перенос нейросети, обученной на одних данных, на другие (другие модели приборов, протоколы и пр.) • Адаптация к шуму – нейросеть должна по-прежнему хорошо работать на новом уровне шума • Работа со сверхнизкими уровнями излучения • Удаление шума на спектральных КТ-снимках Повышение вычислительной эффективности • Обработка 20 тысяч проекций занимает много времени • Клиники вряд ли хотят отправлять данные в облако • Сжатие обученных нейросетей (квантизация, тензорные разложения) • Поиск оптимальных архитектур (AutoML) Разработка метрик качества*, адекватных нуждам конечного пользователя • Perceptual similarity metric для радиологов • Не страшно, если изображение шумное, гораздо страшнее потерять при обработке анатомию (или придумать несуществующую) – применять GANы с осторожностью • Интеграция удаления шума в проекциях и томографической реконструкции в один нейросетевой граф Актуальные задачи повышения качества изображений в КТ 10 * S. Kastryulin et al., PyTorch image quality, 2020, GitHub