медицинская визуализация

В данной статье представлен инновационный метод DARE (Deformable Adaptive Regularization Estimator), предназначенный для решения критической задачи регистрации медицинских изображений с использованием глубокого обучения. Авторы предлагают новый подход к адаптивной регуляризации, который позволяет модели более точно подстраиваться под локальные геометрические особенности тканей, минимизируя артефакты при деформации. В отличие от традиционных методов, DARE обеспечивает высокую гибкость при сохранении топологической целостности структур, что крайне важно для точной сегментации и планирования лечения. Исследование фокусируется на преодолении ограничений стандартных функций потерь, которые часто приводят к чрезмерному сглаживанию или нереалистичным деформациям. Методология включает разработку алгоритма, способного динамически изменять параметры регуляризации в зависимости от локальной сложности изображения. Результаты демонстрируют значительное превосходство предложенного метода в точности сопоставления анатомических структур по сравнению с существующими архитектурами на основе нейронных сетей. Данная разработка имеет высокую практическую значимость для радиологии и хирургической навигации, где точность пространственного совмещения снимков напрямую влияет на успех клинического вмешательства.

Систематический обзор 36 эмпирических исследований (2020–2025) показывает применение методов объяснимого ИИ (SHAP, Grad-CAM, LIME) в медицинской визуализации, диагностике и реабилитации. Исследования демонстрируют соответствие методов объяснимости типам медицинских задач и частое комбинирование нескольких объяснителей для перекрёстной проверки интерпретаций.

Исследование представляет метод DeepBranchAI — каскадный рабочий процесс для автоматической сегментации трехмерных разветвленных структур в биологических системах. Методология основана на итеративном цикле: случайные леса генерируют предварительные сегментации на основе минимальных аннотаций, эксперты уточняют результаты, что позволяет постепенно приближаться к эталонным данным. По мере накопления размеченных данных обучение переходит от 2D к 3D архитектурам, систематически расширяя ограниченные наборы данных. Валидация на митохондриальных сетях, полученных методом сканирующей электронной микроскопии с фокусированным ионным пучком (FIB-SEM, разрешение 15 нм), показала коэффициент сходства Дайса 0,942 при пятикратной кросс-валидации. При переносе обучения на сосудистые сети (датасет VESSEL12, КТ-объемы, разница в размере вокселей 30 000 раз) с использованием всего 10% целевых данных достигнута точность 97,05% против ground truth, что подтверждает обобщаемость топологических принципов. Метод сокращает время аннотации с месяцев до недель и трансформирует разреженные начальные метки в надежные обучающие наборы. Полная реализация, обученные веса и код валидации предоставлены в открытом доступе, что делает метод доступным для медицинского сообщества.

Исследование сравнивает федеративное обучение с централизованным для классификации доброкачественных и злокачественных поражений в маммографии на двух гетерогенных датасетах (плёночные и цифровые снимки). Результаты показывают, что федеративное обучение работает надёжно в однородных условиях, но демонстрирует снижение производительности при сильном сдвиге доменов между плёночными и цифровыми изображениями.

Исследование сравнивает три подхода к подавлению костной структуры на рентгенограммах грудной клетки: автоэнкодеры, U-Net и генеративно-состязательные сети. Предложенная улучшенная GAN с комбинированной функцией потерь (Wasserstein, L1, перцептивная и Sobel) показала наилучшие результаты по метрикам PSNR (44.09 дБ) и MS-SSIM (0.9968), превосходя ранее опубликованные методы.

Компания Samsung Medison объявила о стратегическом объединении своих американских подразделений медицинской визуализации — ранее работавших под брендами Neurologica и Boston Imaging — под единой корпоративной структурой Samsung HME (Healthcare and Medical Equipment) America. Это организационное изменение консолидирует операции компании в области УЗИ, цифровой рентгенографии и компьютерной томографии (КТ) под единым брендом Samsung, что отражает глобальную стратегию компании в области медицинских технологий. В рамках этой инициативы компания упоминает недавние технологические достижения, включая ультразвуковые системы Samsung R20 и Z20, оснащённые инструментами на базе искусственного интеллекта для поддержки клинических решений. Особое внимание уделено приобретению французского стартапа Sonio — компании, специализирующейся на ИИ-анализе пренатального УЗИ для раннего выявления аномалий развития плода. Samsung также продолжает расширять портфель цифровой рентгенографии с акцентом на снижение лучевой нагрузки и оптимизацию рабочих процессов. Генеральный директор Samsung Medison Кю Тэ Ю подчеркнул, что реорганизация отражает зрелость американской организации и долгосрочные инвестиции в инновации медицинского визуализационного оборудования. Компания планирует использовать новую структуру для более эффективного взаимодействия с партнёрами и ускорения внедрения технологий в клиническую практику.

Исследователи разработали систему компьютерной диагностики на основе ИИ для обнаружения злокачественных областей при рутинной диагностике гастральной биопсии. Система была обучена на данных из шести учреждений и валидирована на независимом наборе данных из седьмого учреждения. Использование системы улучшило диагностическую чувствительность, особенно для образцов с мелкими и разбросанными злокачественными очагами.

Philips представила новый КТ-сканер Rembra на ECR 2026 в Вене, оснащённый ИИ-оптимизированными рабочими процессами и детектором NanoPanel Precise XD. Система обеспечивает до 106 изображений в секунду и поддерживает до 270 исследований в день, что критично для экстренных случаев, таких как инсульт и травмы.