Smart Engines представляет: портативный компьютерный томограф в чемодане (Часть 1)

Сегодня мы бы хотели представить сообществу Хабра футуристичную технологию, в которую за последние годы вложили все силы и душу. Речь пойдет о портативной томографии.

Когда появляются новости про портативную рентгеновскую томографию, в голове сразу возникают примерно вот такие нейросетевые картинки (рис. 1):

И в большинстве случаев это не так уж и далеко от истины. Фактически портативными томографами не стесняются называть любые томографы, которые можно с некоторыми усилиями переместить – например, перекатить из одной палаты в другую или же с использованием грузовика транспортировать в другую больницу – и развернуть на новом месте [1-4] (рис. 2). 

Но ведь фантасты обещали нам совсем не это, и хотя в медицине прослеживается явный тренд на портативные устройства и миниатюризацию, компьютерную томографию (КТ) он не затронул – за 50 лет форм-фактор медицинских КТ-приборов, как и принципы формирования 3D изображений, фактически не изменились.

Если говорить про КТ, инженерная мысль в основном крутится по кольцу гентри – настолько мы привыкли, что кольцо является неотъемлемой частью томографа. Но на самом деле концепция рентгеновской КТ никак с этим кольцом не связана: в сущности для томографии достаточно снять несколько рентгеновских проекций (рентгенограмм) под неодинаковыми ракурсами, решить обратную задачу и это уже будет иметь право называться томографией – подумали мы, обратив внимание на ручные портативные устройства для рентгеновской диагностики (рис. 4).

На протяжении разработки у нашей технологии, о которой мы хотим рассказать Хабру, было несколько рабочих названий:  “3D рентгенография”, “Томография с рук”, “Томограф в чемодане”, “Томограф свободного позиционирования (ТСП)”. Сейчас мы остановились на варианте X-SLAM. Из названия и предисловия в целом уже можно понять, что мы задумали – взять портативный рентген, и сделать из него томограф, за счет автопозицонирования в духе классической задачи одновременной локализации и картирования SLAM (или V-SLAM, V – значит visual, в противопоставление X-SLAM в рентгеновском диапазоне). В видимом диапазоне V-SLAM позволяет роботу или смартфону одновременно определять собственное положение и восстанавливать структуру окружающего пространства на основе сопоставления особых точек на разных кадрах. 

Когда идея объединить КТ и V-SLAM сформулирована, она кажется достаточно очевидной, и даже возникает ощущение, что наверняка такие устройства уже существуют. Однако если спросить специалистов по КТ (к которым мы себя скромно относим), они смело скажут вам, что ничего не получится: точности определения взаимного расположения источника излучения и детектора не хватит, проекций будет слишком мало, они будут низкого качества, а эксперимент будет слишком долгим, ведь портативный рентген снимает каждую проекцию по несколько секунд, а проекций нужно никак не меньше сотни, и даже тогда, диагностической ценности у полученных изображений ожидать не приходится, из-за различных артефактов, связанных с произвольным выбором траектории. Для сравнения, классические томографы делают тысячи, а иногда и десятки тысяч проекций менее чем за минуту и с точностью определения угла съемки в десятые доли градуса.

Тем не менее, мы решили попробовать. Фиксируем детектор, кладем на него объект исследования, берем портативный источник рентгеновского излучения, который оператор вручную перемещает вблизи объекта и получает рентгеновские снимки, подключаем V-SLAM и итерационный КТ-реконструктор – план, надёжный, как швейцарские часы.

Почему V-SLAM нам НЕ помог?

В стандартной постановке V-SLAM на вход получает набор изображений одной и той же сцены, снятых с разных ракурсов. Находя на этих изображениях соответствующие друг другу характерные точки (корреспонденции) и предполагая некоторую математическую модель камеры – например, камеры-обскуры, – алгоритм одновременно восстанавливает трехмерную структуру сцены и положения камер в пространстве. При этом решение определяется лишь с точностью до гомотетии: абсолютный масштаб реконструкции по изображениям восстановить невозможно, поэтому все положения камер и точки сцены могут быть одновременно умножены на один и тот же коэффициент без изменения наблюдаемых изображений на сенсоре. Эту проблему можно обойти разными способами, например, используя пару калиброванных камер, расположенных на известном фиксированном расстоянии друг от друга.

