Почему классические методы уступают нейросетям

Почему классические методы уступают нейросетям в анализе медицинских изображений

Когда открываешь серию КТ лёгких с тяжёлой интерстициальной патологией и пытаешься отделить воздушные полости от уплотнённой паренхимы пороговой обработкой, моментально понимаешь: ещё чуть-чуть — и привычный инструментарий перестаёт работать. В МРТ эта проблема стоит ещё острее из-за неоднородности магнитного поля и вариабельности сигнала. Рентгенограммы, при всей кажущейся простоте, тоже преподносят сюрпризы — наложение теней рёбер и мягких тканей создаёт фоновую текстуру, которую классические фильтры интерпретируют как значимую структуру. Именно здесь нейросетевые модели показывают принципиально иной результат: не просто очерчивают область нужной плотности, а распознают анатомию в её клиническом контексте.

Что вообще сравниваем: классика и нейросети

Классические методы

Классические методы в медицинской визуализации — это пороговая обработка, выделение связных областей, морфологические операции (эрозия, дилатация, opening/closing), активные контуры, а также ручная настройка признаков и фильтров. За годы разметки лёгких я перепробовал практически всё: от простого бинаризации по шкале Хаунсфилда до каскадных систем с анализом кривизны границ. Эти методы действительно хороши, когда объект контрастный, а условия съёмки воспроизводятся от исследования к исследованию. Но стоит изменить протокол реконструкции, появиться артефактам от металла, возникнуть участкам консолидации или неполному заполнению лёгких воздухом — и тщательно выстроенный пайплайн начинает давать сбои, предсказать которые заранее очень сложно.

Нейросетевые методы

Нейросети, особенно свёрточные архитектуры и семейство U-Net, учатся по данным и извлекают иерархические признаки самостоятельно. Низкоуровневые слои захватывают границы и текстуры, средние — локальные формы, глубокие — глобальный анатомический контекст. Модель не знает, что такое «число Хаунсфилда», но она видит тысячи примеров того, как выглядят лёгкие при разных патологиях, на разном оборудовании и с разным качеством изображения. Это позволяет ей учитывать одновременно и пиксельную яркость, и форму, и текстуру, и взаимное расположение структур — ровно то, что рентгенолог оценивает, просматривая исследование. Именно эта способность обобщать, а не запоминать конкретные значения плотности, обеспечивает устойчивость в сложных и нетипичных случаях.

Почему классические алгоритмы проигрывают на практике

1. Они зависят от жёстких правил

Классический алгоритм, по сути, оперирует утверждениями: если плотность в диапазоне от -1024 до -400 HU — считаем пиксель частью лёгочной ткани, иначе — исключаем. Для одной серии КТ это может быть приемлемо, особенно если пациент без патологии, а исследование выполнено на полном вдохе. Но как только появляются зоны матового стекла (около -600… -450 HU), консолидации (-100… +50 HU) или выраженный сосудистый рисунок, жёсткое правило перестаёт отличать патологию от фона. Добавьте сюда шум низкодозовых протоколов и артефакты от движения — и задача классификации отдельного пикселя становится почти неразрешимой без учёта его окружения.

2. Они плохо переносятся между аппаратами и клиниками

За время челленджа по сегментации лёгких мы получили данные с десятков разных томографов. Протокол один, а картинка разная: ядро реконструкции, питч, доза, наличие контраста — всё это влияет на распределение плотностей. Классический порог, идеально работавший на данных с Siemens, переставал адекватно выделять лёгкие на GE или Philips. Нейросеть при грамотной аугментации и валидации обобщает такое разнообразие значительно увереннее. Она не ищет конкретную границу по шкале Хаунсфилда — она ищет анатомический смысл, который инвариантен к производителю оборудования.

3. Сложно учитывать контекст

Маленький лёгочный узел на тонком срезе может иметь плотность, схожую с поперечным сечением сосуда. По одному пикселю их не различить. Врач оценивает форму, края (спикулы или гладкий контур), расположение относительно соседних бронхов и сосудов. Классические методы, за редким исключением, не оперируют такого рода пространственным контекстом — они видят локальный оператор, будь то градиент яркости или текстурная мера. Нейросеть, особенно архитектуры с механизмами внимания, обучается связывать разрозненные признаки в осмысленную картину, что для диагностических задач оказывается критически важным.

4. Трудно масштабировать на новые задачи

Когда мы переходим от сегментации лёгочных полей к выделению участков эмфиземы, измерению объёма поражения при COVID-19 или поиску очагов, классическое решение приходится пересобирать практически заново. Меняются пороги, добавляются этапы постобработки, переписывается логика связности. Нейросетевой пайплайн — при условии качественной разметки — расширяется гораздо элегантнее: та же U-Net или её модификации дообучаются под новую задачу, сохраняя общую методологию подготовки данных и оценки качества.

Где классика всё ещё полезна

Несмотря на доминирование нейросетей, полностью списывать классику со счетов рано. Более того, в ряде клинических сценариев она остаётся оптимальным выбором и отлично дополняет более сложные модели.

