Полуавтоматическая сегментация лёгких: практический разбор

Когда я только начинал разбираться с автоматизацией разметки на компьютерных томограммах, довольно быстро пришёл к выводу: полностью ручная обводка контуров — слишком трудоёмкая, а полностью автоматическая — часто ведёт себя как «чёрный ящик», в котором сложно разобраться при нестандартной анатомии или серьёзной патологии. Полуавтоматическая сегментация лёгких как раз и стала тем рабочим компромиссом, за которым стоит реальная клиническая и исследовательская ценность. Вы получаете первичную маску от алгоритма, быстро её проверяете и поправляете, а не рисуете всё с нуля, и при этом сохраняете полный контроль над тем, что уйдёт в измерения, обучение нейросети или клинический протокол.

Почему полуавтоматическая сегментация всё ещё нужна

Полностью ручная сегментация лёгких на КТ, при всём уважении к её точности в умелых руках, давно стала узким местом любого проекта, где количество исследований переваливает за десяток. Один объём с артефактами металла, выраженной эмфиземой, плевральным выпотом или постоперационными изменениями может отнять у врача от двадцати минут до часа. Полуавтоматический подход эту нагрузку радикально снижает: алгоритм предлагает готовую маску за секунды — например, используя пороговую обработку и логику связных компонент, — а специалист тратит силы только на коррекцию явных ошибок, а не на монотонное оконтуривание среза за срезом.

Для клиники и исследовательской группы, с которыми мне доводилось работать, это оборачивается сразу несколькими выгодами:

• ускорение разметки при сохранении клинического контроля — мы не отдаём финальное решение машине, но избавляемся от рутины;
• снижение утомляемости врача — когда после десятого исследования глаз уже «замыливается», полуавтоматическая подсказка держит качество стабильным;
• стабильность качества на больших выборках — в проектах по обучению нейросетей меньше разброса между разметчиками;
• удобный переход от классических методов к нейросетям — можно начать с простого region growing, а позже подключить U-Net с минимальной донастройкой пайплайна;
• подготовка данных для обучения моделей — когда каждая маска должна быть чистой и воспроизводимой, полуавтоматика даёт лучший баланс темпа и аккуратности.

Где полуавтоматическая сегментация особенно полезна

Полуавтоматическая сегментация лёгких по-настоящему раскрывается не в простых случаях «обвести два больших тёмных пятна», а тогда, когда от контура ждут не просто визуального совпадения, а количественной точности. Если вы планируете считать объём лёгочной ткани, долю поражения при интерстициальных изменениях или динамику узлов — ручной ввод мгновенно становится фактором, тормозящим всю цепочку. Именно в таких сценариях полуавтоматический контур, быстрый и предсказуемый, даёт возможность сосредоточиться на клинической интерпретации, а не на геометрии.

Чаще всего я применял полуавтоматическую сегментацию (и видел, как её внедряют коллеги) в следующих ситуациях:

• при подготовке датасетов для обучения нейросетей — когда нужно аккуратно разметить сотни исследований с приемлемым уровнем консенсуса;
• в проектах по количественной оценке КТ — расчёт объёмов, гистограмм плотности, карт эмфиземы;
• для расчёта объёма лёгочной ткани — особенно после резекций или при прогрессировании фиброза;
• при предобработке перед анализом очагов, узлов и диффузных изменений — чтобы отделить паренхиму от грудной стенки и средостения;
• в клинических workflow, где нужен быстрый черновой контур с последующей проверкой — например, когда рентгенолог должен утвердить автоматическую разметку перед внесением в протокол.

Какие методы лежат в основе полуавтоматической сегментации

Полуавтоматическая сегментация лёгких почти всегда — это комбинация: пользователь даёт минимальную подсказку (точку, ROI, грубый контур), а алгоритм расширяет или уточняет маску, опираясь на свойства изображения. В ранних проектах я перебирал классические эвристики, а позже перешёл к гибридным схемам с нейросетями — и каждая ветка имеет своё место в арсенале.