Классическая томография полностью укладывается в модель камеры-обскуры с той особенностью, что “сцена” находится внутри виртуальной камеры, между оптическим центром и сенсором-детектором. На первый взгляд отличия классической КТ от нашего сетапа “ручной” томографии минимальны. Камера образована парой источник-детектор: сенсор – детектор, оптический центр – источник излучения. 

Однако подводные камни здесь есть: в “ручном” томографе оптический центр перемещается относительно сенсора произвольным образом, т.е. при каждом новом кадре изменяются не только внешние параметры “камеры”, но и внутренние. Ни о какой калиброванной камере, или даже фиксированной геометрии камеры речи идти не может. В частности, от кадра к кадру меняется эффективное фокусное расстояние (рис. 7). 

На языке проективной геометрии это приводит к неожиданному эффекту. Для обычного V-SLAM, как уже было отмечено, решение определяется с точностью до одного параметра — глобального масштаба. В нашей задаче неопределенность оказывается гораздо существеннее. Нам удалось показать, что в модели X-SLAM траекторию источника можно определить лишь с точностью до четырехпараметрического семейства преобразований (по-умному: это аксиальные коллинеации с осью, совпадающей с плоскостью детектора). Такие преобразования поточечно оставляют плоскость детектора неподвижной, но изменяют положения источников излучения и реконструируемых точек пространства, корреспонденции проекций которых на детекторе мы имеем. В результате задача определения положений источника по корреспонденциям точек на проекционных изображениях имеет не единственное решение, а четырехмерное подпространство решений, одинаково хорошо объясняющих наблюдаемые данные (рис. 8).

Проблема, с которой мы столкнулись, оказалась весьма фундаментальной, и дело не просто в том, что готовые алгоритмы V-SLAM не заработали «из коробки», а в том что они и не могли заработать. В классическом случае достаточно пяти надежных корреспонденций для восстановления геометрии сцены [5,6], а на практике часто используют восемь [7-9], поскольку соответствующие алгоритмы значительно проще. В X-SLAM фундаментальная неоднозначность имеет совершенно другую природу: даже бесконечное количество идеальных корреспонденций не позволяет устранить четырехпараметрическую неопределенность без использования дополнительной априорной информации. В V-SLAM же, априорная информация возникает за счет калиброванности камеры. Стоит оговориться, что это условие в некотором смысле обтекаемое: параметры камеры могут быть известны не точно, определяться и уточняться автоматически, но все-таки камера все еще очень далека от произвольной геометрии, характерной для X–SLAM. 

Однако 4-мерная проективная вырожденность была не последней проблемой. До сих пор мы предполагали, что корреспондирующие точки, отвечающие одной точке пространства, на проекциях существуют, а вопрос заключается лишь в том, насколько точно по ним можно восстановить геометрию съемки. Но в X-SLAM это предположение, вообще говоря, неверно.

Где взять корреспонденции? 

В V-SLAM точка на сенсоре калиброванной камеры соответствует точке на сцене, и, сопоставив одну и ту же точку на двух кадрах, можно найти ее положение в пространстве, что дает возможность использовать всю красоту эпиполярной геометрии. В случае рентгеновских проекций, точка на сенсоре соответствует прямой, проходящей через всю сцену (рис. 9). Т.е. сопоставление точек на проекциях фактически бессмысленная операция, поскольку они не соответствуют одним и тем же особенностям на сцене.

Конечно, если бы все было так плохо, мы бы сейчас об этом не писали. Дело в том, что существует один выделенный случай – области с сильным поглощением. Если есть относительно небольшая, локализованная в пространстве область с сильным поглощением, то тени этой области, дадут корреспондирующие точки на сенсоре, соответствующие прямым, которые проходят через эту область и позиционируют ее в пространстве. Однако здесь тоже не все так гладко, обычно эти области соответствуют небольшим объектам, которые с разных ракурсов принимают существенно различные очертания, а главное, они не являются “точками”, в отличие от случая видимого диапазона, где за особые точки принимаются в основном углы и сочленения. Это приводит к тому, что стандартные дескрипторные подходы сопоставления особых точек перестают работать [10]. Кроме того, в общем случае, на этапе детектирования областей на проекции нельзя уверенно разделить просто области с большим интегральным поглощением вдоль прямой и интересующие нас хорошо локализованные области.

