МРТ колена за пять минут: студенты AI Talent Hub ИТМО предложили способ ускорить диагностику с помощью ИИ
Студенты магистратуры AI Talent Hub Университета ИТМО совместно с медико-генетическим центром Genotek разработали технологию на основе искусственного интеллекта, которая может ускорить МРТ-диагностику коленного сустава в несколько раз — с привычных 20–40 минут до 5–10 минут.
Решение использует алгоритмы ИИ для реконструкции МРТ-изображений: система восстанавливает недостающие фрагменты снимков по ограниченному набору данных сканирования и сохраняет клинически значимую информацию. Технология разрабатывается как универсальная: в перспективе её можно будет адаптировать под оборудование разных производителей и внедрять в медицинских учреждениях.
Почему ускорение МРТ важно для медицины
Магнитно-резонансная томография считается одним из самых точных методов диагностики заболеваний суставов, мягких тканей, связок и хрящей. МРТ коленного сустава часто назначают при травмах, подозрении на повреждение мениска, связок, хрящевой ткани и других патологий.
Но у метода есть ограничение: исследование занимает много времени. В зависимости от протокола и оборудования МРТ колена может длиться от 20 до 40 минут. Это снижает пропускную способность клиник, увеличивает очереди и делает диагностику менее доступной для пациентов.
Использование искусственного интеллекта в МРТ может помочь решить сразу несколько задач:
— сократить время исследования до 5–10 минут;
— увеличить количество обследований в день;
— снизить нагрузку на медицинские учреждения;
— ускорить получение диагностических данных;
— повысить доступность МРТ-диагностики.
Поэтому AI-реконструкция медицинских изображений становится одним из перспективных направлений на стыке искусственного интеллекта, медицины и инженерии.
Как работает технология ускорения МРТ
В основе решения — алгоритмы реконструкции изображений с помощью искусственного интеллекта. Обычно для получения качественного МРТ-снимка требуется собрать достаточно большой объём сигналов во время сканирования. Чем больше данных собирает томограф, тем выше качество изображения, но тем дольше длится процедура.
Команда проекта предлагает сократить объём собираемых данных, а недостающую информацию восстанавливать с помощью нейросети. Алгоритм не «дорисовывает» снимок случайным образом, а реконструирует изображение на основе закономерностей, найденных в реальных МРТ-исследованиях.
Модель для коленного сустава обучалась на медицинских данных, включая:
— 1,5 тыс. исследований;
— итоговые изображения в формате DICOM;
— «сырые» данные сканирования в формате K-space.
Такой подход позволяет работать не только с готовыми снимками, но и с исходными данными, которые формируются в процессе сканирования. Это важно для более точной реконструкции и дальнейшей адаптации технологии под разные типы оборудования.
Что такое DICOM и K-space в МРТ
В медицинской визуализации часто используют два типа данных.
DICOM — это формат итоговых медицинских изображений, с которыми обычно работают врачи-рентгенологи. В таком виде снимки попадают в медицинские информационные системы и используются для диагностики.
K-space — это исходные «сырые» данные, которые получает томограф до преобразования в привычное изображение. Работа с K-space сложнее, но она даёт больше возможностей для качественной реконструкции и снижения артефактов.
Существует два основных подхода к ускорению МРТ с помощью ИИ: реконструкция по итоговым DICOM-изображениям и реконструкция по исходным K-space данным. Команда ИТМО и Genotek развивает оба направления, но особое внимание уделяет работе с «сырыми» данными сканирования.
Это может помочь:
— снизить количество артефактов;
— повысить точность восстановления изображения;
— сохранить клинически значимую информацию;
— обеспечить совместимость с оборудованием разных производителей.
Внутренние результаты тестирования
Во внутренних тестах система реконструкции МРТ-изображений достигла значения SSIM = 0,815.
SSIM, или Structural Similarity Index Measure, — это метрика, которая показывает, насколько восстановленное изображение структурно похоже на исходное. Чем выше значение SSIM, тем ближе реконструкция к оригинальному изображению.
Результат 0,815 сопоставим с показателями зарубежных разработок на аналогичной стадии. При этом технология пока находится на этапе воспроизведения и тестирования базовых моделей, поэтому следующий важный шаг — клиническая валидация с участием врачей-рентгенологов.
Дополнительный модуль: автоматический скрининг патологий
Помимо ускорения МРТ-сканирования, команда разрабатывает модуль анализа изображений. Он автоматически проверяет восстановленные снимки на возможные патологии коленного сустава.
Алгоритм может помогать выявлять признаки:
— повреждения хряща;
— разрыва мениска;
— повреждения связок.
Такой модуль не заменяет врача, но может стать инструментом поддержки принятия решений. Его задача — подсветить потенциально важные области снимка и помочь специалисту быстрее обратить внимание на возможные отклонения.
Модуль диагностики прошёл верификацию на международном бенчмарке MRNet, который используется для оценки моделей анализа МРТ коленного сустава.
Чем разработка отличается от зарубежных решений
На международном рынке уже существуют проекты, направленные на ускорение МРТ с помощью искусственного интеллекта. Среди известных примеров:
— Stanford fastMRI — ускорение МРТ до 10 раз;
— CS-SuperRes — сокращение времени исследования на 57%;
— DNN-реконструкция — ускорение на 41%.
Разработка студентов AI Talent Hub ИТМО и Genotek важна тем, что предлагает комплексный подход: ускоренную реконструкцию изображений и модуль автоматического анализа патологий. Для российского рынка это один из первых проектов такого типа, объединяющий работу с DICOM, K-space и AI-скринингом коленного сустава.
Кто разработал технологию
Проект был инициирован медицинским центром Genotek, который предоставил инфраструктуру и сформировал концепцию решения.
Со стороны Университета ИТМО в разработке участвовала команда студентов магистратуры AI Talent Hub:
— три ML-инженера;
— проектный менеджер.
Работа над проектом началась в октябре 2025 года. Команда занималась разработкой алгоритмов реконструкции МРТ-изображений, обработкой медицинских данных и созданием модуля детекции патологий.
Для AI Talent Hub этот проект стал примером прикладной работы на стыке машинного обучения, медицины и инженерной разработки: студенты не просто обучали модель, а решали реальную задачу медицинской диагностики с потенциальным влиянием на клинические процессы.
Следующий этап — клиническая валидация
Сейчас технология находится на стадии воспроизведения и тестирования базовых моделей. Следующий этап — проверка решения совместно с врачами-рентгенологами.
Команде предстоит:
— протестировать алгоритмы на новых медицинских данных;
— получить клиническую обратную связь;
— проверить качество реконструкции с точки зрения врачей;
— доработать модель детекции патологий;
— подготовить технологию к возможному внедрению в медицинскую практику.
Клиническая валидация особенно важна для медицинских AI-решений. Высокие метрики на тестовых данных — только первый шаг. Для реального применения нужно подтвердить, что технология сохраняет диагностически значимую информацию и помогает врачу, а не создаёт дополнительные риски.
Итог
Разработка студентов AI Talent Hub ИТМО и Genotek показывает, как искусственный интеллект может ускорять медицинскую диагностику без потери клинически важной информации. Технология реконструкции МРТ-изображений позволяет сократить время исследования коленного сустава с 20–40 минут до 5–10 минут, а дополнительный модуль анализа помогает автоматически проверять снимки на возможные патологии.
Если проект успешно пройдёт клиническую валидацию, такое решение может повысить доступность МРТ, увеличить пропускную способность клиник и сделать диагностику заболеваний суставов быстрее и технологичнее.