Фруктовый смузи пробуют через две разные трубочки. Одна пропускает только крупные кусочки, другая — только жидкость. По отдельности ощущения обманчивы, но вместе они дают ключ: вот, кажется, банан, а здесь — клубника. Примерно так работает двойная компьютерная томография: она просвечивает тело рентгеновскими лучами на двух разных энергиях, чтобы потом разделить сигнал на конкретные материалы — например, отличить кость от мышцы или найти каплю контрастного вещества в сосуде.

Это разделение — обратная задача: по сумме нужно восстановить слагаемые, и малейший шум в данных превращается в рябь на итоговых изображениях. Обычные методы либо медленно считают, либо требуют идеальных эталонных картинок, которых в реальной клинике почти не бывает. Авторы новой работы предложили обучить нейросеть без единого готового ответа. Вместо того чтобы показывать ей пары «сырой сигнал — чистая картинка», они встроили в обучение физическую модель самого томографа. Сеть делает предположение о составе тканей, пропускает его через виртуальный рентгеновский аппарат и сравнивает результат с настоящими измерениями. Если расхождение велико — она корректирует свою догадку, словно художник, который постоянно сверяется с натурой, а не копирует чужой рисунок.

Метод проверили на открытых данных челленджа AAPM DL-Spectral CT. По точности восстановления исходных проекций он обошёл три современных алгоритма. Но самое интересное — виртуальные моноэнергетические снимки. Это как если бы из того же смузи удалось получить вкус каждого фрукта по отдельности, причём на разных «температурах»: при 30, 50 и 70 кэВ. На всех трёх уровнях новый подход дал меньше ошибок и более чёткую структуру изображения, чем конкуренты. Значит, врач сможет увереннее разглядеть границу опухоли или крошечный тромб — и всё это без дополнительной дозы облучения.