приступим к созданию предсерийного образца, – делится планами Артём Бадриев. – Подготовить документы на сертификацию медицинского устройства предполагается уже через год». 

-

Триллион кадров в секунду: как снимает камера, позволяющая запечатлеть невидимок

Ученые продолжают раздвигать границы возможностей современных камер. Недавно они разработали устройство, способное снимать с частотой до триллиона кадров в секунду.
Василий Макаров
Триллион кадров в секунду: как снимает камера, позволяющая запечатлеть невидимок

На первый взгляд цифра ошеломляет, но это не рекорд, поскольку другая команда разработала камеру, которая может делать 10 триллионов снимков в секунду еще в 2018 году. Однако у новинки есть своя уникальная особенность: она может захватывать прозрачные объекты и другие явления, невидимые невооруженным глазом, такие как ударные волны.

Несмотря на то, что эта невероятная технология вряд ли пригодится при создании селфи, исследователи обещают найти ей множество научных применений в области физики, биологии и химии. Сама камера использует все ту же инновационную технологию, что и предшественник, где измерения интенсивности света сочетаются со статическим изображением и сложными математическими алгоритмами, позволяющими получить потрясающие кадры.

Новым на этот раз является дополнительный ингредиент, фазово-контрастная микроскопия: это фотографическая техника, где изменения в относительных положениях световых волн, когда они проходят через различные плотности, преобразуются в изменения яркости. Она позволяет видеть прозрачные объекты – к примеру клетки, состоящие в основном из воды.

Команда Caltech уже провела успешные испытания своего устройства и зафиксировала распространение ударной волны в воле и лазерного импульса в кристаллическом материале. В будущем эту технологию можно будет объединить с рядом других систем, что позволит еще сильнее расширить функционал. По словам авторов работы, с помощью камеры можно будет даже отслеживать распространение сигналов по нервным волокнам в режиме реального времени.

-

5 самых необычных роботов-животных: сделано человеком

Сегодня мы представляем вашему вниманию роботов, на создание которых ученых вдохновили представители животного мира. Летающие, ползающие и даже бегающие устройства — все, что нашло воплощение в современной науке.
Василий Макаров
  • Разработанный профессором Марком Каткоски и его коллегами из Стэндфордского университета, StickyBot III является последней версией оригинального робота-геккона, созданного в 2006 году. Цель его создания – изучение направленной сухой адгезии, которая подражает липким подушечкам на лапах геккона. Геометрия поверхности искусственных липучек дает роботу возможность прилипать к стеклу, окрашенному металлу и полированному граниту. Тем не менее, сами его «лапки» совершенно не липкие на ощупь.
    Разработанный профессором Марком Каткоски и его коллегами из Стэндфордского университета, StickyBot III является последней версией оригинального робота-геккона, созданного в 2006 году. Цель его создания – изучение направленной сухой адгезии, которая подражает липким подушечкам на лапах геккона. Геометрия поверхности искусственных липучек дает роботу возможность прилипать к стеклу, окрашенному металлу и полированному граниту. Тем не менее, сами его «лапки» совершенно не липкие на ощупь.
Еще один пример заимствования идей у природы – роботы, создаваемые для поисковых и спасательных операций. Роботы из CMU Robotic Institute, по заверениям ученого Мэттью Трэверса, предназначены для использования в качестве надежных транспортных и связующих элементов. При этом он отметил, что движения, при помощи которых робот взбирается на крутые склоны, не похожи на то, как двигаются настоящие змеи.

Люди всегда заимствовали самые важные технологии у лучшего инженера планеты Земля — у природы. Сегодня, когда робототехника уже стала основной тенденцией технологического развития, все новые и новые зооморфные формы входят в нашу жизнь в качестве электронных помощников. О самых интересных из них вы и узнаете сегодня.

