ИИ-управляемая 3D-реконструкция анатомии коленного сустава по данным МРТ: мост между функциональной оценкой и точным анатомическим моделированием
Травмы коленного сустава, особенно разрывы передней крестообразной связки (ПКС), а также дегенеративные заболевания, такие как остеоартрит, представляют собой значительную нагрузку на системы здравоохранения во всем мире. Точная 3D-реконструкция анатомии коленного сустава по данным МРТ в сочетании с функциональной оценкой в реальном времени с помощью носимых экзоскелетов открывает перспективный путь к персонализированной диагностике, предоперационному планированию и реабилитации. В данной статье рассматриваются последние достижения в двух взаимодополняющих направлениях: (1) модульные активные коленные экзоскелеты, оснащённые мультимодальными датчиками (IMU, сила, ЭМГ) для сбора динамических биомеханических данных, и (2) self-supervised модели глубокого обучения, такие как Vision Transformers (ViT), предварительно обученные с masked autoencoding, а также подходы на основе BYOL — для высокоточной 3D-реконструкции коленного сустава из 2D-срезов МРТ. Мы также представляем прототип экзоскелета и ИИ-пайплайн, разработанные в Center for Excellence in Medical Robotics and Rehabilitation (CEMRR) Назарбаев Университета (Астана), демонстрируя, как интеграция этих технологий позволяет соотносить структурную патологию с функциональными нарушениями и в итоге создавать более эффективные, персонализированные вмешательства.
Клиническая необходимость: от статических изображений к динамической функции
Магнитно-резонансная томография (МРТ) остаётся золотым стандартом визуализации патологии коленного сустава, однако традиционный поcрезовый анализ 2D-изображений часто не позволяет полноценно отразить сложные 3D-взаимосвязи между костями, хрящом, менисками и связками. Трёхмерные реконструкции дают целостное представление, необходимое для точной диагностики, хирургического планирования и послеоперационного мониторинга. Однако одних только статических анатомических моделей недостаточно, чтобы понять, как травмы влияют на движение, нагрузку и паттерны активации мышц.
Активные коленные экзоскелеты закрывают этот пробел, обеспечивая контролируемую механическую поддержку и одновременно собирая богатые кинематические, кинетические и нейромышечные данные во время выполнения реальных задач. За последние два десятилетия эта область прошла путь от пассивных пружно-демпферных систем к приводным устройствам, способным генерировать крутящий момент 30–60 Н·м. Современные прототипы всё чаще используют модульные конструкции, изготовленные с помощью 3D-печати, и продвинутые стратегии управления (impedance/admittance control, assist-as-needed, распознавание намерения по ЭМГ) для улучшения биомеханической совместимости и «прозрачности» взаимодействия с пользователем.
Наш прототип модульного активного коленного экзоскелета
В CEMRR мы спроектировали и изготовили лёгкий модульный коленный экзоскелет с жёсткой рамой, оптимизированный для клинических исследований и реабилитации (рис. 20–25). Ключевые особенности включают:
Боковой приводной модуль — электродвигатель с высокоредукторным редуктором, расположенный близко к коленному суставу для минимизации инерции и плеча момента.
Одноосевой моторизованный шарнир — обеспечивает двунаправленное сгибание/разгибание и безопасный режим пассивного движения с низким сопротивлением при отключенном питании.
Модульная архитектура на основе 3D-печати — сегменты бедра и голени легко адаптируются под различную антропометрию и позволяют быстро заменять двигатели или датчики.
Мультимодальный сенсорный комплекс:
IMU на бедре и голени для оценки угла колена, угловой скорости и ориентации в реальном времени;
стельки с датчиками силы/давления для определения тайминга реакции опоры и симметрии походки;
планируемая интеграция поверхностной ЭМГ для регистрации активности квадрицепсов/подколенных мышц и асимметрий нагрузки.
Пилотный сбор данных на здоровых добровольцах (целевая выборка N ≥ 30) уже позволил получить временные профили нормативных двигательных паттернов. Эти динамические измерения дополняют статические данные МРТ, позволяя клиницистам связывать результаты визуализации (например, разрывы мениска, повреждения связок) с функциональными ограничениями, такими как ограниченная амплитуда сгибания, снижение пикового момента или асимметричная опора.
3D-реконструкция на базе ИИ: прорывы self-supervised learning
Чтобы преодолеть трудоёмкость ручной 3D-сегментации по 2D-срезам МРТ, в CEMRR были разработаны и валидированы self-supervised пайплайны глубокого обучения, требующие минимального объёма размеченных данных.
Vision Transformer с Masked Autoencoding (MAE)
Срезы МРТ разбиваются на патчи фиксированного размера, преобразуются в эмбеддинги и обрабатываются ViT-энкодером с multi-head self-attention. На этапе предобучения случайные патчи маскируются, а облегчённый декодер восстанавливает их, заставляя модель изучать устойчивые анатомические представления. Затем 3D-сверточный декодер агрегирует мультиплоскостную информацию (аксиальную, сагиттальную, корональную) для построения согласованных объёмных моделей. Кривые обучения демонстрируют стабильную сходимость и высокие значения Dice, IoU и Recall. Экспортированные в STL реконструкции сохраняют геометрию костей, пропорции и суставные поверхности с высокой точностью по сравнению с ручными сегментациями в 3D Slicer.
Обнаружение и сегментация разрывов ПКС на основе BYOL
Параллельное направление использует self-supervised предобучение Bootstrap Your Own Latent (BYOL), после которого применяется U-Net-подобная архитектура для точной сегментации разрывов ПКС. Этот подход значительно превосходит стандартные supervised U-Net модели при дефиците размеченных данных, что показано в недавней работе, опубликованной в MethodsX (doi:10.1016/j.mex.2025.103664). Визуальные сравнения подтверждают более точное выделение границ и уменьшение количества ложноположительных срабатываний.
Интеграция: к единому диагностическому и реабилитационному пайплайну
Главная инновация заключается в объединении этих технологий. Функциональные данные, полученные с экзоскелета (углы в суставах, крутящие моменты, мышечная активация), могут быть напрямую наложены на реконструированные ИИ 3D-анатомические модели. Такая интеграция обеспечивает:
Персонализированную реабилитацию — профили assist-as-needed момента, адаптированные под конкретную травму и траекторию восстановления пациента.
Предоперационное планирование — хирурги получают визуализацию не только структуры, но и прогнозируемой функции.
Продольный мониторинг — отслеживание биомеханических изменений после операции или в ходе консервативного лечения.
Более широкий вклад CEMRR
Эти работы являются частью более широкой миссии CEMRR по развитию ИИ в медицине и реабилитации. Дополнительные ИИ-проекты включают радиомику для ортопедических и онкологических исследований, а также системы для спортивной аналитики (например, AI-PIONEER для оценки техники баттерфляя у элитных пловцов в сотрудничестве с Национальным олимпийским комитетом Казахстана, и FAST-AI для анализа теннисной подачи). Такая междисциплинарная деятельность укрепляет позиции Казахстана как формирующегося хаба интеллектуальных медицинских и спортивных технологий.
Взгляд в будущее
Остаются и вызовы: масса приводов, время работы батареи, стандартизированное benchmarking и регуляторные пути для клинического внедрения. Тем не менее, быстрое сближение wearable-робототехники и self-supervised ИИ знаменует новую эпоху прецизионной ортопедии. Дальнейшая работа в CEMRR будет сосредоточена на полноценной клинической валидации, реконструкции мягких тканей и бесшовной интеграции в больничные workflow.
