moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.48.1.003 1766 Систематизация фильтров реконструкции при компьютерной томографии для алгоритмов искусственного интеллекта на примере органов грудной клетки и головного мозга: ретроспективное исследование Systematization of CT reconstruction filters for artificial intelligence technologies: a retrospective study for chest and brain 0000-0002-5283-5961 Васильев Юрий Александрович Vasilev Yuri Alexandrovich VasilevYA1@zdrav.mos.ru aff-1 0000-0002-2681-9378 Блохин Иван Андреевич Blokhin Ivan Andreevich BlokhinIA@zdrav.mos.ru aff-2 0000-0001-5161-6540 Гончар Анна Павловна Gonchar Anna Pavlovna anne.gonchar@gmail.com aff-3 0000-0002-0166-3768 Коденко Мария Романовна Kodenko Maria Romanovna KodenkoMR@zdrav.mos.ru aff-4 0000-0002-9661-0254 Решетников Роман Владимирович Reshetnikov Roman Vladimirovich ReshetnikovRV1@zdrav.mos.ru aff-5 0000-0001-7786-0349 Арзамасов Кирилл Михайлович Arzamasov Kirill Michailovich ArzamasovKM@zdrav.mos.ru aff-6 0000-0002-0245-4431 Омелянская Ольга Васильевна Omelanskaya Olga Vasilyevna OmelyanskayaOV@zdrav.mos.ru aff-7 Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы Государственное бюджетное учреждение здравоохранения «Городская клиническая больница имени С.С. Юдина Департамента здравоохранения города Москвы» Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department Moscow City Hospital named after S.S. Yudin of the Moscow Health Care Department Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет) Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department Bauman Moscow State Technical University Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department 01 01 2026 1 1 10.26102/2310-6018/2025.48.1.003 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Выбор фильтра реконструкции (convolution kernel) компьютерно-томографических (КТ) изображений напрямую влияет на результат работы алгоритмов искусственного интеллекта (ИИ). Формирование единых требований к данному параметру осложнено тем фактом, что такие фильтры уникальны для разработчиков оборудования. Цель работы – составить таблицу соответствия фильтров реконструкции между различными производителями оборудования для направления алгоритмам ИИ той серии изображений, на которой при КТ органов грудной клетки (ОГК) и головного мозга (ГМ) количественный анализ будет наиболее воспроизводимым. Произведена выгрузка и проведен анализ DICOM тегов 0018,1210 (Convolution Kernel), 0008,0070 (Manufacturer), 0018,0050 (Slice Thickness) КТ-изображений из Единого радиологического информационного сервиса города Москвы. Критерии включения: возраст старше 18 лет; срезы толщиной ≤ 3 мм. Анализ данных представлен в виде сводных таблиц сопоставления фильтров реконструкции различных производителей для КТ ОГК и ГМ, ряда клинических задач, а также описательной статистики их распределения по области сканирования и производителю. В анализ включено 1905 КТ ОГК ("CHEST" и "LUNG") и 490 КТ ГМ ("HEAD", "BRAIN"). При КТ ОГК была распространена реконструкция полученных изображений в виде серий для оценки легочной паренхимы и структур средостения. При КТ ГМ была распространена реконструкция полученных изображений в виде серий для оценки паренхимы головного мозга и костных структур. Проведена систематизация фильтров реконструкции при КТ ОГК и КТ ГМ. Полученные данные позволят корректно маршрутизировать серии проведенных исследований для количественной обработки алгоритмами ИИ.

The selected convolution kernel in computed tomography (CT) directly affects the results of artificial intelligence (AI) algorithms. The formation of uniform requirements for this parameter is complicated by the fact that such filters are unique to equipment developers. The aim of the work is to create a table of correspondence of reconstruction filters between different equipment manufacturers to direct to the AI algorithms the series of images on which, in CT of the chest organs and the brain, the quantitative analysis will be most reproducible. DICOM tags 0018,1210 (Convolution Kernel), 0008,0070 (Manufacturer), 0018,0050 (Slice Thickness) of CT images from the Unified Radiology Information Service of Moscow were downloaded and analyzed. Inclusion criteria: age older than 18 years; slice thickness ≤ 3 mm. The data analysis is presented in the form of summary tables comparing reconstruction filters from different manufacturers for chest and brain CT, a number of clinical tasks, as well as descriptive statistics of their distribution by scanning area and manufacturer. 1905 chest ("CHEST" and "LUNG") and brain ("HEAD", "BRAIN") CT studies were included in the analysis. In chest CT, reconstructions to evaluate pulmonary parenchyma and mediastinal structures were common. Reconstructions for brain parenchyma and bone structures were common in brain CT. Systematization of reconstruction filters for chest and brain CT was performed. The obtained data will allow correct image series selection for quantitative AI analysis.

