Инфракрасный датчик улучшит диагностику болезней уха
Американские ученые расширили возможности прибора для визуализации среднего уха (отоскопа), использовав вместо видимого света коротковолновое инфракрасное излучение. Результаты работы опубликованы в журнале Proceedings of the National Academy of Sciences.
Воспаление среднего уха — средний отит — одно из самых распространенных ЛОР-заболеваний (уступает только инфекциям верхних дыхательных путей), особенно в детском возрасте. Его основные проявления — боль и скопление жидкости во внутреннем ухе. Только в США подобный диагноз ставят примерно восьми миллионам детей ежегодно. В настоящее время основным методом диагностики среднего отита служит пневмоотоскопия — визуализация барабанной перепонки и находящихся под ней структур среднего уха видимым или околоинфракрасным светом с длиной волны от 400 до 1000 нанометров. Такой свет хорошо поглощается, отражается и рассеивается тканями, поэтому несмотря на полупрозрачность барабанной перепонки он позволяет увидеть лишь несколько миллиметров за ней и не дает четкого изображения. Из-за этого диагноз среднего отита ставится правильно лишь в 51 проценте случаев (статистика американская). Это ведет к частому назначению ненужных антибиотиков и, как следствие, распространению устойчивости к ним бактерий.
Сотрудники Массачусетского технологического института и Университета Коннектикута создали аналогичное отоскопу устройство, в котором вместо видимого света используется коротковолновое инфракрасное излучение с длиной волны от 900 до 1700 нанометров. В этот диапазон входят спектры поглощения воды, липидов и коллагена, что облегчает их визуализацию. Кроме того, при увеличении длины волны излучение меньше поглощается и рассеивается, позволяя четко увидеть более глубокие структуры среднего уха.
Более высокие разрешающую способность и глубину визуализации нового прибора по сравнению со стандартным подтвердили в пилотном эксперименте с участием 10 человек. Ученым удалось рассмотреть такие структуры среднего уха, как цепь косточек, мыс улитки, ниша круглого окна и барабанная струна. Возможность инфракрасного отоскопа четко визуализировать уровень жидкости (основной объективный симптом среднего отита) успешно проверили на модели среднего уха. В настоящее время ученые испытывают устройство на педиатрических пациентах.
По словам одной из авторов разработки Джессики Карр (Jessica Carr), инфракрасный отоскоп по внешнему виду, габаритам и принципу использования мало отличается от стандартных приборов, и врачам не придется долго привыкать к работе с ним.
В последнее время проводятся эксперименты по применению коротковолнового инфракрасного излучения для визуализации злокачественных новообразований, ожогов, гематом, нарушений кровоснабжения кишечника, а также определения стабильных и нестабильных атеросклеротических бляшек в артериях. Ранее этому препятствовала высокая стоимость технологии и ограничения, связанные с ее военным применением. Однако в последнее время число разновидностей коротковолновых инфракрасных датчиков резко возросло (они, к примеру, используются в беспилотных автомобилях), что на порядок снизило их цены с 2010 года и привело к созданию легких и компактных устройств. Один из таких датчиков нашел применение в новом отоскопе.
