Количественная оценка объёма лёгочной ткани

Когда вместо «обширное поражение» в протоколе появляется конкретное число — 340 мл консолидации или 27% паренхимы, — клинический диалог становится принципиально другим. Количественная оценка объёма лёгочной ткани на КТ давно перестала быть нишевым исследовательским инструментом. Это рабочий метод, который объективизирует тяжесть процесса, динамику лечения и функциональный резерв там, где описательные формулировки уже не справляются. Пневмонии, интерстициальные заболевания, эмфизема, предоперационное планирование и постооперационный контроль, клинические испытания и рутинный скрининг с привлечением ИИ-сегментации — везде, где требуется воспроизводимость, объёмные метрики становятся точкой опоры.

Почему количественная оценка объёма лёгочной ткани важна

За годы ручной разметки я выучил простую истину: «умеренное снижение пневматизации» — это не метрика. Два врача опишут одну и ту же КТ по-разному; тот же врач через неделю может сместить акценты — и динамика потеряется. Когда мы запускали челлендж по сегментации лёгких, именно разрыв между субъективной интерпретацией и потребностью в воспроизводимом показателе стал главным драйвером. Количественная оценка решает несколько задач одновременно:

• сравнение исследований в динамике без привязки к формулировкам конкретного специалиста;
• объективизация тяжести поражения — особенно важно при сортировке пациентов и оценке ответа на терапию;
• единый показатель для научных протоколов и многоцентровых исследований;
• снижение межнаблюдательной вариабельности при массовой нагрузке, когда поток КТ исчисляется десятками в день.

Для ресурса, посвящённого ИИ и медицинской визуализации, эта тема — почти архетип: ручная работа упирается в лимиты времени и внимания, а сегментирующие алгоритмы дают ощутимый выигрыш не в абстрактной точности, а в практической повторяемости. Объём лёгочной ткани и объём поражения стали той задачей, где автоматизация показывает свою полезность прямо сейчас.

Что именно измеряют

Под «объёмом лёгочной ткани» на КТ часто подразумевают не одну величину, а семейство метрик. В клинической и исследовательской работе я обычно оперирую несколькими производными:

• общий объём лёгких — геометрический объём всей сегментированной паренхимы;
• объём вентилируемой ткани — зоны с плотностью, соответствующей воздухосодержащей лёгочной ткани;
• объём участков с патологической плотностью — консолидация, «матовое стекло», ретикулярные изменения;
• процент поражения — доля патологической ткани от общего объёма лёгких;
• объём отдельных долей — полезен при локальных процессах и планировании резекций;
• объём гиперинфляции или эмфизематозных участков — низкоплотностные зоны ниже определённого порога HU;
• объём изменений до и после лечения — ключевой показатель динамики.

Важно различать

• Объём лёгких — геометрическая характеристика, получаемая напрямую из бинарной маски.
• Плотность ткани — денситометрическая характеристика, базирующаяся на числах Хаунсфилда (HU).
• Процент поражения — нормированный показатель, который особенно удобен при сравнении пациентов разной конституции и для оценки динамики, так как нивелирует абсолютные различия в размере лёгких.

Как получают количественную оценку объёма лёгочной ткани

Общий пайплайн — и для ручных, и для автоматизированных методов — строится на четырёх последовательных шагах. Я настраивал его десятки раз, от первых экспериментов с пороговой обработкой до нейросетевых конвейеров, и каждый этап по-своему критичен.

1. Сегментация лёгких

Базовый этап, без которого невозможно посчитать ни одного вокселя. В классическом варианте это пороговая обработка с эмпирически подобранными границами HU, выделение связных компонентов, морфологическое закрытие для заполнения дырок от сосудов и бронхов, а затем удаление ложных включений — трахеи, главных бронхов, иногда газа в желудке. Более современный путь — нейросетевая сегментация, чаще всего на основе архитектуры U-Net и её вариантов, которые обучают на сотнях размеченных вручную масок. Лично я начинал с активных контуров, но после того, как U-Net корректно обработала десяток сложных случаев с массивной консолидацией, где пороги просто сливали патологию с мягкими тканями, стало понятно: в потоке без свёрточных сетей не обойтись.

2. Подсчёт вокселей

После получения бинарной маски алгоритм считает количество вокселей, принадлежащих лёгочной ткани. Объём одного вокселя вычисляется из метаданных DICOM: пиксельный размер в плоскости среза (Pixel Spacing) умножается на расстояние между срезами (Slice Thickness или Spacing Between Slices). Простая арифметика, но разночтения в тэгах DICOM и нестандартная реконструкция могут внести систематическую ошибку в 2–5%, особенно если толщина среза неравномерна.

3. Перевод в миллилитры или литры

Результат удобно представлять в миллилитрах или кубических сантиметрах для локальных изменений и в литрах — для общего объёма. В клиническом заключении врач скорее воспримет «объём лёгких 4,2 л» или «поражение 320 мл», чем абстрактное число вокселей. Проценты от общего объёма становятся универсальным языком для междисциплинарных консилиумов.