-

С машинами на одном языке: как компьютеры «слышат» музыку и для чего используют этот навык

Эксперименты с генерацией музыки с помощью искусственного интеллекта начались еще в 50-х годах прошлого века. С тех пор нейросети научились «понимать» и распознавать песни, определять наши вкусы в стриминговых сервисах и даже писать музыкальные произведения на основании данных о движении небесных тел. Как искусственный интеллект работает со звуком и какие прорывные продукты, созданные «кибер-композиторами», мы будем использовать в будущем, рассказывают специалисты «Яндекса».
Компания "Яндекс"
С машинами на одном языке: как компьютеры «слышат» музыку и для чего используют этот навык

Как компьютер «видит» звук? 

Чтобы машина могла распознать или даже написать мелодию, ей необходимо познакомиться с сотнями музыкальных примеров. Но как поместить звук внутрь компьютерной нейросети, каким образом она может их воспринять? Вспомним учебник физики за девятый класс: источником звука всегда является колеблющееся тело. Это может быть мембрана барабана, натянутая струна или диффузор динамика в наших колонках. Колебания этих тел передаются по воздуху в виде множества волн, попадают на барабанную перепонку человека, раздражают окончания слуховых нервов, и мы слышим звук. 

У машины этот процесс протекает иначе. Чтобы она «услышала» музыку, ее нужно преобразовать в набор цифр, понятный компьютеру. Преобразование в цифровой код происходит благодаря процессам дискретизации и квантования. Информация приходит в компьютер в виде непрерывной звуковой волны, «переведенной» в электрический ток. Чтобы описать ее на языке цифр, специальный преобразователь «нарезает» эту волну на очень маленькие отрезки длиной в несколько миллисекунд. Это дискретизация — процесс, когда непрерывная волна становится поделенной на части, то есть дискретной. Однако даже в самых крохотных отрезках звук представляет собой продолжительный кусочек волны. Для удобства преобразователь «округляет» его значения, измеренные во время дискретизации, и представляет в виде точки. Такой процесс называется квантованием. 

В итоге вся волна превращается в набор точек, которым остается только присвоить цифровые коды. Другими словами, мы получаем большой набор цифр, описывающий каждый фрагмент песни. Эти числа можно внести в одну большую таблицу, а можно отобразить наглядно в виде спектрограммы. Так называют графическое изображение звуков в системе координат, где по вертикальной оси располагаются звуковые частоты (от высоких звуков до низких), а по горизонтальной — время. Чем теплее и ярче цвет на спектрограмме, тем интенсивнее звук в этом месте. Описать спектрограмму словами непросто, так что лучше сразу посмотрите, как она выглядит. 

Еще более наглядное объяснение этого процесса дается в рамках «Урока Цифры» от Яндекса — «Цифровое искусство: музыка и IT». В этом проекте эксперты компании рассказывают о музыкальной оцифровке, теории звука, системах рекомендаций в медиасервисах, а после теоретической части участники могут попробовать самостоятельно продолжить композицию. Уроки и задания предназначены для школьников, но взрослым они тоже будут интересны.

Как ИИ распознает музыку и рекомендует песни? 

Способность искусственного интеллекта представлять музыку цифровым кодом нашла практическое применение в нашей жизни. Именно благодаря спектрограммам нейросети анализируют и распознают музыку, чтобы, например, с помощью Shazam находить похожие треки. Когда приложение «слышит» композицию, оно сравнивает ее спектрограмму со множеством других из базы данных и отыскивает совпадения. При этом искусственный интеллект распознает мелодию даже сквозь помехи вроде голосов за соседним столиком или шума машин. 