Олег Лищук
Он показал лучшее время на трассе, обойдя соперников на полсекунды
Инженеры разработали автопилот для гоночного дрона, управляющий беспилотником на уровне лучших людей-пилотов. Алгоритм под названием Swift, полученный с помощью метода обучения с подкреплением, способен управлять гоночным квадрокоптером, полагаясь только на данные бортовых сенсоров. В реальных полетах на тестовой трассе для дрон-рейсинга Swift смог превзойти трех профессиональных пилотов-чемпионов, выиграв у них 15 гонок из 25 и пройдя трассу с минимальным временем, которое на полсекунды меньше лучшего результата пилота-человека. Статья опубликована в журнале Nature. При поддержке Angie — первого российского веб-сервера Дрон-рейсинг — вид спорта, в котором мультикоптеры на высокой скорости проходят трассу, состоящую из последовательности ворот, через которые нужно пролететь за минимально возможное время. При этом управление происходит от первого лица, с помощью камеры и видеоочков. Современные дроны обладают очень высокой маневренностью и подвижностью: они могут резко менять направление движения, ускоряться, замедляться и совершать перевороты, а во время гонки они разгоняются до скоростей свыше 100 километров в час и подвержены перегрузкам, превышающим их собственный вес в пять раз. Это делает их пилотирование непростой задачей и требует хорошей подготовки и высокой скорости реакции оператора. Инженеры давно работают над созданием автопилота, который мог бы управлять дроном на уровне профессиональных пилотов. Помимо участия в дрон-рейсинге такая способность может пригодиться и в обычной жизни — мультикоптеры обладают невысокой энергоэффективностью, поэтому способность быстро летать и успешно маневрировать в окружении большого числа препятствий напрямую связана с успешностью выполнения задач. Инженеры под руководством Давида Скарамузза (Davide Scaramuzza) из Цюрихского университета уже имеют опыт разработки эффективных алгоритмов управления для дронов. К примеру, ранее они создали автопилот, способный управлять квадрокоптером на скорости от 3 до 7 метров в секунду в лесу между деревьев, полагаясь только на данные с бортовых сенсоров. В своей новой работе инженеры представили алгоритм под названием Swift. Он способен эффективно управлять гоночным квадрокоптером на уровне профессионального пилота дрон-рейсинга. Swift состоит из двух основных модулей: системы восприятия, которая переводит изображение от бортовой камеры дрона и данные от инерционного измерительного блока IMU в низкоразмерное представление, а также системы управления, которая принимает на вход низкоразмерное представление, созданное системой восприятия, и генерирует управляющие команды для электромоторов дрона. В модуль системы восприятия также входит алгоритм, вычисляющий текущее положение дрона в пространстве на основе данных камеры и инерционно-измерительного блока. Эта информация через фильтр Калмана объединяется с данными об относительном положении гоночных ворот, обнаруженных предварительно обученным нейросетевым детектором объектов в видеопотоке, после чего передается на вход системы управления, которая состоит из двух скрытых слоев, по 128 нейронов в каждом. Система управления тренировалась в симуляции с использованием модельно-свободного глубокого обучения с подкреплением. Этот метод обучения использует метод проб и ошибок, чтобы максимизировать величину параметра вознаграждения. В данном случае вознаграждение было максимальным в случае, если дрон следовал в сторону центра ближайших ворот таким образом, чтобы следующие ворота оставались в поле зрения камеры. Чтобы учесть различия между симуляцией и реальной динамикой полета, в процессе обучения информацию симулятора дополнили данными из реального мира, записанными с помощью системы захвата движений. Оценку автопилота провели на трассе для дрон-рейсинга, состоящей из семи ворот, установленных на квадратной площадке с длиной стороны 30 метров. Длина маршрута через все ворота составляла 75 метров. Алгоритм соревновался с тремя профессиональными пилотами Алексом Вановером (Alex Vanover), Томасом Битматтой (Thomas Bitmatta) и Марвином Шэппером (Marvin Schaepper). Все участники использовали гоночные дроны с одинаковыми характеристиками. Перед испытательными соревнованиями у пилотов была неделя для знакомства с трассой. В соревнованиях каждый из пилотов стартовал одновременно с дроном под управлением автопилота. Победителем становился тот, кто быстрее пролетит через все ворота на трассе в правильном порядке три раза. По результатам Swift смог выиграть у своих соперников в совокупности 15 гонок из 25, а также установил рекорд трассы, пролетев ее быстрее на полсекунды, чем остальные участники. https://www.youtube.com/watch?v=fBiataDpGIo&t=1s Инженеры разрабатывают гоночные автопилоты и для автомобилей. Например, инженеры из подразделения искусственного интеллекта компании Sony создали алгоритм автопилота GT Sophy, который с помощью обучения с подкреплением научился проходить за минимальное время трассы в гоночном автосимуляторе Gran Turismo Sport. В настоящих киберспортивных соревнованиях GT Sophy не только показала лучшее время в одиночных заездах, но и смогла победить команду лучших игроков в совместных гонках, набрав больше всего очков.