Преобразование объёмных медицинских данных из КТ в МРТ на основе улучшенной диффузионной модели

Почему важно преобразовывать один скан в другой

В больницах часто используют несколько видов медицинской визуализации, чтобы увидеть, что происходит внутри тела. КТ-сканирование быстрое и хорошо показывает кости, тогда как МРТ выполняется медленнее, но подробно отображает мягкие ткани, такие как мозг и внутренние органы. Проведение обоих исследований может быть дорогостоящим, занимать время и в некоторых случаях представлять риск для пациента. В этой работе исследуют, могут ли компьютеры научиться преобразовывать трёхмерный КТ-скан в МРТ-подобный вид, чтобы врачи могли получать МРТ-подобную информацию, даже когда доступны только данные КТ.

Разные сканы рассказывают разные истории

Каждый метод визуализации подчёркивает разные особенности тела. КТ отлично подходит для обнаружения переломов, кровотечений и проблем с лёгкими, тогда как МРТ предпочтительна для исследования головного и спинного мозга, суставов и многих внутренних органов. В идеале каждый пациент получил бы все необходимые исследования, но МРТ-аппараты дорогие и часто ограничены в доступности, а длительное время сканирования может задерживать срочное лечение. Возможность генерировать МРТ-подобные изображения непосредственно из существующих КТ-данных может быстро предоставить врачам дополнительную информацию, особенно в экстренных ситуациях или в клиниках с ограниченными ресурсами.

От шумных шаблонов к чётким изображениям

Исследователи сосредотачиваются на полноценных трёхмерных объёмах, а не на отдельных изображениях. Это важно, потому что медицинские сканы представляют собой стеки срезов, и их пространственные взаимоотношения имеют значение при планировании операций и отслеживании опухолей. Преобразование целых объёмов сложнее, чем перевод отдельных картинок, поскольку данных больше и модели нужно сохранять согласованность деталей между множеством срезов. Команда опирается на класс современных генеративных моделей — диффузионные модели, которые учатся превращать случайный шум в реалистичные изображения посредством поэтапного удаления шума. Они адаптируют эту идею так, чтобы модель начинала с шума и постепенно порождала МРТ-подобный объём под руководством КТ-скана пациента.

Умные строительные блоки для 3D медицинских данных

Чтобы диффузионный подход хорошо работал на больших медицинских объёмах, авторы разработали специализированную сеть, названную enhanced DDPM. Она использует два ключевых блока. Первый — блок трансформации — разделяет поток информации на два пути, чтобы захватывать как тонкие детали, так и более крупные формы, что помогает сохранять тонкую структуру. Второй — блок с уменьшенным использованием памяти при само-внимании — позволяет модели связывать удалённые части объёма, чтобы анатомия оставалась согласованной, одновременно применяя приёмы вроде пулинга и апсэмплинга для управления потреблением памяти на стандартных графических картах. После генерации МРТ-подобного объёма выполняется специально подобранный постобработочный шаг с глобальной нормализацией и автоматическим улучшением контраста, чтобы структуры и возможные очаги выглядели более отчётливо и их можно было справедливо сравнивать между пациентами.

Тестирование на реальных сканах мозга и таза

Команда обучала и тестировала метод на публичной коллекции парных КТ- и МРТ-объёмов пациентов, проходивших лучевую терапию головы или таза. В реальных клинических данных редко удаётся идеально совместить срезы между модальностями, поэтому некоторые срезы не совпадают точно между КТ и МРТ. Несмотря на то что примерно шесть процентов срезов были несовершенно сопряжены, метод всё равно научился генерировать реалистичные МРТ-подобные объёмы. Авторы сравнили свои результаты с несколькими ведущими техниками на базе генеративных состязательных сетей и стандартных диффузионных моделей. По метрикам качества, лучше отражающим визуальную оценку человека, таким как структурное сходство и основанные на признаках оценки, их подход стабильно даёт изображения, которые ближе по виду к истинным МРТ-сканам как для области мозга, так и таза.

Что это значит для последующей помощи пациентам

Исследование показывает, что продвинутая модель на основе диффузии может преобразовывать трёхмерные КТ-сканы в МРТ-подобные объёмы, которые более точно соответствуют реальным МРТ-данным по сравнению с несколькими существующими методами. Это может в будущем помочь врачам получать представление о мягких тканях, когда МРТ недоступна или слишком медленна — например, в отделениях экстренной помощи или в клиниках с ограниченными ресурсами. Авторы предупреждают, что синтетические изображения всё ещё могут содержать артефакты и не должны заменять настоящую МРТ для постановки диагноза. Вместо этого они могут стать полезным инструментом для планирования и сортировки пациентов, особенно после дальнейших исследований, повышающих надёжность, ускоряющих расчёты и проверяющих работу на большем числе типов МРТ и более разнообразных групп пациентов.

Цитирование: Ma, J., Chen, J. & Liang, A. CT-to-MRI translation of medical volume data based on an enhanced diffusion model. Sci Rep 16, 14774 (2026). https://doi.org/10.1038/s41598-026-45181-1

Ключевые слова: перевод КТ в МРТ, синтез медицинских изображений, диффузионная модель, объёмная визуализация, планирование лучевой терапии