Также ИИ может удачно рекомендовать песни в стриминговых сервисах. Представим, что мы только что послушали свой любимый трек. Чтобы предложить нам следующую композицию, нейросети сравнивают нашу песню с миллионами других. В частности, ИИ анализирует большое количество спектрограмм, находит в них закономерности и с высокой точностью определяет, похожи ли два трека по жанру, используемым инструментам и даже по настроению. По сути, такие же процессы происходят и в человеческом мозге: люди отличают рок от джаза, потому что послушали много разной музыки и научились определять признаки того или иного жанра. Разница в том, что ИИ делает это на языке цифр и способен изучить трек гораздо глубже человека — буквально по тысячам параметров — и запомнить не 100 мелодий, а миллионы.

Механизм сравнения композиций активизируется и на этапе, когда разработчикам необходимо выгрузить массив новых песен в приложение. До официального релиза нейросети молниеносно анализируют композиции и определяют их основные характеристики, чтобы сразу после загрузки треков в сервис они попали в рекомендации к пользователям, которым такая музыка точно понравится. Другими словами, в момент загрузки песен нейросети уже знают, какие треки слушаем мы и какими особенностями обладают новые композиции. Сравнивая эти данные между собой, ИИ решает, порекомендовать ли нам новую песню или нет. 

Кроме треков, которые мы обычно слушаем, ИИ учитывает и данные о нашем поведении. Например, информация о том, что мы смотрим на «Кинопоиске», позволят предсказать, что мы захотим послушать в «Яндекс Музыке». Любите вестерны? Держите «The Good, the Bad and the Ugly» Эннио Морриконе. Также может учитываться и наше отношение к конкретным песням или исполнителям — сколько раз мы лайкнули композиции определенного жанра или определенного артиста, а какие песни, наоборот, оценили негативно или переключили в тот момент, когда нейросеть предложила нам их послушать. История взаимодействия с музыкой внутри сервиса складывается в статистику, которая помогает ИИ разобраться, что лучше порекомендовать конкретному человеку в тот или иной период времени. 

Еще один механизм, с помощью которого формируются рекомендации, называется коллаборативная фильтрация. Его суть в том, что людям с похожими интересами рекомендуют похожие композиции. Если два человека имеют схожие музыкальные вкусы, и один из них заинтересуется какой-то песней, то нейросеть предложит ее и второму пользователю.

«Сейчас одна из самых сложных задач – понять, как рекомендовать людям непопулярные треки, – рассказывает руководитель группы рекомендательных продуктов Медиасервисов Яндекса Даниил Бурлаков. – Если у нас есть суперизвестная песня, мы на основании статистики прослушивания можем представить, каким пользователям она будет интересна. Но когда мы имеем дело с треком, который послушало всего 100 человек, предположить, кому еще она может понравиться, гораздо сложнее. Это вопрос объема данных: в отличие от людей, машинам требуется больше информации для обучения. Если ее не очень много, остается только один путь — научить нейросети использовать имеющиеся данные и делать это более эффективно. На этом сейчас сосредоточено много усилий программистов».

Еще одна непростая задача — понять, возможно ли усовершенствовать систему рекомендаций не только за счет аналитики «внутри» сервисов, но и благодаря данным из внешнего мира. Например, можно ли использовать информацию о погоде в городах, чтобы предлагать пользователям музыку определенного жанра и настроения. Или зависит ли выбор музыки от устройства, на котором пользователь слушает композиции в конкретный момент. Если используются не наушники, а, скажем, колонка, значит ли это, что сейчас человек находится в компании? А если он находится в компании, значит ли это, что нейросетям стоит рекомендовать более лаконичные, обтекаемые и универсальные треки? 

А что насчет создания собственного произведения? 

Способность «видеть» музыку в формате цифрового кода и спектрограмм помогает искусственному интеллекту не только рекомендовать похожие треки, но и сочинять свои. 

«Процесс "творчества" начинается с обучения: нейросети "показывают" большое количество музыкальных произведений, созданных человеком, она находит в них закономерности, а потом на основе этих данных создает что-то похожее, – рассказывает руководитель службы развития технологий медиасервисов "Яндекса" Анатолий Старостин. – Например, в 2019 году нейросеть "Яндекса" проанализировала 4 ГБ классической музыки — от Баха до Шнитке — и написала пьесу, которую впоследствии исполнил оркестр "Новая Россия"».