Классический подход

Классическая полуавтоматическая сегментация держится на прямых манипуляциях с интенсивностью и формой. Это прозрачные методы, где вы чётко понимаете, почему алгоритм провёл границу именно так:

• пороговая обработка отделяет воздухсодержащие структуры по диапазону Хаунсфилда (например, от -1024 до -400 HU);
• region growing стартует от заданной вами точки внутри лёгкого и захватывает связную область, удовлетворяющую условиям по плотности;
• активные контуры (snakes) или level sets подстраиваются к градиентам на границах, сглаживая неровности;
• морфологические операции — закрытие мелких дырок, удаление связей с трахеей, сглаживание краёв.

Такие методы просты, работают быстро и не требуют GPU. Их главная сила в предсказуемости: если маска повела себя странно, вы почти всегда можете объяснить это диапазоном порога или неудачной инициализацией. Обратная сторона — крайняя чувствительность к патологии: эмфизематозные участки могут «слипаться» с воздухом вне тела, консолидации проваливаются по плотности, а выпот сглаживает границу так, что активный контур уползает в грудную стенку.

Нейросетевой подход

В ИИ-подходах полуавтоматическая сегментация чаще всего строится вокруг U-Net и её производных, обученных на реальных парных данных. Пользователь может дать модели подсказку — достаточно одной точки, грубого контура или пары контрольных срезов — и сеть достраивает трёхмерную маску, учитывая контекст соседних слоёв. В отличие от классики, такой вариант гораздо устойчивее к сложной анатомии и типовым артефактам.

Нейросетевой вариант чаще выигрывает в таких случаях:

• сложные границы лёгких — при тяжёлой эмфиземе, выраженных буллах, после резекций;
• выраженные патологические изменения — матовое стекло, консолидации, ретикулярные изменения, которые «ломают» пороговые модели;
• нестандартные сканы — разные протоколы реконструкции, толщина среза, наличие контраста;
• необходимость одинакового качества на больших потоках данных — если завтра вы меняете сканер, модель можно дообучить, а набор жёстких правил придётся переписывать с нуля.

Пошаговый рабочий процесс

Ниже — схема, которую я вывел для себя и не раз применял в обучающих челленджах и клинических проектах. Она не привязана к конкретному инструменту, но помогает не пропустить системную ошибку.

1. Подготовьте данные

Перед сегментацией проверьте базовые вещи:

• корректность DICOM-данных — убедитесь, что все срезы на месте, инстансы не перепутаны, и ориентация соответствует стандарту (обычно сверху вниз, слева направо);
• толщину среза — тонкие срезы (0.5–1.25 мм) дают больше деталей, но реконструкции с шагом 5 мм могут «смазывать» верхушки и базальные отделы;
• наличие артефактов — металл, движения пациента, кольцевые артефакты часто порождают ложные перепады плотности;
• правильную ориентацию объёма — если аксиальный стек перевернут, region growing от точки может уйти в противоположное лёгкое;
• единицы интенсивности и окно просмотра — легочное окно привычнее для визуального контроля, но алгоритму нужны сырые значения HU.

Если входные данные «грязные», даже хорошо обученный U-Net начнёт ошибаться, причём систематически.

2. Выберите стартовую стратегию

Задайте алгоритму минимальную, но надёжную подсказку. В моей практике хорошо зарекомендовали себя:

• одна точка внутри правого и левого лёгкого на центральном срезе — для region growing или seed-based нейросети;
• прямоугольная область, заведомо охватывающая лёгочные поля;
• грубый контур, нарисованный парой движений мыши на трёх-четырёх срезах (вверху, в центре, внизу);
• пара контрольных срезов, по которым сеть «понимает», где искать лёгкие по всему объёму.

Чем аккуратнее старт, тем меньше потом придётся исправлять «уплывшие» края в куполе диафрагмы или на уровне бифуркации.

3. Получите первичную маску

На этом этапе алгоритм строит предварительную сегментацию. Классическая схема ищет два крупных воздушных объёма, убирает тонкие связи, замыкает разрывы. Но в реальных КТ контур часто обрывается у плевры, сливается с воздухом в трахее или «прилипает» к консолидациям, матовому стеклу, выпоту. Нейросеть справляется с этим лучше, но и она может пропустить тонкий ободок в базальных отделах или захватить магистральные сосуды рядом с корнями. Поэтому к первичной маске нельзя относиться как к финалу.