Сильные стороны классических алгоритмов

• простая логика и высокая интерпретируемость — можно точно сказать, почему пиксель включён в сегментацию;
• низкие вычислительные требования — запуск на CPU без GPU занимает секунды;
• быстрый прототип без долгого цикла обучения и разметки;
• удобны для первичной фильтрации и постобработки выходов нейросетей;
• полезны как baseline для сравнения и отладки.

Когда они работают лучше

• при очень контрастных структурах — например, выделение костной ткани на низких энергиях КТ;
• в узких, хорошо формализованных задачах вроде измерения объёма тотально контрастированного органа;
• при малом объёме размеченных данных, когда нейросеть просто не на чем учить;
• как часть гибридного пайплайна, где классическая морфология очищает маску от ложноположительных фрагментов.

Почему нейросети выигрывают в сегментации лёгких

Сегментация лёгких — тот самый случай, где разница между подходами видна с первого взгляда. В простом случае, при тотальном вдохе и отсутствии патологии, пороговая обработка с коррекцией морфологией работает приемлемо. Но в реальной КТ мешают: крупные сосуды, прилежащие к плевре, участки уплотнения, дыхательные артефакты, неполный охват анатомической области, послеоперационные изменения, плевральные выпоты и многое другое. Нейросеть, обученная на тысячах таких вариаций, начинает понимать, что такое «похоже на лёгкое» на уровне ансамбля признаков, а не отдельного диапазона HU. Особенно выразительно это проявляется на U-Net-подобных архитектурах: энкодер собирает контекст, декодер восстанавливает границы с точностью, достаточной для объёмных измерений.

Таблица сравнения: классические методы vs нейросети

Почему это важно именно для клиники

В лабораторной среде классика может выглядеть убедительно: тестовую выборку чисто подобрали, артефакты исключили, а контуры поправили вручную. Но в клинике качество определяется не демонстрацией на удачных слайдах, а стабильностью на том, что я называю «грязными» данными: разный шум, разные протоколы, разные типы патологии, смешанные случаи. Рентгенолог, просматривающий десятки исследований за смену, не будет вручную корректировать маску под каждый случай — ему нужен воспроизводимый результат, на который можно положиться при измерении объёмов и сравнительной динамике.

Практическая ценность нейросетей

• сокращают время ручной разметки с десятков минут до долей секунды;
• помогают быстрее получать количественные измерения — объёмы долей, размер очагов;
• снижают зависимость от рутинного ручного труда и межэкспертной вариабельности;
• дают основу для автоматического триажа и вторичного анализа;
• позволяют строить комплексные системы — от выделения органов до характеризации патологии.

Как мы обычно переходим от классики к ИИ

На практике резкого перехода почти не бывает. Замена классики на нейросети скорее напоминает эволюцию, чем революцию, и проходит через несколько естественных этапов.

Этап 1. Базовый классический пайплайн

Сначала всегда строится простое решение: фильтрация, порог, морфология, контуры. Это помогает понять структуру данных, визуализировать выбросы и подсветить именно те места, где алгоритм систематически ошибается. Такой пилотный этап сам по себе очень поучителен: он вскрывает неочевидные особенности выборки, например, нестандартную ориентацию срезов или вариабельность поля обзора.

Этап 2. Разметка и контроль качества

Потом создаётся качественная разметка. Для медицинских изображений это, пожалуй, самый трудоёмкий и критичный этап. Нейросеть учится не на абстрактной теории, а на примерах, которые должны отражать реальные клинические варианты. Когда я сам размечал лёгкие для челленджа, на одно исследование уходило до полутора часов — и это только для лёгочных полей без уточнения патологий. Без инвестиций в качественную разметку никакая архитектура не скомпенсирует ошибки в эталонных данных.

Этап 3. Обучение нейросети

Затем подключаем U-Net или другую сегментационную архитектуру. Важно не просто натренировать модель, а провести полноценную валидацию на независимой выборке, лучше мультицентровой. Мы обычно выделяем под валидацию данные с аппаратов и патологий, не участвовавших в обучении, чтобы проверить именно обобщающую способность, а не переобучение под конкретный томограф.

Этап 4. Постобработка и интеграция

Даже хорошо обученная нейросеть редко выдаёт идеально гладкую маску, которую можно без обработки передать на измерение объёмов. Почти всегда нужны постобработка: удаление мелких ложных фрагментов, сглаживание контуров, контроль топологии. И только после этого результат можно интегрировать в PACS или в рабочий протокол врача — так, чтобы вызов модели занимал один клик, а не становился отдельной задачей.

Какие метрики показывают реальное преимущество

Чтобы сравнение подходов не превращалось в субъективное «нравится — не нравится», используют метрики качества сегментации и распознавания. Я всегда смотрю на несколько одновременно — одна метрика может вводить в заблуждение, особенно при несбалансированных классах или сложных границах.

