Ручная сегментация лёгких на КТ остаётся важной частью клинической практики и разметки датасетов, даже когда в работе уже есть автоматические алгоритмы. Если нужна точная маска для обучения, валидации или контроля качества, ручной подход часто оказывается самым надёжным способом получить эталонную разметку.
В этой статье я собрал практический разбор того, как сегментировать лёгкие на КТ вручную, где ручная сегментация действительно оправдана, какие инструменты и приёмы экономят время, а где лучше подключать полуавтоматику или нейросети. Без академической сухости, но с опорой на рабочие принципы: глубокая, структурированная подача с ясными подзаголовками и списками, которая помогает сразу действовать.
Что такое ручная сегментация лёгких на КТ
Ручная сегментация лёгких на КТ — это контролируемый процесс, в котором специалист сам обводит контур лёгких на каждом срезе томограммы и формирует бинарную маску для дальнейшего анализа. Такой подход не просто даёт контроль — он позволяет добиться точности, близкой к анатомическому эталону, особенно когда КТ-картина выходит за рамки «среднестатистической» нормы.
Я много раз сталкивался с ситуацией, когда нейросеть уверенно рисовала красивый контур, но при детальном сличении с исходными срезами «забывала» верхушку или захватывала плевральный выпот. Поэтому для создания золотого стандарта ручная разметка до сих пор незаменима. На практике она нужна в трёх типичных сценариях:
- подготовка «золотого стандарта» для обучения моделей;
- проверка качества автоматической сегментации;
- создание клинически достоверной разметки для исследования объёмов, плотности и паттернов поражения.
Когда я готовил эталонные маски для челленджа по сегментации лёгких, мы целенаправленно включали исследования с ателектазами и постоперационными изменениями, чтобы проверить, насколько алгоритм справляется с реальной вариабельностью. Без тщательной ручной базы такие сценарии просто не охватишь.
Когда ручная сегментация лучше автоматической
Автоматические алгоритмы прекрасно работают на чистых, высококонтрастных изображениях, но в клинической рутине идеальные снимки редкость. Ручная сегментация лёгких на КТ особенно полезна там, где алгоритм легко ошибается из-за нетипичной анатомии или выраженной патологии. Это не всегда самый быстрый путь, но часто самый надёжный.
Ситуации, где ручной подход оправдан
- выраженные изменения после операции — например, лобэктомия с деформацией оставшейся лёгочной ткани;
- тяжёлая эмфизема с нечёткими границами паренхимы;
- плевральные наслоения и выпот, когда край лёгкого буквально «прилипает» к грудной стенке;
- низкое качество исследования — артефакты от дыхания, движений или металлических имплантатов;
- детская анатомия и нестандартные размеры грудной клетки — у детей лёгкие занимают меньший объём, а формы более вариативны;
- сложные исследовательские протоколы, где нужна высокая воспроизводимость и строгий контроль границ.
Почему это важно
Автоматический алгоритм может красиво выглядеть на примерах из отборного датасета, но в реальной клинике сталкивается с шумом, дыхательными артефактами и анатомическими вариациями, которые не были предусмотрены при обучении. Я вспоминаю случай с пациентом после пневмонэктомии: единственное оставшееся лёгкое сместилось, и модель дважды «находила» несуществующие контуры. Ручная сегментация в таких случаях помогает не «победить ИИ», а получить корректный эталон, на котором потом можно учить или проверять модель. Это особенно критично при объёмных измерениях: ошибка в маске на 5–7% может привести к неправильной оценке прогрессирования заболевания.
Лучшие подходы к ручной сегментации лёгких на КТ
Ниже — практические методы, которые реально помогают ускорить работу и сохранить качество. Каждый из них отработан на сотнях исследований и адаптирован под разные клинические сценарии.
| Подход | Где полезен | Сильные стороны | Ограничения |
|---|---|---|---|
| Посрезовая разметка | Любые КТ-исследования | Максимальный контроль | Долго и утомительно |
| Контурная разметка с горячими клавишами | Большие объёмы данных | Быстрее обычного ручного обвода | Требует привыкания к ПО |
| Полуавтоматическая подсказка | Контрастные границы и нормальная анатомия | Экономит время | Нужна проверка каждой маски |
| Сегментация с последующей правкой | Исследовательские проекты и клиника | Хороший баланс скорости и качества | Ошибки алгоритма надо отслеживать |
| Двухэтапная разметка | Команды и челленджи | Повышает согласованность | Требует второго эксперта |
1. Посрезовая разметка
Это самый прямой способ: вы проходите каждый срез КТ и вручную очерчиваете границу лёгких. Метод медленный, но он даёт полный контроль над сложными участками — верхушками, базальными отделами, зонами прилежания к средостению и диафрагме. Когда я готовил разметку для первых нейросетевых экспериментов, именно посрезовая прорисовка помогла поймать тонкие периферийные уплотнения, которые полуавтоматическая подсказка просто сглаживала.