4. Оценка патологических участков

Если цель — не просто общая ёмкость грудной клетки, а объём поражения, дополнительно сегментируют зоны с аномальной плотностью. Здесь на первый план выходят окна визуализации, правильный выбор порогов HU (для «матового стекла» и консолидации они разные), качество исходных данных и аккуратная постобработка, исключающая сращение патологического участка с плеврой или средостением.

Классические методы и нейросети: в чём разница

Классические подходы я до сих пор использую как прозрачный baseline и для быстрых прототипов. Но когда задача — обработать сотню торакальных КТ с разной дыхательной фазой, анатомией и патологией, нейросетевая сегментация оказывается практичнее. Она меньше страдает от вариабельности плотности, лучше удерживает границу даже при выраженной консолидации и, что важно, масштабируется без линейного роста ручного труда. Ключевое условие — качественная разметка и репрезентативная выборка для обучения; на заре нашего челленджа именно недостаток аннотированных данных с реальной патологией был главным тормозом.

Как выглядит рабочий пайплайн в реальной практике

Подготовка данных

Прежде чем отправить серию в алгоритм, я всегда проверяю:

• формат DICOM и корректность основных тэгов (особенно Slice Thickness, Pixel Spacing, Image Position Patient);
• толщину среза — отличие в два раза между сериями может изменить общий объём на 3–7%;
• тип реконструкции (мягкотканный или лёгочный кернел);
• отсутствие грубых артефактов движения, металла или неполное сканирование верхушек;
• одинаковость протокола при динамическом наблюдении — без этого сравнение объёмов теряет смысл.

В одном из проектов по мониторингу интерстициальных пневмоний мы столкнулись с тем, что разные аппараты выдавали систематическое расхождение в 8–10% только из-за реконструкционного кернела. Это напомнило, что «грязные» данные убивают даже самую совершенную модель.

Сегментация и контроль качества

Получив автоматическую маску, важно смотреть не только на итоговое число. Я проверяю:

• не потеряны ли верхушки лёгких (частая проблема у худых пациентов из-за агрессивного порога);
• не захвачены ли крупные сосуды, плевра или стенка грудной клетки;
• нет ли «провалов» в зонах консолидации или ателектаза, где плотность ткани приближается к мягкотканной и маска может дать ложный разрыв;
• корректно ли обработаны буллы и эмфизематозные участки — они не должны сливаться с окружающим воздухом за пределами лёгкого.

Опыт подсказывает: даже при метрике Dice выше 0,95 визуальная инспекция выявляет систематические артефакты на краях — там, где клиническое решение наиболее чувствительно к ошибке.

Расчёт показателей

Стандартный набор метрик, который мы выводим в отчёт:

• общий объём лёгких;
• объём правого и левого лёгкого раздельно;
• долевая разбивка (при необходимости — сегментарная);
• абсолютный объём патологических зон (консолидация, «матовое стекло», эмфизема по порогам HU);
• процент поражения от общего объёма;
• изменения по сравнению с предыдущими исследованиями в процентах и миллилитрах.

Типичные ошибки, которые портят результат

Неправильная сегментация границ лёгких

Самая частая и коварная проблема. Алгоритм может «съесть» небольшую полоску субплевральной паренхимы, особенно в дорсальных отделах, или включить плевральный выпот и средостенную жировую клетчатку. На одном из тестовых наборов мы обнаружили, что ошибка границы всего в два вокселя на периферии давала погрешность общего объёма до 6% — клинически значимая разница при оценке динамики.

Слишком жёсткие пороги

Ориентация исключительно на плотность воздуха приводит к потере зон консолидации, которые по HU близки к мягким тканям. У пациента с обширной пневмонией алгоритм может «вырезать» уплотнённую долю, и итоговый процент поражения окажется заниженным. Именно поэтому я предпочитаю гибридные подходы: нейросеть, обученная на масках, включающих патологию, или постобработка с заполнением «дыр» по контексту.

Артефакты дыхания и движения

Размытые контуры, ступеньки на стыках срезов и смещение органов между вдохом и выдохом ухудшают как ручную, так и автоматическую оценку. При глубоком вдохе общий объём может отличаться на 15–20% от выдоха, поэтому сравнение серий, выполненных в разной фазе, по сути некорректно. Я всегда проверяю, нет ли явных признаков дыхательной волны в аксиальной проекции, и если они есть — предупреждаю клиницистов об ограничениях точности.

Разные протоколы сканирования

Толщина среза, доза облучения, алгоритм реконструкции, наличие или отсутствие контрастного усиления — каждый фактор может изменить видимые границы и плотности. Когда мы собирали ретроспективные данные для обучения модели, отбраковывали около 20% исследований только из-за несовместимости протоколов. Без жёсткого контроля входа сравнимая количественная оценка невозможна.

Отсутствие постобработки

Хорошая автоматическая маска — не повод отказаться от финальной проверки. Без постобработки типичные артефакты включают:

• дырки внутри паренхимы, не соответствующие анатомии;
• изолированные ложные островки в области средостения;
• захват трахеи или крупных бронхов;
• «обрезание» купола диафрагмы, когда нижняя граница лёгкого идёт не по плевре, а по случайному изменению сигнала.