4. Проверьте типичные ошибки

Проверка нужна не формальным пролистыванием, а целенаправленно по зонам риска, где полуавтоматическая сегментация ломается чаще всего:

• верхушки лёгких — здесь мало контраста с грудной стенкой, и маска может урезать самую верхнюю порцию паренхимы;
• прикорневые зоны — сосуды и бронхи часто попадают внутрь контура или, наоборот, отсекаются;
• базальные отделы — контакт с диафрагмой, печенью и сердцем, особенно при неглубоком вдохе, приводит к разрывам или слиянию с брюшными структурами;
• области рядом с плеврой — выпот, утолщение плевры, послеоперационные спайки меняют локальную геометрию;
• участки с ателектазом, выпотом или буллами — плотность перестаёт соответствовать типичному воздушному лёгкому, и маска либо «убегает» в окружающие ткани, либо оставляет дыры.

Именно в этих местах разница между просто автоматическим и действительно полезным полуавтоматическим результатом становится очевидной.

5. Исправьте маску

Исправления полуавтоматической маски, как правило, занимают в разы меньше времени, чем рисование с нуля. Типовые инструменты коррекции, доступные в большинстве сред (от 3D Slicer до проприетарных PACS-модулей):

• добавление или удаление областей кистью — грубая быстрая правка в проекциях наибольших дефектов;
• локальное уточнение границ — активное «притягивание» контура к градиентам с учётом соседней информации;
• закрытие отверстий — простая морфологическая операция или «замазка» вручную на участках с воспалением;
• удаление лишних включений вне лёгких — кусочков трахеи, крупных бронхов, артефактов реконструкции.

Важно не пытаться довести маску до пиксельного совершенства на каждом срезе, а сосредоточиться на тех ошибках, которые действительно влияют на дальнейшие измерения или визуализацию.

6. Проведите финальный контроль

После правок недостаточно просто сохранить результат. Я обычно делаю быструю, но системную проверку:

• визуально на всех срезах — хотя бы быстрым скроллингом в легочном окне;
• по объёму маски — если объём лёгкого 2,5 литра, а маска показывает 1,8, явно есть крупные пропуски;
• по симметрии правого и левого лёгкого — при нормальной анатомии резкая асимметрия объёмов подсказывает зону ошибки;
• по совпадению с клинической картиной — загляните в протокол, сопоставьте маску с описанными изменениями.

Такой прагматичный контроль спасает от ситуации, когда красивая на вид маска в трёх центральных срезах оказывается клинически некорректной на всей серии.

Сравнение подходов

На что смотреть при оценке качества

Если вы хотите, чтобы полуавтоматическая сегментация лёгких действительно приносила пользу, смотрите не только на картинку одного среза. Хороший результат обязан выдерживать проверку в трёхмерном объёме и не рассыпаться на повторных запусках.

Основные критерии качества

• Целостность контура: лёгкие не должны «рваться» без объективных причин — разрывы из-за шума или несовершенства алгоритма недопустимы.
• Отсутствие лишних включений: маска не должна захватывать грудную стенку, сердце или трахею — это исказит любые измерения объёма и плотности.
• Стабильность на серии срезов: при скроллинге маска должна меняться плавно, без резких скачков, если для этого нет анатомической причины.
• Повторяемость: при одинаковой инициализации алгоритм на тех же данных должен давать схожий результат; если разница объёмов на двух прогонах превышает 2–3%, это сигнал.
• Корректность на патологии: изменения — эмфизема, консолидация, матовое стекло — не должны полностью ломать сегментацию. Хороший полуавтоматический пайплайн ошибается в этих зонах предсказуемо и позволяет быстро поправить.

Типичные ошибки

• захват крупных сосудов и средостения — особенно часто встречается на уровне корней лёгких при заниженном пороге;
• пропуск верхушек лёгких — маска обрывается на 2–3 см ниже истинного купола;
• обрезка базальных отделов — при неглубоком вдохе или прижатом к диафрагме лёгком контур уходит в печень или селезёнку;
• «дырки» в маске на участках с воспалением — консолидация или матовое стекло по плотности выпадают из порогового диапазона, и алгоритм их вырезает;
• слияние лёгкого с воздухом вне тела — на верхних и нижних срезах, где воздух в трахее или атмосфера соединяются с лёгочной тканью;
• избыточное сглаживание границ — активный контур может «съесть» тонкие рёберно-диафрагмальные синусы или острые контуры эмфизематозных булл.

