DL-реконструкция МРТ: более чёткие изображения при в 4 раза более быстром сканировании

Задача — улучшить качество изображения, никогда не придумывая анатомию. Три ограничения, которых нет у обычного «улучшения изображений»: данные МРТ — не фотография, модель должна уважать физику k-пространства и сохранять тонкую патологию, а не сглаживать её; генеративная модель, галлюцинирующая правдоподобную ткань, хуже шумного изображения, поэтому каждому выходу нужна измеримая проверка качества; и инструмент должен был встроиться в клинический контур (DICOM, PACS, деидентификация), не будучи принятым за сертифицированное диагностическое устройство. Руководство ВОЗ по ИИ в здравоохранении (2021) говорит о том же на языке политики: безопасность, прозрачность и надзор человека — условия, а не функции.

Zero-filled-реконструкция серии T2 FLAIR с недосэмплированием 4× рядом с DL-реконструкцией и проверки качества, которые серия прошла перед записью обратно в PACS.

Решение построено как DICOM-узел между томографом и PACS: серии приходят по C-STORE, деидентифицируются, реконструируются на GPU физически обоснованными сетями, оцениваются явными проверками качества и записываются обратно как новая серия с исследовательской маркировкой. Модели и проверки разрабатывались с оглядкой на жизненный цикл по IEC 62304 — версионированные веса, трассируемые требования, аудит по каждому исследованию, — хотя система не является медицинским изделием.

• Модели. U-Net для шумоподавления в пространстве изображения и развёрнутая физически обоснованная сеть со слоями согласованности данных для реконструкции недосэмплированного k-пространства; головка суперразрешения для синтеза тонких срезов. Обучены на ретроспективно недосэмплированных полных данных (в духе fastMRI) плюс собственные мультивендорные данные группы, с отложенной тестовой выборкой по каждому томографу.
• Проверки качества. Каждая выходная серия оценивается относительно эталона, где он есть (SSIM, PSNR, NMSE), и по обученным безэталонным метрикам, где его нет, — включая оценку галлюцинаций по расхождению ансамбля и индекс движения. Серия, не прошедшая любую проверку, записывается с тегом отклонения — никогда молча.
• Интеграция DICOM. Узел на базе Orthanc возвращает новую серию с отдельным суффиксом SeriesDescription и маркировкой «только для исследований», так что оригинал никогда не перезаписывается, а серии нельзя перепутать в PACS.
• Исследовательские инструменты. Worklist, реестр моделей с версионированными весами, аудит по каждому исследованию и экспорт парных серий для reader studies.

Таблица сравнивает реконструкцию, встроенную в ПО томографа, с вендор-нейтральным узлом, построенным здесь. Вендорские инструменты сертифицированы для клиники и не требуют интеграции, но каждый покрывает одного вендора, а внутренности закрыты. Исследовательский узел работает с любыми вендорами и показывает каждую метрику — ценой того, что до сертификации остаётся вне клинических заключений и используется только в исследованиях.

На мультивендорной тестовой выборке из 312 серий при ускорении 4× DL-реконструкция восстанавливает большую часть качества, потерянного при недосэмплировании, — относительно полностью сэмплированного эталона — и позволяет группе выполнять протоколы головного мозга за долю времени в своих исследованиях.

Схема развёртывания, которая делает вендор-нейтральный инструмент возможным: узел стоит в сети как любое другое DICOM-устройство, а его выходы — дополнительные серии, никогда не замена.

Нет — система является исследовательским ПО, а не медицинским изделием: выходы маркированы «только для исследований — не для диагностики», не попадают в клинические заключения и используются в рамках этических одобрений группы на деидентифицированных данных. ПО, предназначенное для диагностики, подпадает под Регламент ЕС о медицинских изделиях (2017/745), а ИИ в таких изделиях также считается высокорисковым по AI Act ЕС (2024/1689); в США публичный список FDA ИИ-устройств в 2025 году превысил тысячу записей, большинство из них — в радиологии. Архитектура — версионированные модели, аудит, явные QA-проверки, документация в духе IEC 62304 — спроектирована так, чтобы будущий путь к CE-маркировке по MDR или FDA 510(k) был расширением, а не переписыванием.

Стек — PyTorch и MONAI для моделей; pydicom и Orthanc для слоя DICOM; инференс-сервисы на FastAPI на GPU NVIDIA; PostgreSQL для исследований, версий моделей и аудита; Docker-развёртывание внутри сети учреждения. Ничего не покидает периметр: деидентификация выполняется на узле до инференса, а исходная серия никогда не изменяется — реконструкция всегда записывается как новая серия.

Подход подходит командам, строящим компьютерное зрение в регулируемой среде или с высокой ценой ошибки: исследовательским группам в медицинской визуализации, промышленному контролю, спутниковым снимкам — любому пайплайну, где главный риск — правдоподобный неверный ответ. Это другая дисциплина, чем демо-ноутбук: модели с учётом физики, измеримые проверки качества, интеграция со стандартами, которые уже использует отрасль, и документация с первого дня, чтобы сертификация потом была вопросом доказательств, а не переделки.