Машинное обучение, нейросети и искусственный интеллект — где мы только не слышим сегодня эти слова. Область применения их обширна, в том числе и в обработке медицинских изображений головного мозга, которой занимается Александр Фёдоров — выпускник МИЭТа 2016 года (кафедра высшей математики №1). Александр сейчас обучается по докторской программе в Технологическом институте Джорджии (Атланта, США) и занимается созданием алгоритмов для обработки изображений методом обучения без учителя. Подробнее — в нашей статье. 

Лабиринт красных стен

Всё началось с МИЭТа. Когда я поступил в университет, в первый год мы не были распределены на кафедры и была возможность изменить направление подготовки. То есть сначала все студенты потока учились базовым предметам, а потом выбирали, на какой кафедре продолжить обучение.

В то время многие хотели стать программистами. Изначально я тоже думал пойти на программную инженерию, но выбрал высшую математику, потому что первый курс открыл во мне больший интерес к математике, чем к программированию.

В университете мне очень нравились первые два года обучения, я получил хорошую базу. К концу бакалавриата у нас открылась лаборатория профессора кафедры ВМ-1 Сергея Владимировича Умняшкина «Компьютерное зрение и семантический анализ изображений» (центр располагался в восьмом корпусе МИЭТа, аудитория 8201). Там мы работали над проблемами компьютерного зрения. Я занимался распознаванием дорожных знаков с помощью алгоритмов машинного обучения. Именно с этого проекта у меня появился большой интерес к обработке изображений и к компьютерному зрению.

Потом я перешёл в машинное обучение, потому что считаю, что это более широкая область. На кафедре были знакомые успешные выпускники, которые мотивировали работать усерднее и делать больше.

У нас был курс по продвинутому программированию на С++ от CQG, и это тоже оказало очень большое влияние на мою карьеру, потому что там реально научили программировать. В основном МИЭТ даёт хорошую базу, но для меня всегда было интересно развиваться дальше. Поэтому я изучал больше, проходил дополнительные курсы на Coursera и так далее.

Из Зеленограда в Атланту

Потом я продолжил учиться в магистратуре на кафедре ВМ-1 по направлению цифровой обработки сигналов и изображений. В конце первого курса магистратуры участвовал в хакатоне, где мы с командой занимались решением проблем искусственного интеллекта. Была задача, в которой компьютер обучался играть, и в некоторых играх он достигал результата лучше, чем человек. Это были предварительные итоги, но хакатон оказался очень интересен. Хотя я не сразу был участником, а поехал туда как слушатель. Но так получилось, что меня пригласили в команду, и я помогал ребятам решить поставленную проблему. В итоге наша команда выиграла и получила главный приз – оплачиваемую поездку на конференцию NeurIPS.

В лаборатории «Компьютерное зрение и семантический анализ изображений» МИЭТ

На хакатоне я познакомился со своим будущим научным руководителем. На конференции по искусственному интеллекту NeurIPS он предложил поступить в Университет Нью-Мексико (University of New Mexico). Таким образом я присоединился к лаборатории MIALab, которая занимается обработкой медицинских изображений головного мозга.

Мы стараемся понять, распознать биомаркеры различных патологий и заболеваний головного мозга. Например, у человека есть какое-то заболевание – допустим, Альцгеймер, – и мы пытаемся определить его с помощью МРТ и научить этому компьютер. Я начал работать над алгоритмами сегментации. У меня на входе было изображение головного мозга, и мне требовалось раскрасить его регионы, а также определить, в каком конкретно регионе проблема и с чем она связана. В общем, это был первый мой проект.

Deep Learning Reinforcement Learning (DLRL) Summer School 2019 в Edmonton, Alberta, Canada

Потом я попал на летнюю стажировку в Монреале. Я работал над методами обучения без учителя. Идея заключается в следующем: берут изображение и для него пытаются обучить нейронную сеть, чтобы в результате получить некоторый код для этого изображения, максимизирующий взаимную информацию. Далее код может использоваться для классификации или других возможных задач. Основная особенность в том, что, используя такой алгоритм, можно получить «cжатое» представление изображения и при этом сохранить его предсказательные свойства. Это была стажировка

лаборатории Mila – пожалуй, самый большой шаг в моей карьере, потому что лаборатория очень сильная и основана Yoshua Bengio, лауретом ACM A.M. Turing Award 2019 за нейронные сети. Там над проблемами машинного обучения и искусственного интеллекта работает где-то 400 человек. Наверное, это самое интересное место, где я был. Среда в лаборатории позволяет очень быстро развиваться.

Сейчас я уже не работаю в MIALab, потому что директор нашей лаборатории получил новую позицию в другом месте. Пришлось окончить университет в Нью-Мехико со второй степенью магистра в Electrical & Computer Engineering.

Так как директор лаборатории получил новую должность, все переехали в Атланту, и я поступил в Технологический институт Джорджии (англ. Georgia Institute of Technology – прим. ред.). Это один из известных университетов, занимающий верхние позиции в рейтингах. Теперь я здесь уже второй год. Обучаюсь на втором курсе по докторской программе.

Обучение без учителя

Проект сейчас у меня на основе того, что я делал раньше во время стажировки в Mila. То есть я занимаюсь методами обучения без учителя, пытаюсь задействовать алгоритмы общего применения при обработке медицинских изображений. Я решаю более сложную проблему, используя не одно изображение, а пару. Например, есть изображение по времени, созданное с использованием функционального МРТ, которое измеряет активность головного мозга, и есть анатомическое структурное изображение МРТ. Эти два изображения могут иметь некоторую общую и не общую информацию, которая в случае совместного обучения позволяет улучшить представление этих данных, полученных через нейронную сеть.

Интересы и хобби

Основной интерес – понять больше про нейронные сети. Так как я учился на высшей математике, мне интересна именно математическая часть. Ибо математика позволяет обобщать алгоритмы, оптимизировать их и тем самым улучшать обучение нейронных сетей. Существует очень много тонкостей и в машинном обучении, и в нейронных сетях, и хотя там действительно много инжиниринга, всё же важно понимать математику.

Александр на хакатоне, первый курс магистратуры МИЭТ

Помимо исследований, мне интересны фотография и велосипед – ещё учась в МИЭТе, я начал заниматься велоспортом в клубе «Зелбайк».

Фотографией я увлёкся, когда приехал учиться в США. Сейчас я фотографирую не так много, но раньше, когда было время съездить куда-то, делал фотографии пейзажей.

Секрет успеха учёного

Учёный прежде всего должен исследовать, но этого недостаточно, так как направлений для исследований очень много, а вы, возможно, одни из тех немногих, кто является экспертом в вашей области. Чтобы быть успешным, нужно уметь рассказать про ваши исследования – так сказать, прорекламировать. Вам также необходимо учить людей. Обучая других тому, что делаете, вы начнёте больше понимать в своей области. Также при этом вы будете строить связи с людьми, которые могут привести к свежим идеям и новым коллаборациям.

Обобщая про качества, первое и самое важное – делать сами исследования. Это большая работа, на которую нужно тратить много времени и сил. Второе – умение рассказать про ваши исследования и их значимость, потому что люди должны понимать, для чего эти исследования необходимо проводить. А третье качество заключается в том, что нужно быть в некотором смысле учителем.

Я думаю, именно эти три качества важны для успеха людей в научной среде.

Мария Чудакова