Основные метрики

• Dice coefficient — мера перекрытия сегментаций, чувствительная к размеру объекта;
• IoU — жаккардовский коэффициент, жёстче оценивает расхождения;
• sensitivity / recall — насколько полно захвачен объект;
• specificity — насколько чисто исключён фон;
• Hausdorff distance — максимальная ошибка по границе, критична для анализа формы;
• время обработки одного исследования — клинически важный параметр, особенно для потокового применения.

Классические методы иногда выигрывают по скорости, но нейросети обычно лидируют по качеству границ, устойчивости и минимальной зависимости от перенастроек. Для врача это значительно важнее, чем небольшая экономия вычислительного времени.

Типичные ошибки при сравнении подходов

Сравнивают неравные условия

Нельзя честно сравнивать классический алгоритм, тщательно подогнанный под одну выборку, с нейросетью, обученной и проверенной на совершенно другой. Тестовая коллекция, протокол предобработки и критерии оценки должны быть едиными для обоих подходов, иначе выводы будут некорректными.

Оценивают только один случай

Один впечатляющий результат на единственной серии КТ ничего не доказывает. В медицинской визуализации важна стабильность на разных типах данных: норма, выраженные патологии, низкое качество изображения, артефакты. Только агрегированные метрики на представительной выборке дают объективную картину.

Игнорируют рабочий процесс

Алгоритм может быть великолепен в условиях статьи, но полностью бесполезен на практике, если его нельзя быстро встроить в поток чтения исследований. Интерфейс, время отклика и интеграция с PACS часто влияют на клиническое принятие не меньше, чем точность сегментации сама по себе.

Когда стоит выбирать нейросети, а когда классику

Выбирайте нейросети, если нужно:

• сегментировать сложные анатомические структуры с размытыми или вариабельными границами;
• работать с разнородными данными от разных аппаратов и протоколов;
• находить и характеризовать патологии на КТ, МРТ и рентгенограммах;
• масштабировать решение на новые задачи без пересборки всей системы;
• снизить долю ручного труда и межэкспертную вариабельность.

Выбирайте классические методы, если нужно:

• быстро собрать прототип для демонстрации или пилотного исследования;
• решить простую и хорошо формализованную задачу с предсказуемыми условиями;
• получить интерпретируемый baseline, который легко объяснить коллегам;
• использовать метод как вспомогательный этап предобработки или фильтрации;
• работать при ограниченных ресурсах и малом объёме данных.

Что делать, если у вас уже есть классический пайплайн

Если в проекте уже работает классический метод, не стоит его выкидывать. На практике разумнее: оставить его как baseline для сравнения, использовать для грубой предварительной фильтрации и ускорения постобработки, сравнить с нейросетью на единой валидационной выборке, измерить не только точность, но и время, стабильность и удобство встраивания в клинический процесс, и уже затем решать, где классика объективно помогает, а где начинает мешать дальнейшему развитию.

Почему нейросети не «магия», а следующий этап эволюции

Нейросети не отменяют инженерный подход и не превращают разработку в «чёрный ящик», с которым невозможно работать. Они просто лучше справляются с задачами, где правила слишком сложны, многомерны и вариабельны для ручной формализации. В медицинской визуализации это особенно заметно: изображение всегда содержит шум, зависит от физических параметров сканера и несёт клинический контекст, который практически невозможно описать набором порогов и эвристик. Эволюция от классических методов к нейросетевым — это не замена одного инструмента на другой, а расширение возможностей, позволяющее решать задачи, которые раньше оставались за гранью автоматизации.

FAQ

Чем нейросети лучше пороговой обработки?

Пороговая обработка принимает решение по каждому пикселю изолированно, опираясь только на его яркость. Нейросеть учитывает форму, текстуру, локальный и глобальный контекст, поэтому на сложных изображениях с шумом, патологическими изменениями и артефактами результат получается существенно чище и анатомичнее.

Почему классические методы до сих пор используют?

Они просты в реализации, не требуют больших вычислительных мощностей и длительного обучения, а главное — полностью интерпретируемы. В роли baseline, инструмента предобработки или компонента постобработки выходов нейросети они остаются очень полезными.

Что выбрать для сегментации лёгких?

Для учебных проектов и простых случаев пороговой обработки с морфологической коррекцией может быть достаточно. Если же нужен воспроизводимый клинический результат, устойчивый к разнообразию пациентов и оборудования, предпочтение стоит отдать нейросетевым архитектурам — чаще всего модификациям U-Net.

Нужна ли ручная разметка для нейросети?

Абсолютно необходима. Качество разметки прямо влияет на то, чему модель реально научится. В медицинских задачах цена ошибки разметки особенно высока, поэтому инвестиции в аккуратное создание эталонных масок окупаются надёжностью итоговой модели.

Можно ли полностью заменить классические методы?

Не всегда и не везде. Наиболее устойчивый подход — гибридный: нейросеть как основа для сложной сегментации, а классические методы как фильтр, контроль топологии и быстрая постобработка. Такое сочетание часто оказывается практичнее, чем попытки решить всё одной моделью.