2. Разметка с опорой на предсказание алгоритма
Практически это лучший компромисс. Сначала строится предварительная маска — например, с помощью пороговой обработки и морфологических операций или лёгкой U-Net, обученной на похожих данных. Затем специалист вручную исправляет ошибки: убирает захват средостения, восстанавливает пропущенные верхушки, корректирует границы у выпота. Такой подход особенно удобен, если важен поток данных и нужно разметить много исследований. Я часто использую трёхэтапный цикл: грубая маска → экспертная правка → финальная проверка по трём ортогональным проекциям.
3. Работа по правилам, а не «на глаз»
Ручная сегментация лёгких на КТ становится лучше, когда команда заранее договорилась о единых критериях. Даже опытные рентгенологи могут получить заметно разные маски, если не согласовать правила. В одном из проектов по объёмной оценке эмфиземы мы столкнулись с тем, что анатомы включали в маску крупные сосуды ворот, а другие их исключали — расхождение по объёму достигало 12%. Вот минимальный перечень вопросов, которые нужно закрыть до начала работы:
- включать ли сосуды и бронхи в области корней;
- как обрабатывать участки ателектаза — считать лёгочной тканью или нет;
- что делать с плевральным выпотом — оконтуривать видимый край лёгкого или гипотетическую границу;
- где заканчивается лёгочная ткань при плотном прилегании к грудной стенке и диафрагме;
- как размечать верхушки: до уровня надключичных сосудов или строго по анатомической границе.
Фиксация таких правил превращает разметку из субъективного творчества в воспроизводимый клинический инструмент.
Как повысить качество ручной сегментации
Если цель — не просто «обвести», а получить данные, пригодные для обучения или публикации, нужен рабочий процесс с многоуровневым контролем качества. Я на своём опыте убедился, что даже тщательная разметка «в один проход» накапливает микродефекты, которые становятся заметны только при объёмной визуализации.
Базовый чек-лист
- проверяйте одинаковые окна и уровень отображения — переключение между лёгочным и средостенным окном помогает точнее видеть границу у плевры;
- не торопитесь на переходах между срезами, особенно в области купола диафрагмы и верхушек;
- регулярно сверяйте соседние срезы: резкий скачок контура по сравнению с предыдущим слайсом почти всегда указывает на ошибку;
- следите за непрерывностью контура — разрывы в маске в трёхмерном представлении выглядят как дыры в лёгочной ткани;
- отдельно проверяйте основания лёгких и область ворот — здесь чаще всего маска «расползается» за счёт сосудов и бронхов;
- пересматривайте сложные зоны после первичной разметки — свежий взгляд часто замечает то, что ускользнуло при монотонной работе.
Полезный практический приём
Я всегда рекомендую делать разметку в два прохода. Первый проход — быстрое построение контура с фокусом на основную геометрию, без микроскопических уточнений. Второй проход — чистка ошибок и согласование границ, причём с обязательным просмотром корональной и сагиттальной проекций. Так проще заметить мелкие дефекты, которые при первичной разметке легко пропустить: «лестничные» артефакты на диафрагме, разрывы на уровне рёберно-диафрагмального синуса, несимметричное исключение участков у средостения.
Какие инструменты использовать
Выбор инструмента зависит от задачи. Одно дело — разметить пару десятков исследований для клинического аудита, другое — подготовить 500 КТ для обучения нейросети. В обоих случаях критичны интеграция с DICOM-потоком и эргономика.