Чтобы решить первую проблему 4-мерной неоднозначности, нужно добавить в задачу некоторое априорное знание, а чтобы решить вторую задачу корреспондирования, нужно добавить сильно поглощающие включения, которых вполне может не быть в произвольно взятом объекте. Интересно, что обе проблемы можно решить одновременно, добавив в эксперимент, якорный объект с сильно поглощающими включениями, и именно по этому пути мы и пошли. Такое решение в некотором смысле является “срезанием углов”, априорным знанием для первой проблемы могло бы быть предположение о форме снимаемого объекта, к которой мы бы могли регуляризовать решение или расстояние от некоторого маячка на детекторе до источника, и при большой необходимости действительно можно обойтись без дополнительных инструментов, пожертвовав универсальностью или точностью решения. В то же время якорь является относительно простым и надежным решением обеих проблем, при этом гарантирующим необходимую точность для последующих этапов работы.

Определенных усилий стоила разработка эффективного якорного объекта. Хотя его финальная пирамидальная форма (рис. 10) выглядит тривиальной, за ней стоит нетривиальная математика, вдохновленная эпиполярной геометрией. Одной из ключевых особенностей разработанного нами якорного объекта является то, что его положение заранее никак не фиксируется: он может быть размещен практически в любом месте – как на поверхности детектора, так и непосредственно на объекте исследования. В этом, кстати, проявляется еще одна причина, по которой мы называем нашу технологию именно X-SLAM: в процессе съемки автоматически определяется взаимная геометрия всех участвующих объектов, без опоры на заранее известное расположение якоря. Для разработанного якорного объекта мы предложили математические алгоритмы, которые позволяют аналитически вычислить решение задачи восстановления геометрии съемки по проекциям металлических шариков в узлах якоря. Чтобы не перегружать и без того затянувшуюся статью, отошлем мифических заинтересовавшихся математикой читателей к подробному описанию в нашем патенте [11].

Чего еще мы не ожидали?

Так это хорошего результата реконструкции. 

Мы реализовали метод вычисления траектории источника излучения по корреспондированным проекциям шариков в вершинах якорного объекта. И оказалось, что при той точности автопозиционирования, которую обеспечил наш метод, даже совсем обычные классические малоракурсные алгоритмы реконструкции способны демонстрировать не самый плохой результат. Это нас вдохновило на доработку и улучшение алгоритмов реконструкции. В итоге у нас получились уникальные, вовсе не обычные алгоритмы реконструкции, заметно отличающиеся от классических, но это уже тема для отдельной статьи.

А пока вернемся к результату. Он удивил даже опытных томографистов… на самом деле только их и удивил, остальные восприняли результат как достаточно естественный, и единственные вопросы которые возникают у обывателя, это “не может быть, что аналогов нет?” и вслед “а почему этого до сих пор никто не сделал?”. Оказалось, что уже 10-20 проекций позволяют получить 3D изображение, обладающее диагностической ценностью, чтобы, например, измерить размер дефекта кости, обнаружить и позиционировать относительно кости инородные металлические включения или понять структуру сложного перелома.

И вот еще несколько красивых картинок, из потенциальных применений нашего “ручного” томографа.

Как всё описанное выглядит сейчас?

А сейчас это портативный томограф, который помещается в чемоданчик, а не в 20-ти тонную фуру, и который, как мы надеемся, может изменить экстренную медицину и общую доступность КТ. Но об этом подробнее в следующей части, пока только небольшая распаковка.

А что с дозой?

Главное и оправданное опасение – это доза, получаемая оператором устройства. Съемка рентгеновских проекций с рук, вообще говоря, не предусмотрена, и с некоторой натяжкой применяется лишь в стоматологии. Тем не менее, прогноз здесь достаточно оптимистичный, поскольку мы применяем крайне маломощный микрофокусный источник [12]. Доза, получаемая пациентом, не превышает дозу, получаемую за один день пребывания в Москве или Санкт-Петербурге [13] (рис. 15). Оператор же получает дозу на порядки меньшую, поскольку не находится в прямом пучке излучения и защищен рентгенозащитой. Тем не менее, до широкого применения подобных устройств предстоит достаточно долгий бюрократический путь, который мы собираемся пройти.

