Разработка head-to-head и продольного алгоритма CycleGAN для согласования МРТ: валидация при последующем МРТ-обследовании пациентов с метастазами в мозг

Почему важно согласовывать снимки мозга

Когда у онкологических пациентов появляются опухоли, распространяющиеся в мозг, врачи полагаются на повторные МРТ-исследования, чтобы понять, помогает ли лечение. Но существует скрытая проблема: последующие сканы часто выполняют на разных аппаратах МРТ, из‑за чего одна и та же опухоль может выглядеть больше, меньше, ярче или тусклее, даже если она на самом деле не изменилась. В этом исследовании предложен новый метод искусственного интеллекта (ИИ), призванный «гармонизировать» МРТ‑изображения с разных сканеров, чтобы врачи могли ориентироваться на реальные изменения опухоли, а не на особенности оборудования.

Проблема разных аппаратов МРТ

Метастазы в мозг — опухоли, распространившиеся в мозг из первичных очагов, например в легких или молочной железе — являются значимой причиной заболеваемости и смертности. Пациенты часто проходят частые контрольные МРТ, чтобы оценить, растут ли очаги, уменьшились ли или остались прежними. В идеале каждый скан должен выполняться на одном и том же типе аппарата с одинаковым протоколом. В реальности же большие клиники используют несколько сканеров от разных производителей, у каждого — свои настройки и особенности контрастирования. В результате два скана одного и того же пациента могут показывать одинаковое поражение с разной яркостью или четкостью, из‑за чего стабильная опухоль выглядит по‑другому. Эта вариабельность усложняет лечение и может подрывать крупные исследования, объединяющие данные из многих центров.

Использование ИИ для стандартизации изображений

Для решения этой задачи исследователи создали систему глубокого обучения, основанную на семействе нейросетей, называемых генеративно‑состязательными сетями, и в частности на архитектуре CycleGAN. Вместо изменения аппаратной части они предлагают программно научиться тому, как должны выглядеть изображения одного сканера, если бы их получили на другом аппарате. Их модифицированный «парный» CycleGAN обучается на базовых и последующих МРТ одного и того же пациента, где первый и третий сканы сделаны на одном аппарате, а средний — на другом. Сравнивая эти связанные изображения, сеть учится приводить стиль последующего скана со второго аппарата к виду, соответствующему первому аппарату, при этом сохраняя анатомию мозга и опухолей.

Сохранение формы опухоли при корректировке стиля

Стандартные модели CycleGAN хорошо справляются с изменением стиля изображения, но при этом рискуют искажать мелкие детали — опасно в медицинской визуализации. Поэтому команда добавила специальный член в функцию потерь, называемый «оригинальное соответствие». Это дополнительное ограничение заставляет ИИ сохранять каждый воксель, или 3D‑пиксель, максимально близким к структуре исходного скана, даже при изменении общего контраста и яркости в сторону базового сканера. Авторы протестировали разные силы этого ограничения и нашли настройку, которая лучше всего балансирует между коррекцией стиля и верным сохранением анатомии мозга. Затем они сравнили свой метод с традиционными подходами, такими как выравнивание гистограмм, и с другими методами глубокого обучения — например, Pix2Pix, STGAN и неизменённым CycleGAN.

Более точное совпадение и уверенное заключение

В группе пациентов, у которых метастазы в мозге были известны как стабильные во времени, согласованные последующие изображения выглядели более похожими на базовые сканы, чем исходные, некорректированные последующие, по нескольким техническим метрикам качества изображения. Различия в контрасте между регионами мозга также уменьшились после гармонизации, что указывает на сокращение смещений, связанных со сканером. Два нейрорадиолога затем оценивали базовые сканы вместе либо с исходными, либо с гармонизированными последующими снимками, не зная, что очаги не изменились. При работе с гармонизированными изображениями они чаще считали границу опухоли, её размер и контраст стабильными и сообщали о более высокой уверенности в своих оценках. Важно, что ИИ также сохранял реальные изменения заболевания в отдельной тестовой группе, где опухоли действительно прогрессировали или регрессировали, что говорит о том, что метод не просто сглаживает клинически значимые детали.

Что это значит для пациентов

Для пациентов с метастазами в мозг новая методика гармонизации может снизить количество ложных тревог о росте опухоли, вызванных лишь разными аппаратами МРТ, помогая избежать ненужного беспокойства и потенциально ненужных изменений в лечении. Делая последующие сканы визуально сопоставимыми между сканерами, парный CycleGAN даёт радиологам более ясную картину того, что действительно происходит в мозге. Хотя исследование проведено в одном центре и на ограничённом наборе типов сканеров, оно указывает на будущее, в котором «умное» программное обеспечение регулярно нормализует медицинские изображения в фоновом режиме, позволяя врачам и пациентам быть уверенными, что видимые на экране изменения отражают истинную динамику заболевания.

Цитирование: Hwang, H., Choi, HU., Jeong, H. et al. Development of head-to-head and longitudinal CycleGAN algorithm for MRI harmonization: validation in follow-up MRI evaluation in patients with brain metastasis. Sci Rep 16, 13163 (2026). https://doi.org/10.1038/s41598-026-43755-7

Ключевые слова: метастазы в мозге, согласование МРТ, глубокое обучение, CycleGAN, медицинская визуализация