В прошлом году команда поставила перед собой еще более амбициозную задачу — перевести в музыку астрономические данные о небесных объектах. Так на свет появился альбом «Музыка звезд». Сначала астрофизики передали разработчикам информацию о космических телах: яркость, периодичность тех или иных явлений, параметры движения. Эти данные были сведены в таблицы, а затем преобразованы в нотный текст.

«Любую табличную информацию, например, об изменении какого-либо параметра во времени, можно перевести в нотную последовательность, потому что ноты — это, по сути, таблица. Так астрофизики предоставили нам сведения об изменении солнечной активности и количестве пятен на нем, начиная с 1960 года. Мы присваивали этим данным ноты, и таким образом получалась мелодия, — объясняет музыкальный продюсер Тимур Хазиев. — После чего нам оставалось лишь художественно доработать композиции, чтобы передать характер каждого объекта. Черная дыра — это что-то трагическое, мистическое. Солнце — что-то теплое. Так и получился альбом про космос, приуроченный ко Дню космонавтики». 

А еще специалисты компании учат нейросети писать персонализированные треки. В рамках одного проекта программисты создают алгоритмы для генерации композиций, которые смогут решать конкретные задачи человека. Например, помогать сконцентрироваться перед началом работы, зарядиться для занятия спортом или, наоборот, успокоиться. Эти мелодии искусственный интеллект составляет из большой библиотеки звуков: записи отдельных инструментов, эффектов и даже вокальных партий.

«Музыка, которую генерирует нейросеть, — бесконечна, она не прерывается. То есть человеку не нужно отвлекаться на паузы между треками, на изменение динамики или настроения. Это помогает людям настроиться на нужный лад, — рассказывает Тимур Хазиев. — К примеру, музыка для пробежки генерируется в темпе 160 bpm, что соответствует средней скорости бега человека. И этот темп не меняется, пользователю не приходится подстраиваться и сбиваться с привычного такта. Все, что нужно, это выбрать "задачу", а алгоритм сгенерирует подходящий трек». 

Что ждет нас в будущем? 

В дальнейшем, по мнению специалистов, с помощью нейросетей можно будет создавать мелодии для музыкальной терапии, так как музыка оказывает сильное воздействие на человеческий мозг. Она помогает расслабиться, прийти в тонус или, например, отвлечься от плохих мыслей.

«Если позволить себе пофантазировать и пойти еще дальше, я вижу не просто умное музыкальное приложение для терапии, а целые адаптивные дома. Было бы здорово иметь системы, способные просканировать эмоциональное состояние человека, как только он перешагнул порог своей квартиры, чтобы включить нужное освещение, поменять цвет стен, выбрать на фоне подходящее музыкальное сопровождение. Я верю, что музыка сильно влияет на здоровье человека. Если понять, как именно использовать ее во благо, технология генерации треков станет незаменимой», — рассуждает Тимур Хазиев.

В мире музыки нейросети умеют уже очень многое: распознавать, рекомендовать и генерировать композиции. Во многом этого удалось добиться благодаря «переводу» звука с человеческого языка на нейросетевой. Сложность, которую теперь предстоит решить, заключается в том, что машины четко следуют загруженному алгоритму. Люди же порой отступают от правил. Благодаря этому они находят среди миллиона треков что-то кардинально отличающееся от их музыкальных предпочтений, но западающее в душу, или пишут гениальные произведения, забывая про все каноны. Но объяснить компьютеру, когда и какими инструкциями стоит пренебречь, очень сложно. Возможно, именно в эту сторону будут развиваться технологии применения ИИ в музыке, а значит, нас ждет еще более увлекательное будущее.