Вместо заключения

Несмотря на то, что представленная в этой статье технология находится на достаточно ранней стадии развития, она уже успела получить некоторое признание: пилотная работа была представлена на одной из ведущих CV конференций Sensory Systems 2026 [14], на конференции Data Fusion 2026 (смотрите доклад про наш ручной томограф с момента 1:05:30), также мы стали победителями премии “Гравитация”-2026 в номинации «Прорывные научные исследования и разработки» (портативный томограф свободного позиционирования «Велес»), получили российский патент на технологию [11], и на рассмотрении находится US патент. Но главное – мы встретили большую поддержку сообщества и рады, что наш энтузиазм по поводу этой технологии разделяют специалисты из самых разных областей, поэтому мы не планируем останавливаться и надеемся создать полноценное серийное устройство мирового уровня. В завершении хотелось бы выразить благодарность нашим партнерам Элтех-МЕД и медицинским консультантам.

Немного о нас

Мы – научно производственная компания Smart Engines, которая занимается распознаванием документов и компьютерной томографией. Научная составляющая всегда была и остается для нас первым приоритетом – передовые разработки не остаются секретными ноу-хау, а становятся достоянием широкой общественности. Мы верим, что такой подход способствует развитию общего уровня науки и технологии, и мотивирует нас самих развиваться интенсивнее.

Следите за нашими новостями в нашем канале!

Список литературы:

[1] Khalid R. N. et al. Clinical applications of portable CT scanners //British Journal of Radiology. – 2025. – Т. 98. – №. 1175. – С. 1736-1747. 

[2] Rumboldt Z., Huda W., All J. W. Review of portable CT with assessment of a dedicated head CT scanner //American Journal of Neuroradiology. – 2009. – Т. 30. – №. 9. – С. 1630-1636. 

[3] Dag N. Mobile computed tomography scanner in trailer: a field hospital experience //Eur Rev Med Pharmacol Sci. – 2022. – Т. 26. – №. 19. – С. 6953-6957. 

[4] Goertz L. et al. State-of-the-art mobile head CT scanner delivers nearly the same image quality as a conventional stationary CT scanner //Scientific Reports. – 2024. – Т. 14. – №. 1. – С. 6393. 

[5] Nistér D. An efficient solution to the five-point relative pose problem //IEEE transactions on pattern analysis and machine intelligence. – 2004. – Т. 26. – №. 6. – С. 756-770. 

[6] Li H., Hartley R. Five-point motion estimation made easy //18th International Conference on Pattern Recognition (ICPR'06). – IEEE, 2006. – Т. 1. – С. 630-633. 

[7] Hartley R. I. In defense of the eight-point algorithm //IEEE Transactions on pattern analysis and machine intelligence. – 1997. – Т. 19. – №. 6. – С. 580-593. 

[8] Hartley R., Zisserman A. Multiple view geometry in computer vision. – Cambridge university press, 2003.

[9] Longuet-Higgins H. C. A computer algorithm for reconstructing a scene from two projections //Nature. – 1981. – Т. 293. – №. 5828. – С. 133-135. 

[10] M. Griguletskii, M. O. Chekanov, O. S. Shipitko, A. Ingacheva and V. Kibalov, “TomoSLAM: Factor Graph Optimization for Rotation Angle Refinement in Microtomography,” ICMV 2021, SPIE, vol. 12084, pp. 120841L1-120841L10, 2022, DOI: 10.1117/12.2623572.

[11] Казимиров Д. Д., Гильманов М. И., Бузмаков А. В., Чукалина М. В., Николаев Д. П., Арлазаров В. В. Способ создания реконструированного изображения трехмерной структуры объекта с использованием портативных излучателей и детекторов рентгеновского излучения на основе рентгеновских калибровочных объектов со свободным позиционированием. Патент № 2853017, 05.08.2025 // Роспатент.

[12] Потрахов Е. Н. Радиационная нагрузка при применении портативных рентгеновских аппаратов семейства «ПАРДУС» в стоматологии //Медицинская техника. – 2012. – №. 5. – С. 37-40.

[13] Бессонов В. Б. Доза облучения пациентов при проведении дентальных рентгенологических исследований с использованием портативного рентгеновского аппарата «ПАРДУС-Р» //Известия СПбГЭТУ «ЛЭТИ. – 2013. – №. 8. – С. 7-9.

[14] Nikolaev D., Gilmanov M., Kazimirov D., Chukalina M., Potrakhov N., Arlazarov V. V. Poster Abstract: Freehand Computed Tomography on Portable Edge Computing Systems // 2026 ACM/IEEE International Conference on Embedded Artificial Intelligence and Sensing Systems – Posters and Demos (SenSys-Adjunct). — 2026. — Pp. 139–140. —  DOI: 10.1109/SenSys-Adjunct71932.2026.00079.