Когда я только начинал работать с компьютерной томографией лёгких, самым утомительным — и при этом неизбежным — этапом была ручная разметка. Обвести контуры лёгочных полей на каждом втором-третьем срезе, проверить границы, поправить там, где алгоритм не справился, переделать там, где плеврит или уплотнение сбили маску. На один случай уходили часы. И это при том, что сама задача — отделить лёгочную ткань от всего остального — звучит почти примитивно для человека. Но не для машины.
С этого ощущения и начался проект. Мне хотелось понять: можно ли сделать разметку быстрее и точнее, не теряя при этом клинического качества. Сначала — просто собрать практикующих врачей и разработчиков вокруг общей задачи. Так появился челлендж по сегментации лёгких на КТ: открытые данные, единая метрика, живое обсуждение подходов. Участники присылали решения, мы сравнивали результаты, разбирали ошибки, спорили о границах применимости разных методов. Для меня это стало точкой, в которой врачебный опыт столкнулся с алгоритмическим мышлением — и обнаружилось, что диалог между ними возможен.
Челлендж дал не только цифры и таблицы лидеров. Он показал, где именно алгоритмы спотыкаются: при ателектазах, выраженном фиброзе, нестандартной анатомии. И тогда стало интересно не просто сравнивать готовые решения, а разбираться в том, как они устроены изнутри. Классические методы — пороговая обработка, наращивание регионов, активные контуры — хорошо работают на типовых случаях, но ломаются на сложных. Почему? И что могут дать нейросети там, где правил недостаточно?
Так проект перерос формат разового соревнования. Появились первые обзоры: свёрточные архитектуры, U-Net и её модификации, сравнение классики и глубокого обучения на одних и тех же данных. Практические гайды — как подготовить датасет, как настроить аугментацию, как интерпретировать функцию потерь не абстрактно, а применительно к лёгочной ткани. Я начал собирать и описывать собственные эксперименты: что работает, что нет, и главное — почему.
Постепенно фокус расширился. От чисто геометрической задачи — выделить лёгочные поля — логично было перейти к тому, ради чего эта разметка вообще делается: к поиску патологических изменений. Узлы, инфильтраты, зоны уплотнения по типу матового стекла, измерение объёмов и динамики. Оказалось, что хорошая сегментация — это только фундамент, а настоящая ценность алгоритмов раскрывается тогда, когда они помогают увидеть то, что можно пропустить при рутинном просмотре.
Сейчас этот сайт — место, где я делюсь тем, что узнал и продолжаю узнавать на стыке медицины и инженерии. Здесь нет абстрактных лекций и нет маркетинговых обещаний. Есть разборы реальных алгоритмов, результаты тестов на клинических данных, ошибки, которые мы совершили, и выводы, к которым пришли. Я пишу о медицинской визуализации в широком смысле — КТ, МРТ, рентгенограммы, — но всегда с оглядкой на практику. Форматы DICOM, подготовка данных, постобработка, интеграция с PACS, нормативные барьеры: всё это часть повседневности, в которой алгоритм либо работает, либо остаётся красивой картинкой в презентации.
Отдельная тема, которая всё чаще возникает в материалах, — клиническое внедрение. Недостаточно написать точный алгоритм. Нужно, чтобы он вписывался в рабочий процесс врача, не создавал дополнительной нагрузки и давал воспроизводимый результат. Здесь мало инженерных знаний — нужен опыт реальной работы с пациентами, понимание логики диагностического поиска, умение читать не только код, но и клинический контекст.
Я не строил этот проект по заранее продуманному плану. Скорее, он рос органически — от конкретной боли (ручная разметка отнимает время) к конкретным решениям, а от них — к более общим вопросам. Как нейросети меняют анализ изображений? Где предел автоматизации? Что остаётся за человеком? На эти вопросы у меня нет окончательных ответов. Но есть результаты экспериментов, наблюдения и желание разбираться дальше — и этим я делюсь здесь.
Кто автор
Меня зовут Илья Руденко. По образованию и первой специальности — рентгенолог. Довольно быстро стало понятно, что ручная обработка КТ-снимков — особенно когда речь идёт о лёгких и необходимости повторяющихся измерений — это узкое место, которое тормозит и диагностику, и исследовательскую работу. Когда мы с коллегами запускали челлендж по сегментации, я отвечал за подготовку клинических кейсов и верификацию разметки. Именно там стал очевиден разрыв: люди тратят часы на то, с чем алгоритм — при правильной настройке — справляется за секунды. Но «при правильной настройке» — ключевое условие, и его выполнение оказалось нетривиальной задачей.
Я начал с классических подходов: пороговая обработка, морфологические операции, активные контуры. Они давали приемлемый результат на простых случаях и полностью проваливались на сложных. Это заставило погрузиться в свёрточные сети: U-Net, её вариации, transfer learning, тонкости обучения на медицинских данных, которых всегда мало и которые всегда неидеально размечены. Постепенно от чистой геометрии лёгочных полей перешёл к более содержательным задачам: автоматическое выявление паттернов, классификация узлов, сегментация зон интереса, объёмные измерения. А затем — к тому, как всё это встроить в реальный клинический контур: PACS, заключения, нормативные требования.
Сейчас я совмещаю врачебный опыт с инженерным взглядом на медицинскую визуализацию. Работаю не только с КТ, но и с МРТ, рентгенограммами — принципы анализа изображений во многом схожи, а различия между модальностями учат смотреть на задачу шире. Продолжаю экспериментировать, ошибаться и фиксировать результаты. Этот сайт — отражение того пути, который я прохожу, и приглашение к разговору для всех, кому интересна тема на стыке медицины и алгоритмов.
Чего ждать от материалов
- Технические разборы без упрощений. Я не избегаю деталей: архитектуры сетей, функции потерь, метрики, подготовка данных — всё это описано с расчётом на вдумчивого читателя.
- Клинический контекст. Никакой алгоритм не существует в вакууме. Я объясняю, зачем нужна та или иная задача, как её решают врачи сейчас и что меняется с автоматизацией.
- Реальные результаты. Графики, таблицы, примеры разметки, сравнение методов на одних и тех же данных — минимум общих слов, максимум воспроизводимого.
- Ошибки и ограничения. Я не верю в «идеальные» решения и стараюсь честно показывать, где алгоритм сработал плохо, и разбирать причины.
- Практическая перспектива. DICOM, PACS, нормативные аспекты, внедрение в рабочий процесс — темы, которые редко попадают в академические статьи, но без которых реальное применение невозможно.
Если вы врач, который хочет понять, как ИИ-инструменты могут изменить рутинную практику, или разработчик, ищущий медицински осмысленные задачи, — здесь, я надеюсь, вы найдёте что-то полезное. Если же вы просто интересуетесь, как алгоритмы проникают в диагностику, — добро пожаловать. Я пишу не для индексации и не для формального присутствия в сети. Я пишу, потому что тема важная, сложная и живая — и разговор о ней стоит вести всерьёз.
Связаться со мной можно через контакты, указанные на сайте. Я открыт к обсуждению материалов, предложениям сотрудничества и — особенно — к клиническим кейсам, на которых можно проверить любую алгоритмическую идею.