На что смотреть при выборе ПО
- поддержка DICOM — без неё работа встанет сразу;
- удобная посрезовая навигация с колесиком мыши или клавиатурой;
- настраиваемые горячие клавиши для добавления/удаления областей, смены инструментов;
- возможность полуавтоматической подсказки — например, пороговое выделение с динамическим радиусом;
- экспорт в нужный формат: NIfTI, DICOM-RT, STL для объёмной печати;
- сохранение истории правок и контроля версий масок;
- работа с несколькими окнами и уровнями, чтобы одновременно видеть средостенное, лёгочное и костное окно.
Что удобно в практике
Для ручной сегментации лёгких на КТ удобнее всего программы, где можно быстро переключаться между срезами, масштабировать изображение, уточнять маску и возвращаться к спорным участкам без потери контекста. Это особенно важно, если разметка делается не одним специалистом, а командой. В нашем челлендже мы использовали инструмент, который автоматически подсвечивал расхождения между экспертами — это экономило часы обсуждений и делало процесс прозрачным.
Как не потерять клинический смысл
Ручная сегментация лёгких на КТ — это не только геометрия. Если контур формально верный, но клинически бессмысленный, такая разметка не поможет ни для диагностики, ни для обучения моделей. Я часто вижу разметку, где маска аккуратно обходит ателектаз, но по сути исключает функциональную лёгочную ткань, что искажает оценку объёма здоровой паренхимы.
Ошибки, которые встречаются чаще всего
- захват грудной стенки или средостения — контур «выезжает» за пределы плевры из-за усреднения плотностей;
- пропуск верхушек лёгких — особенно актуально при низком качестве верхних срезов;
- неровные границы у диафрагмы — из-за смещения органа при вдохе и выдохе;
- игнорирование участков спада и деформации — разметка проводится только по воздушной ткани, компрессионные участки выпадают;
- несогласованность между разметчиками — один включает плевральный выпот, другой нет.
Как этого избежать
- зафиксируйте инструкцию до начала работы — например, с иллюстрациями типовых ситуаций;
- используйте эталонные примеры — разметьте 3–5 кейсов, принятых за образец, и держите их перед глазами;
- проводите выборочную перекрёстную проверку — 10–15% исследований оцениваются вторым экспертом на предмет расхождений;
- обсуждайте спорные случаи до массовой разметки — лучше разобрать 5 сложных КТ вместе и выработать консенсус, чем потом переделывать сотни масок;
- храните примеры сложных кейсов как внутренний референс — со временем они становятся основой для обучения новых участников команды.
Ручная или полуавтоматическая сегментация: что выбрать
Если говорить честно, чисто ручной подход редко бывает лучшим по скорости. Но в сценариях, где ошибка алгоритма стоит потерянных данных, он незаменим. Полуавтоматическая сегментация с экспертным контролем — золотая середина для большинства проектов.
| Критерий | Ручная сегментация | Полуавтоматическая сегментация |
|---|---|---|
| Точность в сложных случаях | Высокая | Высокая при хорошем контроле |
| Скорость | Низкая | Выше |
| Требования к оператору | Высокие | Средние |
| Подходит для больших датасетов | Ограниченно | Да |
| Удобна для эталонной разметки | Да | Да, если есть проверка |
На практике лучший вариант для многих проектов — полуавтоматическая сегментация с обязательной ручной валидацией. Например, при подготовке данных для U-Net мы сначала генерировали начальную маску пороговым методом, затем эксперт корректировал около 15–20% срезов, а финальный объём проверялся визуально по трёхмерной реконструкции. Это позволяло получать разметку высокого качества в разы быстрее, чем при чисто ручном подходе.
Как организовать процесс в команде
Если разметку делают несколько специалистов, без единого порядка работы вся затея превращается в набор несопоставимых масок. Я участвовал в проекте, где трое рентгенологов размечали один и тот же пул КТ, а итоговый коэффициент Dice между ними колебался от 0,82 до 0,91 — исключительно из-за разной трактовки плеврального выпота. Поэтому регламент не формальность, а инструмент получения воспроизводимого результата.
Минимальный рабочий регламент
- одинаковые критерии включения и исключения тканей — желательно с визуальными примерами;
- единый формат именования файлов, включающий ID пациента и версию разметки;
- фиксированная версия ПО — разные версии могут по-разному интерпретировать маску или DICOM-теги;
- журнал спорных случаев — таблица, где описаны сложные срезы и принятые решения;
- финальная проверка старшим специалистом — аудит 5–10% масок и всех сложных кейсов;
- сохранение промежуточных масок — на случай, если потребуется откатить правки или проанализировать эволюцию контура.