Как выбрать инструмент или алгоритм

Выбор полуавтоматического решения всегда ситуативен и завязан на конкретную задачу, а не на последние тренды. Я не раз наблюдал, как классический region growing, правильно настроенный, переигрывает «тяжёлую» нейросеть в однотипной серии здоровых лёгких. И наоборот: на потоке сложных патологий U-Net с минимальной подсказкой экономит часы экспертного времени.

Практичная логика выбора, которую я для себя сформулировал:

• если нужен быстрый и понятный baseline — берите классический метод: он легко вписывается в любой скриптовый пайплайн, его поведение предсказуемо;
• если важна устойчивость к патологии — тестируйте нейросеть: она не «боится» нетипичных плотностей и форм;
• если данных мало — используйте полуавтоматический подход как способ сэкономить время эксперта: быстро создайте первичную разметку, проверяйте и дообучайте модель;
• если нужен потоковый процесс — думайте об интеграции с PACS и последующей валидации: автоматический контур может быть лишь первым шагом, на котором клиницист ставит подпись после быстрой проверки.

Как проверить, что сегментация пригодна для работы

Проверка не должна ограничиваться тем, «красиво ли это выглядит». Если маска пойдёт в количественный анализ — расчёт объёмов, доли эмфиземы, динамики уплотнений — её нужно оценивать через те метрики, которые потом повлияют на клиническое или исследовательское решение. За годы работы я привык рассматривать сегментацию не изолированно, а как функцию: насколько точно она выполняет свою конкретную задачу.

Практический чек-лист

• сравните результат с экспертной разметкой на контрольной выборке (минимум 10–15 случаев, включая патологию);
• проверьте несколько «сложных» исследований отдельно — выраженная эмфизема, экссудативные изменения, послеоперационные случаи;
• оцените, сколько времени уходит на правку — если на исправление маски тратится больше 5–7 минут, алгоритм для данной подборки данных не эффективен;
• измерьте расхождение по объёму и площади — средняя разница в несколько процентов приемлема для многих сценариев, но выбросы по конкретным осям должны настораживать;
• проверьте, не ухудшается ли качество на разных сканерах и протоколах — модель, обученная на данных одного производителя КТ, может вести себя иначе при другом уровне шума или толщине среза.

Где полуавтоматическая сегментация особенно выигрывает у ручной

Главное преимущество, которое я для себя вывел, — это дисциплина процесса. Когда врач или оператор получает корректный стартовый контур от алгоритма, он перестаёт быть рисовальщиком и становится рецензентом. Это принципиально меняет психологию работы: меньше усталости, меньше случайных пропусков, более ровное качество по всей серии. На длинных выборках это отличие становится критическим.

Полуавтоматическая сегментация лёгких особенно полезна, когда:

• надо обработать много КТ за ограниченный срок — типичный кейс для клинических исследований или локальных челленджей;
• нужен баланс между скоростью и точностью — вы готовы пожертвовать долей пиксельного совершенства ради многократного выигрыша во времени;
• разметку выполняют разные специалисты — алгоритм задаёт единый «базовый уровень», снижая межэкспертную вариабельность;
• данные потом пойдут в обучение или валидацию ИИ-системы — чистая и воспроизводимая разметка здесь дороже абсолютной точности на единичных срезах;
• исследование включает не только лёгкие, но и измерение объёмов, плотности и динамики патологии — здесь полуавтоматика даёт быструю метрическую основу, которую легко проверить и скорректировать.

Какие ошибки совершают чаще всего

За время работы с полуавтоматической сегментацией я не раз наступал на одни и те же грабли — и видел, как на них наступают даже опытные инженеры. Эти четыре ошибки — самые частые и болезненные.