 фильтры реконструкции компьютерная томография искусственный интеллект органы грудной клетки головной мозг систематизация данных reconstruction filters computed tomography artificial intelligence chest organs brain data systematization Статья подготовлена авторским коллективом в рамках НИР «Научное обоснование методов лучевой диагностики опухолевых заболеваний с использованием радиомического анализа», (№ ЕГИСУ: № 123031500005-2 ) в соответствии с Приказом от 21.12.2022 г. № 1196 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2023 год и плановый период 2024 и 2025 годов» Департамента здравоохранения города Москвы. Коллектив авторов выражает благодарность Гордиенко Д.В. за оказанную помощь в подготовке работы. The paper was prepared by a group of authors as a part of the research and development effort titled "Scientific substantiation of methods of radiation diagnostics of tumor diseases using radiomics analysis", (USIS No. 123031500005-2) in accordance with the Order No. 1196 dated December 21, 2022 "On approval of state assignments funded by means of allocations from the budget of the city of Moscow to the state budgetary (autonomous) institutions subordinate to the Moscow Health Care Department, for 2023 and the planned period of 2024 and 2025" issued by the Moscow Health Care Department. The team of authors expresses gratitude to Gordienko D.V. for his assistance in the preparation of the paper. References Васильев Ю.А., Владзимирский А.В., Бондарчук Д.В., Кожихина Д.Д., Решетников Р.В., Блохин И.А., Соловьев А.В., Гатин Д.В. Значение технологий искусственного интеллекта для профилактики дефектов в работе врача-рентгенолога. Врач и информационные технологии. 2023;(2):16–27. https://doi.org/10.25881/18110193_2023_2_16 Schaller S., Wildberger J.E., Raupach R., Niethammer M., Klingenbeck-Regn K., Flohr T. Spatial domain filtering for fast modification of the tradeoff between image sharpness and pixel noise in computed tomography. IEEE Transactions on Medical Imaging. 2003;22(7):846–853. https://doi.org/10.1109/tmi.2003.815073 Блохин И.А., Румянцев Д.А., Сучилова М.М., Гончар А.П., Омелянская О.В. Низкодозная компьютерная томография органов грудной клетки в диагностике COVID-19: обзор литературы. Digital Diagnostics. 2023;4(1):25–37. https://doi.org/10.17816/DD119870 Boedeker K.L., McNitt-Gray M.F., Rogers S.R., Truong D.A., Brown M.S., Gjertson D.W., Goldin J.G. Emphysema: Effect of Reconstruction Algorithm on CT Imaging Measures. Radiology. 2004;232(1):295–301. https://doi.org/10.1148/radiol.2321030383 Wang Y., De Bock G.H., Van Klaveren R.J., Van Ooyen P., Tukker W., Zhao Y., et al. Volumetric measurement of pulmonary nodules at low-dose chest CT: effect of reconstruction setting on measurement variability. European Radiology. 2010;20(5):1180–1187. https://doi.org/10.1007/s00330-009-1634-9 Behrendt F.F., Das M., Mahnken A.H., Kraus T., Bakai A., Stanzel S., et al. Computer-Aided Measurements of Pulmonary Emphysema in Chest Multidetector-Row Spiral Computed Tomography: Effect of Image Reconstruction Parameters. Journal of Computer Assisted Tomography. 2008;32(6):899–904. https://doi.org/10.1097/rct.0b013e31815ade64 Васильев Ю.А. и др. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента. Издательские решения; 2023. 376 с. Mackin D., Ger R., Gay S., Dodge C., Zhang L., Yang J., et al. Matching and Homogenizing Convolution Kernels for Quantitative Studies in Computed Tomography. Investigative Radiology. 2019;54(5):288–295. https://doi.org/10.1097/rli.0000000000000540 Dalrymple N.C., Prasad S.R., El-Merhi F.M., Chintapalli K.N. Price of Isotropy in Multidetector CT. RadioGraphics. 2007;27(1):49–62. https://doi.org/10.1148/rg.271065037 Kauermann G., Küchenhoff H. Stichproben: Methoden und praktische Umsetzung mit R. Heidelberg: Springer Berlin; 2010. 261 p. https://doi.org/10.1007/978-3-642-12318-4 Блохин И.А., Коденко М.Р., Шумская Ю.Ф., Гончар А.П., Решетников Р.В. Проверка гипотез исследования с использованием языка R. Digital Diagnostics. 2023;4(2):238–247. https://doi.org/10.17816/dd121368 Fu B., Wang G., Wu M., Li W., Zheng Y., Chu Z., et al. Influence of CT effective dose and convolution kernel on the detection of pulmonary nodules in different artificial intelligence software systems: A phantom study. European Journal of Radiology. 2020;126. https://doi.org/10.1016/j.ejrad.2020.108928 Hoang-Thi T.-N., Vakalopoulou M., Christodoulidis S., Paragios N., Revel M.P., Chassagnon G. Deep learning for lung disease segmentation on CT: Which reconstruction kernel should be used? Diagnostic and Interventional Imaging. 2021;102(11):691–695. https://doi.org/10.1016/j.diii.2021.10.001 Lu L., Ehmke R.C., Schwartz L.H., Zhao B. Assessing Agreement between Radiomic Features Computed for Multiple CT Imaging Settings. PLoS ONE. 2016;11(12). https://doi.org/10.1371/journal.pone.0166550 Berenguer R., Pastor-Juan M. del R., Canales-Vázquez J., Castro-García M., Villas M.V., Mansilla Legorburo F., Sabater S. Radiomics of CT Features May Be Nonreproducible and Redundant: Influence of CT Acquisition Parameters. Radiology. 2018;288(2):407–415. https://doi.org/10.1148/radiol.2018172361

The authors declare that there are no conflicts of interest present.