Почему это критично
Без регламента ручная сегментация лёгких на КТ превращается в субъективный процесс. Для машинного обучения это особенно опасно: модель учится не анатомии, а чужой непоследовательности, а потом удивляет странными разрывами контура там, где эксперты просто не договорились. В одном из наших челленджей мы потратили больше времени на унификацию правил, чем на саму разметку, и это окупилось: итоговая модель показала высокую устойчивость именно на спорных случаях.
Как ручная сегментация связана с ИИ
Именно ручная разметка чаще всего становится основой для нейросетей вроде U-Net и других сегментационных архитектур. Автоматическая модель не появляется «из воздуха»: сначала нужны корректные маски, потом — обучение, оценка и итеративное исправление ошибок. Чем качественнее ручная база, тем меньше нейросеть будет «галлюцинировать» на реальных данных.
Для медицинской визуализации это особенно важно, потому что данные должны быть не просто технически аккуратными, но и клинически осмысленными. Когда мы обучали сеть для объёмной оценки лёгочных узлов, мы столкнулись с тем, что маска всего на 3 пикселя шире истинной границы приводила к систематическому завышению объёмов у мелких очагов. Поэтому ручная сегментация лёгких на КТ до сих пор остаётся фундаментом многих проектов — от академических исследований до интеграции в PACS и рабочие клинические процессы. Без тщательного эталона все метрики dice score и IoU становятся просто цифрами в отрыве от клинической реальности.
Практический алгоритм работы
Если нужно начать прямо сейчас, действуйте по шагам. Этот алгоритм собран на опыте запуска челленджа по сегментации и неоднократно проверен на реальных КТ.
- Определите цель разметки: обучение модели, клинический аудит или количественный анализ — от этого зависят допуски.
- Зафиксируйте правила сегментации в письменном виде с визуальными примерами.
- Выберите ПО с полноценной поддержкой DICOM и инструментами уточнения маски.
- Подготовьте 10–20 эталонных исследований, отражающих всю вариабельность вашей выборки (норма, эмфизема, выпот, постоперационные изменения).
- Разметьте несколько кейсов вручную и проверьте межэкспертную согласованность — если разброс высок, уточните правила.
- Настройте полуавтоматический режим, если объём данных большой, и обязательно проверяйте каждую маску на предмет грубых ошибок.
- Проведите финальный аудит масок: просмотрите сложные срезы, проверьте целостность в 3D и сравните с референсными примерами.
- Сохраните лучшие примеры как эталон для команды и включите в обучающий набор для будущих разметчиков.
FAQ
Нужно ли всегда сегментировать лёгкие строго вручную?
Нет. Если задача массовая и есть хорошо подобранная модель-подсказка, лучше использовать полуавтоматический режим с обязательной ручной проверкой. Чисто ручная сегментация оправдана лишь для небольшого количества эталонных масок или особо сложных случаев.
Что важнее: скорость или точность?
Для эталонной разметки, от которой зависит обучение нейросети, — точность. Для большого потока данных, например ретроспективного анализа 1000 КТ, — баланс скорости и качества, но без потери клинического смысла. Хорошая полуавтоматическая система с последующей правкой позволяет добиться этого компромисса.
Можно ли использовать одну и ту же инструкцию для всех КТ?
Базовую — да, но для сложных случаев лучше иметь отдельные уточнения. Послеоперационные изменения, массивный плевральный выпот, тяжёлые деформации грудной клетки и низкое качество срезов требуют более детальных правил и, как правило, участия нескольких экспертов для выработки консенсуса.
Как понять, что разметка качественная?
Если маска повторяет анатомию не только на отдельных срезах, но и в трёхмерном объёме, одинакова по правилам в разных исследованиях, хорошо воспроизводится другим специалистом и не требует постоянных ручных исправлений на очевидных участках. Дополнительно полезно посчитать коэффициент Жаккара по отношению к независимой разметке.
Что делать, если разметчики расходятся в сложных случаях?
Нужен разбор спорных примеров и единый эталон. В сложных проектах мы создаём внутренний набор «референсных» КТ с уже согласованной разметкой и проводим периодические калибровочные сессии — это помогает минимизировать субъективность и тренировать единообразное восприятие границ.