Ошибка 1. Доверяют алгоритму без проверки

Даже вылизанный U-Net с Dice 0.98 на валидации способен систематически обрезать верхушки или вгрызаться в средостение на конкретном типе сканов. Если не просматривать результат объёмно, можно пропустить эти дефекты и потом получить странные цифры в измерениях. Всегда проглядывайте маску на всех срезах хотя бы бегло — это та цена, которая отделяет «автоматическую» от действительно надёжной полуавтоматической сегментации.

Ошибка 2. Пытаются добиться идеала на каждом срезе

Стремление к перфекционизму в полуавтоматическом процессе быстро убивает весь выигрыш по времени. Для расчёта объёмов лёгких допустимая ошибка в 2–3% часто клинически незначима, а борьба за пиксели в тени диафрагмы может отнять больше сил, чем вся остальная работа. Определите допустимый уровень погрешности под конкретную задачу и правьте ровно столько, сколько нужно.

Ошибка 3. Не учитывают качество исходных данных

Шумный скан с толстыми срезами и артефактами движения гораздо больше влияет на сегментацию, чем выбор между пороговой моделью и нейросетью. Если КТ реконструирован мягким ядром для мягких тканей, контраст лёгкого смазывается — и алгоритм может вести себя непредсказуемо. Прежде чем ругать модель, проверьте, с чем она работает: иногда достаточно переоткрыть исследование с правильным окном или улучшить предобработку.

Ошибка 4. Используют один и тот же подход для всех случаев

Универсального рецепта нет. Пара здоровых лёгких с рутинным протоколом отлично обрабатывается простым region growing, а постоперационная грудная клетка с ушитой диафрагмой или массивным выпотом потребует вмешательства нейросети и более аккуратной инициализации. Адаптируйте инструмент под сложность исследования, а не наоборот.

FAQ

Полуавтоматическая сегментация лёгких лучше ручной?

Для рутинной работы — да, потому что она радикально быстрее и при адекватной правке даёт практически ту же точность, что и ручная обводка. Однако в особо сложных случаях (например, выраженный пневмофиброз с множественными дефектами) ручной контроль всё равно остаётся обязательным. Лучше рассматривать полуавтоматику не как замену эксперту, а как усиление его возможностей.

Можно ли использовать полуавтоматическую сегментацию для обучения нейросети?

Это один из самых практичных сценариев. Я часто собираю разметку именно так: алгоритм генерирует заготовку, эксперт её быстро дорабатывает, и чистая маска уходит в обучающую выборку. Такой подход сокращает время подготовки датасета в разы, особенно когда нужны тысячи корректных контуров.

Что выбрать: классический алгоритм или U-Net?

Если важна прозрачность и быстрый старт — классический подход (например, пороговая обработка + связные компоненты). Если приоритет — устойчивость на сложных КТ и перспектива масштабирования, U-Net или её 3D-варианты чаще выигрывают. На практике я нередко комбинирую: черновой контур даёт классика, а нейросеть уточняет границы в сложных зонах.

Почему маска часто ошибается у плевры и в базальных отделах?

Потому что в этих зонах контраст минимален, а наложение соседних структур (диафрагма, печень, сердце) «обманывает» и пороговые модели, и нейросети. Добавьте шум, дыхательные артефакты и наличие выпота — и граница становится крайне неочевидной. Именно здесь полуавтоматическая стратегия раскрывается: вы быстро подправляете пару срезов, а не воссоздаёте контур по всей серии.

Нужна ли постобработка?

Практически всегда. Банальное удаление мелких компонент, морфологическое закрытие дырок и принудительное отделение трахеи значительно поднимают итоговое качество. Даже нейросетевая маска без постобработки может иметь тонкие «хвосты» за счёт артефактов свёртки, которые уберутся простым медианным фильтром или бинарной операцией.

Как понять, что полуавтоматическая сегментация уже достаточно хороша?

Если результат стабилен на контрольной выборке (нет внезапных провалов на 10% объёма), быстро правится — буквально парой движений кисти для большинства случаев, — и не ломается на типичных для вашей выборки патологиях, то такая сегментация уже рабочая. Прагматичный ориентир: время на правку не должно превышать 20–30% от времени, которое ушло бы на ручную разметку того же объёма.