Когда количественная оценка особенно полезна

• при мониторинге воспалительных изменений — например, для объективного сравнения КТ-2 и КТ-3 при COVID-ассоциированной пневмонии;
• при оценке распространённости интерстициального поражения (идиопатический лёгочный фиброз, неспецифическая интерстициальная пневмония);
• при анализе эмфиземы и гиперинфляции — процент низкоплотностных участков коррелирует с функциональными показателями;
• при подготовке к операции — расчёт остающегося объёма лёгкого критически важен для прогноза функции после резекции;
• в клинических исследованиях как стандартизированная конечная точка;
• при внедрении ИИ-систем в PACS и рабочий поток радиолога — автоматическая объёмная оценка сокращает время описания и даёт второе мнение, особенно в ночные смены.

Как проверить, что измерению можно доверять

Практический чек-лист, который я применяю к любому новому алгоритму или собственной разметке:

• сравнить бинарную маску с исходными аксиальными срезами минимум в трёх репрезентативных плоскостях;
• выборочно проверить несколько исследований вручную, включая пограничные случаи;
• оценить повторяемость — дважды запустить анализ на одних и тех же данных и сверить цифры;
• смотреть не только итоговое число, но и визуальное соответствие сегментации особенно в зонах интереса;
• сопоставить результат с клинической картиной и данными функциональных тестов;
• если есть возможность, применить две независимые методики (например, классическую и нейросетевую) и сравнить результаты.

Минимальные критерии качества

• стабильная сегментация на разных пациентах без резких выбросов;
• понятные и документированные правила постобработки;
• воспроизводимость при повторном запуске — разница не более 1–2%;
• прозрачная логика расчёта метрик, чтобы можно было объяснить врачу;
• возможность ручной коррекции — ни одна модель не идеальна.

Где здесь место ИИ

Искусственный интеллект — не волшебная палочка, а усилитель возможностей в конкретном звене рабочего процесса. Нейросети в первую очередь решают задачу рутинного выделения лёгочных полей и поражений на большом потоке исследований, высвобождая время врача для интерпретации. По моему опыту, U-Net-подобные архитектуры, обученные на нескольких тысячах разнородных масок, дают приемлемый результат в 80–90% случаев, но критически важны ещё и детали интеграции:

• принимает ли система DICOM без ручной подготовки и конвертации;
• можно ли отправить готовую сегментацию и метрики в PACS в виде вторичного захвата или структурированного отчёта;
• ведётся ли журнал ошибок и неуверенных предсказаний;
• поддерживается ли ручная правка маски с пересчётом показателей;
• понятно ли врачу, как получена цифра — алгоритмическая прозрачность повышает доверие;
• проведена ли локальная валидация на данных конкретного учреждения.

Без ответов на эти вопросы даже точная модель рискует остаться красивой демо-версией. В одном из проектов по интеграции в PACS мы потратили 70% времени не на обучение сети, а на обеспечение совместимости с различными представлениями DICOM-тэгов и настройку автоматической отправки результатов.

Таблица: что влияет на точность количественной оценки объёма лёгочной ткани

Практический вывод для врача, исследователя и разработчика

Если вам нужна количественная оценка объёма лёгочной ткани, не начинайте с финальной цифры. Начинайте с качественной сегментации, проверки исходных данных и чёткого понимания, что именно вы измеряете: общий объём, поражение, плотность или динамику. Без этого любой, даже самый «точный» результат рискует оказаться лишь аккуратно посчитанной ошибкой.

FAQ

Что такое количественная оценка объёма лёгочной ткани?

Это измерение объёма лёгких или отдельных патологических участков на КТ путём сегментации изображения и подсчёта вокселей с последующим пересчётом в миллилитры или проценты.

Можно ли посчитать объём лёгких вручную?

Технически да — например, ручной обводкой контура на каждом срезе. Но даже для одного торакального КТ это займёт от 30 до 60 минут, и ошибки неизбежны. На потоке ручной метод практически не применяется, уступая полуавтоматическим и автоматическим подходам.

Что точнее: классические алгоритмы или нейросети?

Для сложных клинических случаев и больших массивов данных нейросетевые методы обычно показывают лучшую обобщающую способность. Однако классические алгоритмы (пороги, рост области) сохраняют ценность как эталон прозрачности и инструмент контроля качества. На практике разумно сочетать оба подхода.

Почему объём на разных КТ может отличаться?

На итоговую цифру влияют толщина среза, фаза дыхания, наличие артефактов, тип реконструкции, а также различия в методах сегментации. Даже у одного пациента разница в 5–10% между сериями — не редкость, если не соблюдены стандарты сбора данных.

Нужна ли ручная проверка после автоматического расчёта?

Да, обязательно. Как бы хороша ни была модель, визуальный контроль врачом остаётся последней инстанцией, особенно когда результат напрямую влияет на клиническое решение.

Где чаще всего ошибаются при анализе?

Наибольший вклад ошибок вносят неправильная сегментация границ лёгких, особенно при консолидации или плевральном выпоте, плохое качество исходной КТ, сравнение серий с разными параметрами сканирования и отсутствие постобработки маски.