-

Посмотрите, как алгоритм управляет роем дронов

Большинство автономных беспилотников способны взлетать, приземляться и летать по прямой траектории, но ученые из Цюрихского университета разработали алгоритм навигации, который позволяет беспилотным квадрокоптерам выполнять впечатляющие акробатические трюки прямо в воздухе.
Василий Макаров
Посмотрите, как алгоритм управляет роем дронов

Youtube изобилует роликами, в которых операторы заставляют дронов совершать зрелищные пролеты и выполнять фигуры высшего пилотажа. Они требуют не только определенного уровня навыка управления коптером, но и тонкой настройки как ПО, так и самого аппарата. Однако подобные эксперименты – отличное свидетельство того, как на самом деле велик потенциал гражданских беспилотников.

Применив тот же подход к системе автономного управления, команда Цюрихского университета разработала искусственную нейронную сеть, которую можно обучать акробатическим маневрам с помощью программного обеспечения для имитации полета. Этот подход позволил исследователям легко моделировать различные траектории полета и акробатику, без необходимости проводить физические демонстрации, которые могут повредить коптер.

Всего за несколько часов тренировок на тренажере квадрокоптер, оснащенный алгоритмом навигации, учится использовать встроенную камеру и датчики, чтобы придумывать свои собственные команды управления для различных видов воздушной «акробатики». К ним относятся крен, мертвая петля и другие маневры, которые требуют высокой тяги и углового ускорения аппарата.

«Наш алгоритм может выполнять акробатические маневры, которые бросают вызов даже самым лучшим пилотам-людям», уверяет Давид Скарамузза, профессор робототехники в Цюрихском университете.

Хоть зрелище и в самом деле получается впечатляющим, исследователи надеются, что алгоритм может предложить больше, чем просто новый тип автономного авиашоу. Если увеличить срок службы батарей в беспилотных летательных аппаратах, те смогут пролетать куда большие дистанции, а значит алгоритм сможет проводить и прикладные задачи, такие как операции поиска и спасания, а также доставку различных грузов по воздуху.

Вы можете узнать больше об алгоритме и увидеть беспилотники в действии на видео ниже. Материал с описанием исследования опубликован в журнале Robotics: Science and Systems:

Нажми и смотри

Робот в виде гибкого щупальца проникает в легкие человека

Тонкий робот, разработанный в Университете Лидса, принимает форму щупальца, которое можно направить в глубины легких для осмотра подозрительных поражений или доставки лекарств.
Василий Макаров
Робот в виде гибкого щупальца проникает в легкие человека

Робот, вдохновленный щупальцами осьминогов и кальмаров, был задуман, чтобы расширить возможности так называемого бронхоскопа, трубчатого медицинского инструмента, используемого для исследования легких и дыхательных путей. Врачи вводят его через нос и рот в бронхиальные проходы, а затем проводят более тонкий 2-миллиметровый катетер через его внутреннюю часть и глубже в дыхательные пути.

Но у этого подхода есть ограничения в маневренности, из-за чего некоторые места остаются вне досягаемости, поэтому ученые из Университета Лидса решили разработать более гибкое устройство, которым можно было бы более точно управлять, находясь внутри тела. В результате получился робот, состоящий из соединенных между собой цилиндрических сегментов из мягкого эластомера, в которые встроены крошечные магнитные частицы.

Нажми и смотри

Будущее за медицинскими роботами

«Робот с магнитным щупальцем или катетер размером 2 миллиметра, форму которого можно контролировать, чтобы она соответствовала анатомии бронхиального дерева, может достигать большинства областей легкого и может стать важным клиническим инструментом в исследовании и лечении возможного рака легких и другие заболевания легких», — уверяет профессор Пьетро Валдастри, руководивший исследованием.

Технологии еще далеко до начала использования в больницах, но ученые считают, что ее точность и автономный характер обеспечат гораздо более эффективные средства осмотра поражений, взятия образцов тканей или доставки противораковых препаратов в труднодоступные места.

Картина дня

наверх